基于跨连卷积神经网络的性别分类模型

为提高性别分类准确率, 在传统卷积神经网络(Convolutional neural network, CNN)的基础上, 提出一个跨连卷积神经网络(Cross-connected CNN, CCNN)模型. 该模型是一个9层的网络结构, 包含输入层、6个由卷积层和池化层交错构成的隐含层、全连接层和输出层, 其中允许第2个池化层跨过两个层直接与全连接层相连接. 在10个人脸数据集上的性别分类实验结果表明, 跨连卷积网络的准确率均不低于传统卷积网络.     

基于小波包分解和遗传神经网络的癫痫识别

基于小波包分解和遗传神经网络对正常脑电和癫痫脑电进行识别。通过分析脑电数据找出信号特征;利用一维离散小波包分解提取含有识别特征的脑电信号频率段,并以脑电各频段的相对能量作为信号特征;然后建立基于遗传算法优化的BP网络,用于对癫痫脑电识别。实验结果表明,该方法可以有效提取信号特征,并且对信号进行准确的识别。     

交叉连接的少层残差卷积神经网络

最近的研究表明,卷积神经网络的性能可以通过采用跨层连接来提高,典型的残差网络(ResNet)便通过恒等映射方法取得了非常好的图像识别效果.但是通过理论分析,在残差模块中,跨层连接线的布局并没有达到最优设置,造成信息的冗余和层数的浪费,为了进一步提高卷积神经网络的性能,文章设计了两种新型的网络结构,分别命名为C-Fnet...     

基于跨通道交叉融合和跨模块连接的轻量级卷积神经网络

针对传统卷积神经网络参数量过多、计算复杂度高的问题,提出了基于跨通道交叉融合和跨模块连接的轻量级卷积神经网络架构C-Net。首先,提出了跨通道交叉融合的方法,它在一定程度上克服了分组卷积中各分组之间存在缺乏信息流动的问题,简单高效地实现了不同分组之间的信息通信;其次,提出了一种跨模块连接的方法,它克服了传统轻量级架构中各基本构建块之间彼此独立的缺点,实现了同一阶段内具有相同分辨率特征映射的不同模块之间的信息融合,从而增强了特征提取能力;最后,基于提出的两种方法设计了一种新型的轻量级卷积神经网络架构C-Net。C-Net在Food_101数据集上的准确率为69.41%,在Caltech_256数据集上的准确率为63.93%。实验结果表明,与目前先进的轻量级卷积神经网络模型相比,C-Net降低了存储开销和计算复杂度。在Cifar_10数据集上的消融实验验证了所提出的两种方法的有效性。     

基于跨连接LeNet-5网络的面部表情识别

为避免人为因素对表情特征提取产生的影响,本文选择卷积神经网络进行人脸表情识别的研究.相较于传统的表情识别方法需要进行复杂的人工特征提取,卷积神经网络可以省略人为提取特征的过程.经典的LeNet-5卷积神经网络在手写数字库上取得了很好的识别效果,但在表情识别中识别率不高.本文提出了一种改进的LeNet-5卷积神经网络来进行面部表情识别,将网络结构中提取的低层次特征与高层次特征相结合构造分类器,该方法在JAFFE表情公开库和CK+数据库上取得了较好的结果.     

基于模糊聚类算法的神经网络集成

基于模糊聚类思想,提出了一种神经网络集成方法。利用隶属度函数,构造了一个分布函数,根据分布函数对训练数据进行抽样,用所抽得的数据作为个体神经网络的训练样本,多个个体神经网络构成神经网络集成,集成的输出采用相对多数投票法。理论分析和实验结果表明,该方法对模式分类能取得较好的效果。     

基于深度神经网络的个性化睡眠癫痫发作预测

现有癫痫发作预测方法存在精度较低、错误报警率较高、癫痫患者睡眠脑电特异性、致痫灶位置和类型不同导致脑电信号存在差异的问题.文中提出基于深度神经网络的个性化睡眠癫痫发作预测方法,帮助医生和患者采取及时有效的治疗措施,降低患者患并发症和猝死的概率.对原始脑电信号滤波和分段以去除噪声,保证短时间内触发警报,利用离散小波变换分解信号并提取统计特征表征脑电信号时频特征.再应用双向长短期记忆网络挖掘最具鉴别能力的特征并结合留一法分类,经过决策过程优化得到预测结果.在不同频带限制条件下的实验表明,与睡眠癫痫相关的δ频带信号是影响发作预测性能的重要因素.相比现有睡眠癫痫预测方法,文中方法性能较优.     

基于三相连接的进化模糊神经网络及应用

介绍了一种新型的进化模糊神经网络,规则节点层融入了三相电路的连接方式,用于在线的监督学习或者无人监督学习。使用进化聚类方法,模糊规则在系统执行过程中进行创建和更新,并且采用遗传算法即时优化进化聚类的结果,通过T-S模型模糊推理系统计算输出。