深度置信网络模型的机载多光谱数据罂粟识别

针对传统识别算法在罂粟植物地块识别上精度不足的问题,提出了基于深度置信网络模型的机载多光谱数据罂粟识别算法,采用模拟人脑多层结构的方式,可以对数据自动地进行特征提取,挖掘内在联系,建立更准确的识别模型;同时将随机隐退过程引入到罂粟识别的深度网络中,避免了传统神经网络因为随机初始化而陷入局部最优解的情况。无人机航拍数据的实验表明,在小样本罂粟训练集的情况下,与支持向量机和传统神经网络方法相比,基于随机隐退的深度置信网络模型可取得更好的识别结果。     

基于大数据及物联网的数据库半结构化数据识别方法

为实现对不同类别半结构化数据的精准识别,文章将开展基于大数据和物联网的数据库半结构化数据识别方法的设计研究。笔者通过从各种来源收集数据,包括传感器、日志文件、社交媒体平台、其他数据库等,对半结构化数据所在数据库进行联网,使用大数据中的数据清洗技术进行半结构化数据预处理;对完成预处理的数据库半结构化数据进行特征提取,根据具体的数据识别问题确定模型架构,生成数据识别模型,并实现对半结构数据的识别。对比实验结果表明：设计的方法可以实现对数据库半结构化数据的精准识别。     

基于数据抽取器的知识发现处理模型

提出了基于数据抽取器的知识发现模型。在模型中,将知识发现过程分成数据预处理、数据抽取、数据挖掘和结果分析四个阶段。该模型利用标准的SQL语言构造数据抽取器,为不同的学习算法准备数据,减少数据挖掘算法对数据库直接调用的次数,避免了直接对大型数据库的数据进行调用,使得对大型数据库进行快速数据挖掘成为可能。可以加快知识发现过程,提高数据挖掘效率,实现对于大型数据库的知识发现。最后设计了SQL-C4．5算法,该算法实现了利用数据抽取器为决策树算法C4．5抽取必要的统计数据,实现了C4．5决策树的构建。     

基于SVR与成分分解的轨道交通站点流量预测

轨道交通站点数据具有显著的非平稳性和时间尺度差异性,为了对其进行准确高效的预测,提出了基于SVR与成分分解的预测方法.采用模态分解对站点流量数据进行局部特征提取,成分分解结果由若干IMF和一个残差组成,能够降低特征提取过程中的局部极值干扰.在站点流量成分分解基础上设计了 SVR优化模型,利用SVR模型对数据的训练来实现结果预测.模型针对低维线性分解、预测精度和效率问题,依次引入了核函数,损失因子,及惩罚因子,并采用遗传算法对SVR优化模型的引入参数进行寻优.仿真分别对站点流量预测的准确性和效率进行性能分析,结果表明SVR优化模型能够有效处理轨道交通的小样本站点流量数据,基于SVR与成分分解能够显著提升站点流量预测的RMSE、MAE和MAPE指标性能,同时保持较低的预测耗时.     

基于轻量级卷积网络的步态识别研究

针对目前深度学习网络参数量大、成本较高等问题，提出了一种将轻量级卷积网络应用在步态识别中的研究，实现对行人步态的准确识别。该方法对数据集图像进行背景减除和归一化等预处理操作，根据每个人的步态特征提取出相应的步态能量图，使用Mobilenet网络模型进行特征学习并完成分类任务。实验结果表明，Mobilenet网络在减少模型参数量的同时，可以提高模型的识别精度，平均准确率和召回率可以达到90.7%、89.99%，能够有效地实现步态的识别及分类。     

多级卷积特征金字塔的细粒度食物图片识别

目的 食物图片具有结构多变、背景干扰大、类间差异小、类内差异大等特点,比普通细粒度图片的识别难度更大。目前在食物图片识别领域,食物图片的识别与分类仍存在精度低、泛化性差等问题。为了提高食物图片的识别与分类精度,充分利用食物图片的全局与局部细节信息,本文提出了一个多级卷积特征金字塔的细粒度食物图片识别模型。方法 本文模型从整体到局部逐级提取特征,将干扰较大的背景信息丢弃,仅针对食物目标区域提取特征。模型主要由食物特征提取网络、注意力区域定位网络和特征融合网格3部分组成,并采用3级食物特征提取网络的级联结构来实现特征由全局到局部的转移。此外,针对食物图片尺度变化大的特点,本文模型在每级食物特征提取网络中加入了特征金字塔结构,提高了模型对目标大小的鲁棒性。结果 本文模型在目前主流公开的食物图片数据集Food-101、ChineseFoodNet和Food-172上进行实验,分别获得了91.4%、82.8%、90.3%的Top-1正确率,与现有方法相比提高了1%~8%。结论 本文提出了一种多级卷积神经网络食物图片识别模型,可以自动定位食物图片区分度较大的区域,融合食物图片的全局与局部特征,实现了食物图片的细粒度识别,有效提高了食物图片的识别精度。实验结果表明,该模型在目前主流食物图片数据集上取得了最好的结果。     

基于EMD特征提取与随机森林的煤矸识别方法

基于振动信号辨识是实现综放开采煤矸识别的有效手段,现有方法在识别准确性和有效性方面有待进一步研究。提出了一种基于经验模态分解(EMD)特征提取与随机森林(RF)的煤矸识别方法。采用加速度传感器及数据采集仪采集了某综放工作面煤和矸石冲击液压支架尾梁产生的振动信号,分别对2种信号进行EMD,得到一系列本征模态函数(IMF);根据EMD结果选取有效IMF,分别提取IMF能量、峭度、矩阵奇异值及对应熵作为特征向量,采用各特征向量独立训练RF模型,根据各RF模型对测试样本的识别结果筛选特征向量,并建立特征数据集;采用特征数据集训练RF模型,采用训练好的RF模型实现煤矸识别。测试结果表明:该方法对200组煤矸测试样本的识别准确率达96.5%,且当RF模型中决策树数量设置为100或150时识别准确率最高,对测试样本进行特征提取与识别的耗时不超过0.2s,满足综放工作面煤矸识别准确性和实时性要求。     

手机流量非侵入式监测的决策树算法

针对现有手机中不良软件难以监测和识别的问题,提出并实现了手机流量监测系统,采用非侵入式方法获取手机流量数据,根据特征采用ID3算法建立决策树模型,再根据此决策树规则对流量数据进行分类。实验结果表明:该方法对手机流量类型的识别准确率在92%以上。     

基于HOPE-CTC的端到端语音识别

为增强端到端语音识别模型的鲁棒性和特征提取的有效性,对瓶颈特征提取网络进行研究,提出采用基于联合优化正交投影和估计的端到端语音识别模型.通过连接时序分类损失函数训练瓶颈特征提取网络,摆脱对语言学和对齐信息的先验知识的依赖,在解码输出部分添加注意力机制,实现两种不同的端到端模型的融合.在中文数据集AISHELL-1上的实...     

局部感受野的宽度学习算法及其应用

为了更快且更准确地对图像进行识别,提出了基于局部感受野的宽度学习算法（Local Receptive Field based Broad Learning System,BLS-LRF）,该方法以宽度学习网（Broad Learning System,BLS）为基础模型,与局部感受野（LRF）的思想相结合,从局部特征和全局特征两方面对图像进行特征提取。采用两种图像数据集对网络进行研究,将研究结果和许多传统神经网络进行对比,结果表明BLS-LRF网络的测试精度不仅超过了传统网络的测试精度,而且训练过程所需要的时间有了很大程度的缩短。     

一种基于运动姿态的三维人体运动检索方法

随着运动捕获技术的不断展,捕获出大量的三维人体运动数据并建立了大规模运动数据库。提出了一种基于运动姿态的三维人体运动检索方法(MPDS),首先进行姿态特征提取,其次通过特征编码对人体运动的局部姿态进行组合,以期达到更好地辨别力,并通过决策树学习方法得到局部运动姿态相似度对整体运动相似性的影响,以决策树指导检索过程。实验结果表明,文中算法的有效性。     

大数据传输中授权访问多层次控制仿真

针对传统方法在大数据传输中授权访问数据存在控制响应时间过长、能量消耗较高等问题,提出了大数据传输中数据的授权访问多层次控制方法。构建危险数据通信传输模型,根据该模型,利用信号处理方法完成云环境下危险数据特征提取,通过特征提取结果识别危险数据。在上述基础上,利用可信计算技术,构建大数据传输中授权访问多层次控制模型。该模型具有较强的访问控制粒度,能够有效支持对角色以及服务的多角度访问控制。实验结果表明,所采用的方法能够有效缩短响应时间,降低能量消耗,减少成本开销。     

基于载荷特征的加密流量快速识别方法

针对加密流量难以识别的问题,提出一种快速的网络流量识别方法。该方法无需对数据包载荷进行深入分析,使用256维向量描述数据包负载中256个ASCII字节发生的频率,根据载荷特征量化后的均值和方差进行数据特征提取,采用决策树算法对加密流量进行分类识别。实验结果表明,该方法可以对常见的加密网络流量进行准确识别,并能检测部分恶意攻击产生的流量。     

基于残差网络的风向自记图识别方法

鉴于气象资料风向自记图中存在背景文字干扰和特征所在区域固定等特点,导致卷积神经网络只考虑风向自记图局部近邻特征的问题,使卷积神经网络不能准确识别风向自记图.针对上述存在问题,提出残差网络和自注意力机制相结合的风向自记图识别模型.采用一维和二维风向自记图作为输入数据,通过残差网络进行风向自记图特征提取,引入自注意力机制对特征赋予不同的权重,增强风向自记图分类特征并抑制背景特征.实验结果表明,使用上述方法能有效增加特征信息区分度,风向识别准确率可达76.34％.对比实验结果表明,模型在风向识别准确率方面优于其它风向识别模型.     

基于EEMD-SE和栈式降噪自编码网络的局部放电模式识别

由于变电站环境复杂,利用传统的特征统计方法不能准确地提取局部放电(PD)信号的特征及对其识别分类.对此,提出一种基于集合经验模态分解(EEMD)和样本熵(SE)的局部放电信号特征提取方法.利用EEMD算法对局部放电信号进行时频分析;计算EEMD分解得到的固有模态函数(IMF)的样本熵,并将其作为特征向量表征不同放电类型;采用栈式降噪自编码网络(SDAE)对放电类型进行分类识别.通过对四类局部放电故障进行特征提取和模式识别,对比实验结果表明,该方法能有效地提取放电信号的特征,并较准确地识别各类放电类型.     

基于生成对抗网络和DenseNet的数据信息安全识别方法

针对传统电力巡检过程中必须依靠有经验的人工来完成对电力设备相关数据信息安全进行识别的方法,设计了一种基于生成对抗网络和密集连接网络的数据信息安全识别方法,采用生成对抗网络模型,利用其强大的表征能力,通过针对网络模型的训练完成对训练样本数据库的扩充,实现提升模型生成能力的目的;结合密集连接网络对电力巡检数据信息的安全性进行识别,实现解决电力巡检安全隐患的同时还可以推动人工智能技术的落地应用;通过在电力巡检数据信息集上的验证实验,比较不同方法在不同类型数据集上的识别精度,验证了基于生成对抗网络和密集连接网络的数据信息安全识别方法的有效性与可靠性,为传统识别电力巡检数据信息安全性的方法提供了全新思路。     

新型入侵增量识别入侵检测模型

随着计算机和网络技术的不断发展,新的入侵模式不断产生,传统的入侵检测模型难以适应新的入侵模式的变化,致使检测新型入侵困难。为了达到自动进化改进入侵模型,快速监测新型入侵模式的目的,提出一种新型入侵检测增量识别方案。各个监测点具有相互交流机制,通过定期交流自身异常情况信息并判断周围设备通信情况,可以形成局部和全局异常流量的状况,共同进行入侵检测,防止单一主机入侵检测的盲点。根据各个节点收集的信息向堡垒主机反馈数据,形成全局异常值,如果全局异常值达到规定的阈值,判断为出现新型入侵行为。堡垒主机采用了相对分类快速、准确的决策树算法作为入侵分类算法。为了能使决策树分类能够快速自动进化改进,提出一种能够快速自我改进决策树局部的决策树改进方法。对整体环境的仿真实验表明,在基于入侵模式识别异常情况,决策树改进算法在自我进化后,对于加入新型入侵模式的入侵有效识别率可以达到94.09%。     

改进的决策树支持向量机地下水水质评价

基于结构风险最小原理的支持向量机(SVM)具有较强的学习泛化能力和良好的分类性能,能用来解决少样本学习的二类模式识别问题。针对具备多级类别的地下水水质评价问题,可以采用决策树SVM分类方法,通过对多类别水质标准的重新组合以构建类似于决策树的多个子分类器来实现。但基于决策树SVM分类过程中常常会出现由于正负类训练样本数据不均一导致的局部识别误差。基于二叉树原理提出了一种改进决策树SVM模型,通过加密数据插值和二叉分类有效避免正负类训练样本数据不均一的问题,针对地下水水质评价特点,增加了第5个子分类器以精确识别Ⅱ类水质和Ⅲ类水质。实验结果表明,改进的决策树SVM分类模型评价结果稳定。     

基于AlexNet的小样本水面漂浮物识别

针对水面漂浮物识别中图像数据量少、噪声影响多,导致识别精度低的问题,采用一种基于深度学习的小样本水面漂浮物识别方法进行水面常见污染物塑料袋与塑料瓶的识别。采用现有大型数据集中的普通塑料袋与塑料瓶图像构建并训练卷积神经网络模型AlexNet;采用梯度下降法对模型进行微调,并用融合的光照矫正法处理待识别图像;将网络识别结果与传统的HOG特征提取方法进行比较。实验结果表明,该方法相较于传统的提取特征方法,对于水面漂浮物的识别率提高近15%。