基于特征分布差异的对抗样本检测

诸多神经网络模型已被证明极易遭受对抗样本攻击。对抗样本则是攻击者为模型所恶意构建的输入,通过对原始样本输入添加轻微的扰动,导致其极易被机器学习模型错误分类。这些对抗样本会对日常生活中的高要求和关键应用的安全构成严重威胁,如自动驾驶、监控系统和生物识别验证等应用。研究表明在模型的训练期间,检测对抗样本方式相比通过增强模型来预防对抗样本攻击更为有效,且训练期间神经网络模型的中间隐层可以捕获并抽象样本信息,使对抗样本与干净样本更容易被模型所区分。因此,本文针对神经网络模型中的不同隐藏层,其对抗样本输入和原始自然输入的隐层表示进行统计特征差异进行研究。本文研究表明,统计差异可以在不同层之间进行区别。本文通过确定最有效层识别对抗样本和原始自然训练数据集统计特征之间的差异,并采用异常值检测方法,设计一种基于特征分布的对抗样本检测框架。该框架可以分为广义对抗样本检测方法和条件对抗样本检测方法,前者通过在每个隐层中提取学习到的训练数据表示,得到统计特征后,计算测试集的异常值分数,后者则通过深层神经网络模型对测试数据的预测结果比较,得到对应训练数据的统计特征。本文所计算的统计特征包括到原点的范数距离L2和样本协方差矩阵的顶奇异向量的相关性。实验结果显示了两种检测方法均可以利用隐层信息检测出对抗样本,且对由不同攻击产生的对抗样本均具有较好的检测效果,证明了本文所提的检测框架在检测对抗样本中的有效性。     

基于卷积神经网络的物理帧切割方法

针对帧切割方法中门限选择难度大及方法普适性不高的问题,本文首次提出基于卷积神经网络的物理帧切割方法。该方法首先通过分析矩阵的构造、数据压缩和矩阵扩展3个步骤将数字序列转化为图像;然后用已有的样本训练卷积神经网络,用训练好的卷积神经网络识别未知协议的帧长;最后在帧长识别的基础上,通过相关滤波方法完成帧起始位置的识别,实现对物理帧的切割。仿真实验验证了算法的有效性,表明本文方法具有一定的工程应用价值。     

数据增强策略在人脸识别技术实现的研究

以小数据集为样本进行卷积神经网络模型的训练过程,容易出现所得到的神经网络模型泛化能力不足的问题。传统的处理方法大都通过数据增强的方式来提高训练数据的样本总数。本文选取多个网络模型进行对比实验,验证不同神经网络在训练过程中是否使用数据随机增强方式的模型识别准确率提高的效果,为如何选取小数据集样本训练神经网络提供参考。     

基于Kohonen神经网络的地图自动输入技术

本文介绍一种利用神经网络对彩色地图进行识别,从而自动建立地图数据库的方法,首先采集样本对Kohonen神经网络进行训练,然后通过神经网络对地图中的道路进行识别和抽取,再利用去噪算法进行去噪,最后进行城市识别和矢量化,得到地图数据库,文中给出了实验结果。     

基于生成对抗网络的农作物叶片病害识别

当人们使用深度神经网络对图像进行分类时,通常需要大量的训练样本。然而,在实际工作中很难获得足够多的样本来保证神经网络的训练。为了解决这一问题,本文提出一种基于生成式对抗网络的识别方法。其主要思想是通过对现有的GAN网络模型进行改造后训练一个样本生成模型,然后利用神经网络对生成模型生成的数据集进行识别,最后利用迁移学习方法对具有真实数据的神经网络进行微调。为了验证该方法的有效性,本文使用5种作物的叶片进行验证(每个样本500片),其对植物叶片的有无病害识别精度可达90%以上。实验结果表明该方法能在少量样本时提高叶片的识别精度,具有很强的通用性。     

基于极限学习离散过程神经网络的示功图识别

针对传统神经网络进行抽油机示功图识别诊断时受同步瞬时输入限制,不能有效体现连续输入信号的时间累积效应,诊断精度偏低的问题,提出一种极限学习离散过程元网络,模型内部通过三次样条数值积分处理离散样本和权值的时域的聚合运算．模型训练算法采用极限学习,将模型训练转化为最小二乘问题,通过利用Moore-Penrose广义逆和隐层输出权值矩阵来计算输出权值,提升模型学习速度．进行示功图识别时,直接将位移和载荷离散时间序列作为模型输入,对常见的5种示功图状态进行识别．实验结果表明,该方法具有较高的识别精度,同时相对于其它过程神经网络模型,学习速度较快．     

Hopfield神经网络在字符识别中的应用

文章介绍了离散Hopfield神经网络的基本概念及其原理,以Matlab为工具,根据Hopfield神经网络的相关知识,设计了一个具有联想记忆功能的离散型Hopfield神经网络。首先提取照片的像素值,通过对照片的灰度处理,得到灰度像素矩阵。由于对单个字符进行识别的效果比多个字符整体识别的效果好,故对不同的字符进行分割,然后运用OSTU算法求得最佳阈值,通过数据替换得到该字符的二值矩阵。用原图片的二值矩阵作为训练样本,生成Hopfield神经网络。然后分别在不同噪声强度的情况下,以噪声图像的二值矩阵作为测试样本,观察网络的输出效果,并计算出相应的识别率。通过测试发现,噪声强度在较小范围0.1左右时,该网络可达到很好的识别效果,此时识别率接近1;随着噪声强度的增大,识别效果变差;当噪声强度达到0.4时,该网络已无法进行识别。     

基于离散Hopfield神经网络的噪声数字识别

在Hebb学习规则的基础上,运用离散Hopficld神经网络的联想记忆能力,对含有噪声而产生畸变的0~9数字进行了识别。通过改进神经网络的记忆样本,即先对记忆样本做正交化处理,再对改进后的记忆样本进行学习,得到相应的权值矩阵,然后利用改进后的离散Hopfield神经网络根据待识别噪声数字的信息联想已记忆的数字。实验结果表明,改进后的神经网络对噪声数字有较好的识别效果,提高了记忆能力和识别的正确率。     

基于小波变换和CPN网络的手写签名鉴别

手写签名鉴别技术作为生物特征安全认证领域的重要技术之一,具有广泛的应用前景。为了提高手写签名鉴别的正确性,提出一种基于三层小波变换和CPN神经网络结合的方法。首先对手写签名样本图像采取滤波去噪、二值化、细化、归一化等预处理措施,然后使用离散DB3小波分解提取高通系数矩阵处理后作为样本特征进行提取,而后采用CPN神经网络分类器对4680个训练样本进行每样本7500次训练,最后使用训练完毕的分类器对待鉴别样本进行分类鉴别。在由36个鉴别实验组组成的实验数据集上,样本识别正确率达到了93.48%。通过多种方法的对比实验,结果表明该方法签名特征提取全面、分类识别效果明显优于线性分类器。     

基于特征重构的广义回归神经网络故障识别方法应用研究

近年来,流程工业事故频发,这使得加强生产过程的安全保障迫在眉睫,对故障识别的准确性提出了更高的要求。本文提出了一种基于特征重构的广义回归神经网络故障识别方法。首先,引入"字典表"的功能构建"故障字典表":其次,采用核主元分析方法对"故障字典表"进行主元提取,实现数据降维以及降低计算复杂度;第三,"故障字典表"索引定位,通过数据样本与"故障字典表"的比对,对数据样本进行特征重构;最后,运用广义回归神经网络算法对数据样本进行学习训练,用以计算系统输出变量进行故障识别。通过对TE(Tennessee Eastman Process)过程进行故障识别仿真实验,结果表明,该方法对非线性时序系统具有较高的故障识别能力,为复杂过程工业大型系统的故障识别提供了新的思路和方法。     

基于特征的BP神经网络人民币号码识别系统

介绍了一种简单、准确、快速的人民币号码识别系统。采集到的人民币号码图像经过预处理、特征提取和神经网络训练识别几个过程识别出号码串。特征提取采用的是水平方向5行逐像素特征提取法,该方法的优点是提取相对较少的特征点即可反映丰富的信息量。实验结果表明,提出的特征提取方法可以使BP神经网络很快收敛,训练效果也较好,该识别系统能高效准确地提取出人民币号码串,识别率达到95%以上,平均识别时间为35 ms,适应性也较强。     

基于BP神经网络的字符识别系统

基于BP神经网络设计了一个字符识别系统.首先,对字符图像进行二值化处理,构造输入向量矩阵.其次,通过选取初始权值、隐层节点数和权值学习算法,创建BP神经网络,对样本数据进行训练,之后对加有噪声的样本再次进行训练,以提高网络的鲁棒性.最后进行仿真测试并制作图形用户界面GUI来模拟与演示该系统.仿真结果显示,该BP网络对噪声系数小于0.8的字符识别率可达95%,且网络训练时间可接受.     

基于模板匹配的人民币纸币序列号识别系统研究

人民币纸币序列号是由纸币的冠号和数字编号组成,犹如居民身份证号,具有唯一性。纸币序列号的自动识别对实现纸币的有效管理以及缩小纸币真伪鉴别范围具有重要的理论意义和实际应用价值。系统提出了一种基于模板匹配的人民币纸币序列号识别方法。在对图像进行预处理的基础上,先根据物理尺寸将纸币分成不同的类别,然后根据各种面值纸币序列号字符的位置和大小,定位序列号字符;采用投影法分割序列号字符;提取字符网格特征,用特征矩阵表示字符;最后采用模板匹配法识别字符。实验结果表明,系统具有较高的识别率和速率,且具有一定的稳定性。     

基于CNN的改进行人重识别技术

针对行人重识别研究中训练样本的不足,为提高识别精度及泛化能力,提出一种基于卷积神经网络的改进行人重识别方法。首先对训练数据集进行扩充,使用生成对抗网络无监督学习方法生成无标签图像;然后与原数据集联合作半监督卷积神经网络训练,通过构建一个Siamese网络,结合分类模型和验证模型的特点进行训练;最后加入无标签图像类别分布方法,计算交叉熵损失来进行相似度量。实验结果表明,在Market-1501、CUHK03和DukeMTMC-reID数据集上,该方法相比原有的Siamese方法在Rank-1和mAP等性能指标上有近3～5个百分点的提升。当样本较少时,该方法具有一定应用价值。     

Driver identification using finger-vein patterns with Radon transform and neural network

A driver identification system using finger-vein technology and an artificial neural network is presented in this paper. The principle of the proposed system is based on the function of near infra-red finger-vein patterns for biometric authentication. Finger-vein patterns are required by transmitting near infra-red through a finger and capturing the image with an infra-red CCD camera. The algorithm of the proposed system consists of a combination of feature extraction using Radon transform and classification using the neural network technique. The Radon transform can concentrate the information of an image in a few high-valued coefficients in the transformed domain. The neural networks are used to develop the training and testing modules. The artificial neural network techniques using radial basis function network and probabilistic neural network are proposed to develop a driver identification system. The experimental results indicated the proposed system performs well for personal identification. The average identification rate of PNN network is over 99.2%. The details of the image processing technique and the characteristic of system are also described in this paper.     

基于参数选取影响BP神经网络训练结果的分析

模式识别包含了两个方面的内容：样本训练和样本识别。而样本识别的前提则是样本训练,当然训练样本多并具有代表性当然好,但并非越多越优。重要的是在训练神经网络的过程中,权值、阈值等各个参数应如何确定才有利于训练的效率。正是针对使用一组简单样本对神经网络进行训练,并且采用变化参数值的方法观察其训练效果,从而得出不同的输出结果,以及曲线分析图。进而进行对比总结,找出最优的参数设置。而且实验方法和结论有利于应用于其他识别系统的开发。     

基于卷积神经网络多层特征提取的目标识别

目标识别一直是人工智能领域的热点问题. 为了提高目标识别的效率,提出了基于卷积神经网络多层特征提取的目标识别方法. 该方法将图像输入卷积神经网络进行训练,在网络的每个全连接层分别进行特征提取,将得到的特征依次输入到分类器,对输出结果进行比较. 选取经过修正线性单元relu函数激活的低层全连接层作为特征提取层,比选取高层全连接层特征提取的识别率高. 本文构建了办公用品数据集,实现了基于卷积神经网络多层特征提取的办公用品识别系统. 选择AlexNet卷积神经网络模型的relu6层作为特征选取层,选择最优训练图像数量和最优分类器构建系统,从而证明了该方法的可行性.     

基于电子鼻技术的花椒品种鉴别方法研究

本文针对不同花椒品种的快速鉴别方法进行研究,以花椒的气味信息检测为研究对象,利用自行研制的电子鼻系统采集了6类花椒样品气味数据,对这些数据样本进行特征提取,得到了56组训练样本和32组测试样本。利用BP神经网络、概率神经网络和支持向量机对特征数据进行鉴别,正确识别率分别为89.58%、93.23%、94.27%,相对于BP神经网络和概率神经网络识别,支持向量机具有更好的分类效果。 本文研制的电子鼻系统能能无损、快速、准确鉴别花椒的品种,为农产品无损检测的研究提供了一种新的思路。     

一种去噪去污的人民币序列号分割方法

序列号的准确分割是人民币序列号识别的必要前提,然而人民币图像中引入的各类噪声和污染会严重影响其分割效果,为此提出一种能去除污染和噪声的序列号分割方法。在图像预处理时引入高提升滤波,在增强序列号边缘的同时,滤除各类噪声干扰;在字符分割时利用改进型连通区域算法,找到序列号完整的外围轮廓。在各面值人民币图像组成的数据集上验证该方法的可行性,通过与常用分割法准确率的对比显示该方法的优越性。该方法能对污痕、拆痕、字符粘连等污染的图像进行准确分割,比常用的分割方法具有更好的分割性能。