基于深度信念网络的光通信网络数据异常识别研究

为提高光通信网络数据传输能力,基于深度信念网络研究光通信网络数据异常识别方法。先构建光通信网络数据传输模型,采用深度信念网络进行传输信道均衡控制,利用模糊多分类支持向量机提取数据异常特征,构建数据分类学习模型,实现对数据异常重构和关联规则挖掘,采用深度信念网络对光通信网络数据进行异常张量切片重组,用张量对多关系网络进行建模,实现对光通信网络数据异常识别。仿真结果表明,所提改进方法的能量开销仅为1.2 kJ,生命周期为55.75 h,且识别时间仅为1.0 ms,优于其余两种方法,具有更大的应用价值。     

基于深度信念网络的铁路信号设备故障识别

针对现有铁路信号设备故障识别算法特征提取不准确导致正确率偏低的问题,提出了深度信念网络(DBN)的故障识别模型。该模型首先利用无监督训练方法对DBN的多个堆叠受限玻尔兹曼机(RBM)进行预训练,获得网络初始参数;然后,结合铁路信号设备识别问题,构建BP神经网络,利用有标签样本进行反向传播训练,实现网络参数微调。实验结果表明,该模型避免特征提取的人工操作,能够有效实现铁路信号设备故障的准确智能识别。     

基于深度信念网络的光通信网络数据异常识别研究

为了降低光通信网络被攻击的概率,保证光通信的安全顺畅,提出基于深度信念网络的光通信网络数据异常识别方法。利用时间-频率相结合的算法建立光通信信道模型,获取信道特征。根据信道特征密度设计数据异常特征的判断准则,利用数据挖掘聚类算法提取异常数据特征。融合BP网络和受限玻尔兹曼机网络,确立深度信念网络结构,结合隐藏层与可见层单元的概率分布情况构建数据异常识别模型,经过数据采集、特征归一化和模型微调等过程完成光通信网络数据异常识别。仿真实验表明,所提方法能够获取准确的光通信网络异常数据特征,光通信网络数据异常识别高和误报率低。     

基于深度信念网络的事件识别

事件识别是信息抽取的重要基础.为了克服现有事件识别方法的缺陷,本文提出一种基于深度学习的事件识别模型.首先,我们通过分词系统获得候选词并将它们分为五种类型.然后选择六种识别特征并制定相应的特征表示规则用来将词转化为向量样例.最后我们通过深度信念网络抽取词的深层语义信息,并由Back-Propagation(BP)神经网络识别事件.实验显示模型最高F值达85.17%.同时,本文还提出了一种融合无监督和有监督两种学习方式的混合监督深度信念网络,该网络能够提高识别效果(F值达89.2%)并控制训练时间(增加27.50%).     

基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达（Synthetic Aperture Radar,SAR）图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性,本文提出基于深度信念网络（Deep Belief Network,DBN）的属性散射中心匹配方法。属性散射中心参数特征丰富,能够很好地反映目标的局部散射特性。DBN发挥深度学习优势,可以实现测试样本与模板样本散射中心集的稳健匹配,并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上,定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展,经验证,所提方法对于SAR目标识别问题具有良好的有效性和稳健性。     

基于SLBP深度信念网络的人脸识别研究

针对传统局部二值模式(LBP)特征提取不充分和分类器拟合的问题,提出一种基于局部纹理特征的显著局部二值模式(SLBP)和深度学习的人脸识别方法。首先,利用改进的SLBP算法提取人脸图像局部纹理特征,建立SLBP直方图;然后构建基于深度信念网络的深度学习架构,将SLBP直方图输入到深度信念网络中,采用无监督逐层训练法和有监督BP算法去训练网络,实现网络的自学习和自优化,得到网络参数;最后,利用DBN分类、识别人脸图像。仿真实验证实,所提人脸识别方法在识别率和鲁棒性方面优于传统人脸识别方法。     

基于深度信念网络的短期电力负荷预测

对电力负荷预测的原理、步骤及方法做了简要分析,对深度信念网络做了细致描述,在此基础上,提出了用深度信念网络的方法预测短期电力负荷,并做了相应的实验,深度信念网络的预测值十分逼近实际值,预测误差的绝对值范围小,为0~0.08,且误差范围波动较小,预测稳定。表明基于深度信念网络的短期电力负荷预测模型预测精准,具有很高的预测精度和预测稳定性。     

基于深度学习网络的红外网络节点异常状态识别研究

为准确识别红外网络节点状态,提出了基于深度学习网络的红外网络节点异常状态识别方法。利用红外网络节点采集模块采集节点状态数据,确定可视层与隐含层神经元数量,利用贪婪算法训练过程重构训练样本,通过微调过程优化深度置信网络,完成深度置信网络训练,提取红外网络节点状态数据特征,将状态数据特征作为球心,计算识别红外网络节点状态数据同球心的半径,根据结果是否异常状态。仿真测试结果,本文方法可有效识别红外网络节点异常状态,红外网络节点异常状态识别精度高。     

基于多深度置信网络融合的航空电子设备故障预测

由于航空电子设备性能退化趋势与工作环境(温度、振动、负载等)存在强耦合关系,历史数据和实时数据分布存在难以量化的差异,因此航空电子设备的故障预测一直是业内难题.针对工程应用中的故障预测需求,提出了一种基于多深度置信网络(Multi-deep Belief Network,DBN)模型融合的故障预测方法,基于历史数据和实...     

基于相位延迟指数的脑功能网络及测谎研究

在脑认知科学领域,越来越多的研究开始专注于利用不同导联脑电信号之间的相互依赖关系来研究大脑整体认知功能.相位延迟指数可有效减少由容积导体引起的误差,该方法已被广泛应用.而基于图论的脑网络研究方法在测谎方面还少见报道.本文通过对30名（诚实和说谎）受试者的脑电信号进行网络拓扑分析,将网络参数作为判别指标,使用支持向量机对实验数据进行分类.研究发现,两组受试者的小世界指标表现出显著的统计学差异,且得到较高的测谎准确率,结果证明了利用相位延迟指数方法进行图论分析的测谎有效性.     

基于深度神经网络模型的雷达目标识别

根据雷达测量的目标电磁散射面积(RCS)序列,采用深度神经网络模型识别空间飞行目标。首先,阐述了提取RCS时间序列特征的方法,包括均值、均方差及周期特性等特征;然后,给出了深度神经网络模型识别RCS目标的算法;最后,用仿真数据验证该识别方法,数值实验结果表明该方法能较准确识别雷达跟踪目标。     

结合Gabor特征和深度信念网络的人脸姿态分类

针对多姿态人脸图像分类存在的困难,提出了一种基于Gabor特征和深度信念网络(DBN)的近邻元分析(NCA)方法,通过提取Gabor多姿态人脸图像的尺度图并将其进行融合,从而对多姿态人脸图像具有较好的区分度,利用融合后的特征图来训练样本并作为深度信念网络的输入图像,结合NCA分析对训练样本进行线性变化以寻找到一个更有利于类别分类的线性子空间,提供足够大的数据集来估算模型参数进而对多姿态人脸图像进行分类.对ORL人脸数据集测试结果表明,多姿态人脸分类数据量为1616和2432之间时的平均分类正确率分别为86.67％、84.00％、90.67％和86.67％,与PCA、LDA和RCA三种算法相比,其分类准确率都得到了提高,实验结果验证了这种针对多姿态人脸图像的分类算法的有效性.     

基于脑电识别与车辆操纵特征的驾驶疲劳检测分析

本文以脑电识别与车辆操纵特征为切入点,通过模拟疲劳驾驶实验,将脑电识别与车辆操纵特性相结合来检测驾驶员的疲劳状态.通过对脑电信号的S变换分析,发现不同驾驶时刻其变换时频谱图存在显著差异,可用来区分驾驶过程中驾驶员的精神状态,结合车辆操纵特征参数,得到操纵特征与疲劳状态的关系,为脑电识别与操纵特征的驾驶疲劳检测的有效性提供一定的理论和实验基础.     

基于空间结构化推理深度融合网络的RGB-D场景解析

为了弥补RGB-D场景解析中卷积神经网络空间结构化学习能力的不足,本文基于深度学习提出空间结构化推理深度融合网络,内嵌的结构化推理层有机地结合条件随机场和空间结构化推理模型,该层能够较为全面而准确地学习物体所处三维空间的物体分布以及物体间的三维空间位置关系.在此基础上,网络的特征融合层巧妙地利用深度置信网络和改进的条件随机场,该层可以根据融合生成的物体综合语义信息和物体间语义相关性信息完成深度结构化学习.实验结果表明,在标准RGB-D数据集NYUDv2和SUNRGBD上,空间结构化推理深度融合网络分别实现最优的平均准确率53.8%和54.6%,从而有助于实现机器人任务规划、车辆自动驾驶等智能计算机视觉任务.     

基于深度神经网络的无环路由算法

通信网中信息量的迅猛增长,使得网络负载不均衡、 资源利用率低的情况日益加重.当前基于深度学习的智能路由方法在一定程度上克服了此问题,但这些方法在路径选择过程中有一定几率产生环路现象.针对上述问题,提出了一种基于深度神经网络(Deep Neural Network,DNN)的路由方案,利用距离值作为神经网络样本标签,通过...     

基于改进深度Q学习的网络选择算法

在引入休眠机制的超密集异构无线网络中,针对网络动态性增强,导致切换性能下降的问题,该文提出一种基于改进深度Q学习的网络选择算法。首先,根据网络的动态性分析,构建深度Q学习选网模型;其次,将深度Q学习选网模型中线下训练模块的训练样本与权值,通过迁移学习,将其迁移到线上决策模块中;最后,利用迁移的训练样本及权值加速训练神经网络,得到最佳选网策略。实验结果表明,该文算法显著改善了因休眠机制导致的高动态性网络切换性能下降问题,同时降低了传统深度Q学习算法在线上选网过程中的时间复杂度。     

基于深度学习的人脸识别方法研究

作为非接触式生物识别方法之一,人脸识别在诸多情况下被广泛使用。然而,传统的人脸识别方法由于识别准确度低以及在多个场合的应用受到限制,已不能满足目前的需求。文中提出了采用深度学习的方法来实现脸部标志检测和无限制人脸识别。为解决人脸标志检测问题,使用一种深层卷积神经网络的逐层训练方法,以帮助卷积神经网络进行收敛,并提出了一种避免过拟合的样本变换方法;为了解决人脸识别问题,文中提出了一种SIAMESE卷积神经网络,其在不同部位和尺度上进行训练。实验测试显示,ORL和人脸识别算法的精度分别达到了91%和81%。