小波变换与概率神经网络的心电图分类

提出了一种实时高效的心电图分类理论与方法。首先对心电图进行六尺度小波分解,将含有主要噪声的尺度进行系数置零,再将剩余层进行小波重构,从而达到除噪的目的。利用数学形态学定位心电图P、Q、R、S、T波位置,并提取计算各波间距离和斜率等12个特征值作为概率神经网络的输入向量,从而实现心电图的六分类。     

卷积神经网络在图像分类和目标检测应用综述

卷积神经网络具有强大的特征学习能力,随着大数据时代的到来和计算机能力的提升,近年来卷积神经网络在图像识别、目标检测等领域取得了突破性进展,掀起了新的研究热潮。综述卷积神经网络的基本原理,以及其在图像分类、目标检测上的研究进展和典型模型,最后分析了卷积神经网络目前的问题,并展望了未来的发展方向。     

一个基于模糊神经网络的模式分类系统

目前,基于神经网络的分类系统在许多领域得到了越来越广泛的应用。但是,该系统大多采用的是离线自适应机制,即神经网络需学习新的分类知识时,要重新训练神经网络,从而大大增加神经网络的训练时间;对于重叠分类,一般是构成一个贝叶斯分类器。然而,贝叶斯分类器的构成需要关于分类数据的概率密度函数的先验知识,而这些知识常常在模式分类前是难以获得的。为了解决这些问题,文中根据模糊集合理论,提出了一种基于模糊神经网络     

基于卷积神经网络的车辆分类与检测技术研究

车辆分类与检测在智能交通系统、道路交通规划、安全预警、无人驾驶等领域发挥着越来越重要的作用。随着图形处理器(Graphics Processing Unit,GPU)运算能力的增强以及数据量的剧增,以卷积神经网络为主的深度学习成为研究热点。基于LeNet、AlexNet、VGG、GoogLet、ResNet等卷积神经网络,介绍并分析了6种车辆分类方法、8种车辆检测方法及4个用于评估这些方法的数据集,并对车辆分类及检测的研究方向进行了展望。     

基于遗传神经网络的误分类代价敏感网络入侵检测

针对传统的基于遗传神经网络的入侵检测模型未考虑误分类代价的不足,将误分类代价敏感的特征集成到基于遗传神经网络的网络入侵检测模型中,从而克服了传统模型中错误分类时可能导致代价过大的缺点。通过实验结果表明,增加了误分类代价敏感特征后的遗传神经网络能较好地控制网络入侵检测系统误报、漏报攻击时所产生的代价。     

基于卷积神经网络的行人检测技术的研究综述

随着深度学习方法在行人检测领域的深入应用,基于卷积神经网络的行人检测技术在特征学习、目标分类、边框回归等方面表现出的优势已愈发突出。因此,本文从对传统的行人检测方法和基于卷积神经网络的行人检测技术进行优劣比较切入,概述了卷积神经网络的基础构架,以此引出对当前常用的基于卷积神经网络的常见行人检测技术及其优缺点,最后讨论了现有基于卷积神经网络算法实现行人检测存在的不足和指出今后发展方向。     

基于混沌神经网络的分类算法

提出了一种基于混沌神经网络的分类算法,利用改进的进化策略对多个三层前馈混沌神经网络同时进行训练.训练好各个分类模型以后,将待识别数据分别输入,混沌神经网络分类模型输出最终分类结果.实验结果表明,该算法可以较好地进行数据分类,而且与传统的神经网络算法以及决策树算法相比,在分类精度和识别率方面均有一定的改善,体现出较好的稳定性.     

基于卷积神经网络的图像分类模型综述

卷积神经网络在计算机视觉等领域占有一席之地，利用局部连接、权值共享以及池化操作等特性，有效地提取图像的局部特征，降低网络复杂度，具有更少的参数量和更好的鲁棒性，因此，吸引了众多研究者的关注，使分类模型朝着更轻、更快、更高效的方向迅速发展。按照卷积神经网络发展的时间线，介绍了常用的典型网络模型，剖析了其创新点与优缺点，并对其未来的发展方向进行了展望。     

基于深度神经网络的遥感图像分类算法综述

准确、高效的遥感图像分类是遥感图像解析的重要研究内容之一。近年来,随着机器学习技术的发展,深度神经网络日渐成为一种有效的遥感图像分类处理方法。分析了遥感图像分类目前存在的一些问题,并简要阐述了几种典型的深度神经网络的原理结构;然后根据遥感图像分类的研究现状和深度神经网络对遥感图像分类的研究现状,总结了深度神经网络在遥感图像分类技术应用中的发展趋势。     

基于神经网络的植物分类专家系统

本文介绍了植物分类专家系统（ＰＴＥＳ）的设计与实现。该系统采用神经网络知识表示方法表示知识，是一个基于神经网络（Ｎｅｕｒａｌ Ｎ ｅｔｗｏｒｋｓ－ＮＮ）的植物分类专家系统。     

基于PCA-RBF神经网络的DoS攻击分类检测研究

为了提高DoS攻击检测的实时性,提出一种主成分分析(PCA)和RBF神经网络相结合的DoS攻击分类检测方法(PCARBF)。PCA-RBF首先通过PCA降低DoS攻击原始数据的维数,实现数据的最优压缩,然后建立RBF神经网络入侵检测模型。实验结果表明,相对于传统的RBF方法,PCA-RBF具有良好的实时性及分类检测性能。     

基于神经网络的汽车牌照提取研究

汽车牌照的提取是牌照识别的前提,本文主要采用BP神经网络在灰度图像中提取汽车牌照。算法包括在个部分：神经网络的训练,图像的预处理,用训练出的神经网络来提取汽车牌照。     

基于BiGRU深度神经网络的心肌梗死检测

针对目前智能医疗诊断领域的研究现状,结合心电信号的时序性和多导联关联性特点,为降低心肌梗死疾病的误诊率,提出一种基于双向门控循环单元神经网络(Bidirectional Gated Recurrent Unit,BiGRU)和多导联心电图(electrocardiogram,ECG)信号的深度神经网络学习算法。对原始心电信号进行去噪处理,分割成心拍序列;将心拍序列送入深度神经网络训练模型学习分类;采用Physikalisch-Technische Bundesanstalt(PTB)心电数据库验证多导联BiGRU算法。算法对心梗检测的灵敏度为99.93%、特异性为99.72%、准确率为99.89%。实验结果表明,该算法的检测效果明显优于其他文献的检测算法,对提高心肌梗死的正确诊断率具有重要意义。     

基于神经网络LMBP算法的入侵检测方法

阐述了基于神经网络LMBP算法的入侵检测方法,在对网络中的IP数据包进行分析处理以及特征提取的基础上,采用神经网络进行训练或判别,以达到对未知数据包进行检测的目的.由传统的BP算法与LMBP算法的分析与比较得到:LMBP算法解决了传统BP算法的收敛速度慢、易陷入局部最小的问题.实验结果表明,LMBP算法的学习速度快,收敛速度快,将这个算法应用于基于神经网络的入侵检测,效果良好,判别准确率高,为实现高效准确的入侵检测提供了一种有效的方法.     

基于径向基神经网络的浮游植物分类系统

应用模糊聚类和小波变换提取浮游植物活体的特征光谱,并以此为输入向量,引入径向基函数网络对浮游植物的光谱进行分类识别,建立了适用于光谱识别的径向基函数神经网络系统.结果表明,该方法较传统的统计方法更方便,识别准确率更高.     

一种轻量级的卷积神经网络的行人检测方法

为了解决传统前端行人检测算法准确率低以及鲁棒性差的问题,提出将前端嵌入式设备与人工智能芯片搭载的轻量级神经网络相结合的方法,以实现在前端嵌入式设备中完成更加准确、稳定的行人检测.针对前端嵌入式设备性能不足的问题,提出一种轻量级卷积神经网络模型,通过对网络框架的重新设计以及使用聚类分析重新定义候选框尺寸的方法,大大减少网络权重以及计算量.实验结果表明:该方法相较于传统行人检测方法有着更高的检测精度,并在嵌入式行人检测加速方面具有显著效果,可达到每幅图片62 ms的检测速度.     

基于ART2-PNN神经网络的网络入侵检测方法

自适应共振理论能够动态地对输入向量进行聚类,概率神经网络使用联合概率密度分布进行分类估计.给出将两者结合使用的算法,并应用到入侵检测中.测试表明,概率神经网络的函数逼近能力和网络性能得到提高,入侵检测系统的漏报率和误报率明显下降.     

基于卷积神经网络的色情图像检测

针对通常使用的色情图像检测方法中难以获取准确的色情图像特征的问题,提出一种以数据为导向基于深度卷积神经网络来获取图像特征的色情图像检测方法。对含色情内容和不含色情内容的图片数据集进行数据增强处理,接着使用Inception模块设计及建立卷积神经网络模型;使用批量随机梯度下降算法训练卷积神经网络获取色情图像特征;使用训练好的模型识别一张图像是否是色情图像。测试集检测正确率达到了99.06%,对比实验表明所设计的网络模型因其参数更少比其他模型更不易过拟合并比其他方法实现了更高的准确率。     

基于LSTM循环神经网络的恶意加密流量检测

加密流量已经成为互联网中的主要流量,攻击者使用加密技术可以逃避传统的检测方法。在不对应用流量进行解密的情况下,网络管理者对传输内容进行深度包解析和恶意字符匹配进而检测恶意通信。针对该问题,在不对流量解密的情况下使用网络层的传输包序列和时间序列识别流量行为,使用过采样方法处理不平衡的黑白样本,基于LSTM循环神经网络建立检测模型。使用清华2017年-2018年边界网关的正常流量数据,在沙箱中采集恶意样本产生的流量数据进行检测实验,结果表明该模型能够较好地检测恶意软件的加密通信流量。