基于信息熵和深度学习的无参考图像质量评价方法研究*

现有使用卷积神经网络进行图像质量评价的方法,存在训练数据量不足、局部图像块失真分数不能确定等问题。针对这些问题,本文提出了一种基于信息熵的卷积网络训练方法,在考虑信息熵对图像质量影响的基础上,将LIVE数据集中的失真图像进行分块处理,扩大训练集。同时,用分块后的信息熵代表不同分块对失真图像的质量影响程度,并根据该信息熵对卷积神经网络的损失函数进行了调整。实验结果表明,本文提出的模型预测结果更为接近人类视觉感知。     

超量外存地表模型的实时绘制技术

提出一种分块策略对规则网格进行区域分割,采用空间填充曲线对分块内网格点进行多分辨率排列,并基于分块多分辨率对地形网格实时调度和页面预取．文中算法利用块模型进行分块视域剔除和分块LOD场景渲染．在多线程分块多分辨率调度和渲染策略下,大大减少了模型的I／O负载,可以在有限环境下满足实时场景绘制要求．     

基于BP神经网络和多重特征的色情图像检测方法

本文提出了一种基于BP神经网络和多重特征的色情图像检测方法。用已知色情图像块作为BP神经网络的训练样本,再对待检测图像进行分块操作,并提取每个图像块的纹理、形状和颜色特征信息,并使用神经网络进行分类检测。经matlab实验仿真,本算法对色情图像的检测精度可以达到85%。     

基于BP神经网络和多重特征的色情图像检测方法

本文提出了一种基于BP神经网络和多重特征的色情图像检测方法。用已知色情图像块作为BP神经网络的训练样本,再对待检测图像进行分块操作,并提取每个图像块的纹理、形状和颜色特征信息,并使用神经网络进行分类检测。经matlab实验仿真,本算法对色情图像的检测精度可以达到85%。     

多分块主色与权值矩阵反馈的图像信息检索系统

图像检索是信息检索的重要内容。为了提高基于内容的图像检索效率．在主色调较明显的图像检索中,提出多分块策略算法;多分块及分块匹配便于控制检索的粒度．以及定位表现内容的主题画面。在此基础上加入分块的权值反馈进行多次检索可捕获用户意图．提高检索精度。在分析分块策略、颜色空间选取、矢量量化改进,权值矩阵更新等技术基础上,实现检索系统原型并进行对比实验。在“媒体眼中的广州”主题新闻数据库中的检索应用表明．多分块主色结合相关反馈相比全局检索和简单的分块直方图累加检索方法．提高图像检索的查准率．     

基于多尺度轻量级对抗神经网络的人口流量的统计分析研究

针对人口流量统计数据存在精确低等缺点,提出了一种多尺度轻量级对抗神经网络的人数统计方法,该神经网络通过多尺度CNN层与Mobilenet V3层的结合、基于Resnet-50残差网络的分块判别器模型设计和郊狼算法的优化参数等措施提高了神经网络的精度,仿真实验说明该文算法在算法精度上相比于CNN算法具有一定的优势,具有较...     

结合优先度排序神经网络的样本点分块拟合研究

样本点拟合是动态构造神经网络应用的重要研究领域。从输入输出映射的角度,依赖输出样本点优先关系,结合优先度排序神经网络把输入样本集合划分为不同子集,动态构造优先度排序神经网络对各个子样本集进行映射,对样本点进行分块并行神经网络构造,提高神经网络的训练速度。最后,通过对不同类型样本集进行测试,实验结果表明该算法能有效地减少拟合误差。     

一种基于目标域的车牌图像混合压缩方法

主要研究了对车牌图像进行压缩的方法.根据车牌的特点,先对其进行基于目标域方法的分块,随后采用小波变换和BP神经网络的混合方法对图像进行压缩.结果表明了该方法的高效性.     

基于分块的有遮挡人脸识别算法

随着深度学习技术的发展,人脸识别在受控环境下的准确率已经达到了非常理想的效果。然而,真实环境下获取的人脸图像往往因为遮挡而难以识别。针对遮挡条件下的人脸识别准确率不高、稳定性差的问题,结合传统的人脸分块和深度卷积神经网络,提出一种基于分块的有遮挡人脸识别算法。基于人脸特征点定位的结果进行人脸分块,使用一种改进的轻量级卷积神经网络进行各个人脸区块的特征提取;利用多分类网络结合输入区块的额外信息进行人脸区块的遮挡判别;结合人脸块特征与遮挡二分类判别结果获取表征遮挡人脸的特征。实验结果表明,经过以上步骤提取出的特征对遮挡具有较强的鲁棒性,并且在满足一定的条件下,即使人脸由大面积遮挡也能在实验数据集上保持94%的准确率。     

提升小波在木材颜色特征提取上的应用

在总结以往研究的基础上,结合图像分块理论,提出一种新的木材颜色特征提取方法.该方法基于提升小波变换提取木材表面的颜色信息,最终形成12个特征参数.为了验证特征提取的有效性,采用了径向基函数神经网络、概率神经网络和支持向量机三种分类器,最终实验仿真的分类效果很好,验证了这种新的颜色特征提取方法的有效性.     

基于自适应并联结构神经网络的交通流量预测

由于现有优化算法在全局优化方面的局限性,导致神经网络需要多次训练才能获得满意的结果。为了解决神经网络训练中的一致性问题,文章提出了一种自适应并联结构神经网络（Adaptive Parallel Structure Neural Network, APSNN）。APSNN由多个神经网络单元并联组成,在训练过程中,采用常规优化算法对各神经网络单元进行训练。神经网络单元的训练样本由上一级神经网络单元的训练残差构成,通过训练残差在各神经网络单元中的单向传递,实现训练残差的逐级减少。神经网络根据训练残差,决定是否进行神经网络单元级联和结构扩张,从而保证训练结果的一致性。文章对5种非线性函数进行了神经网络逼近测试。与BP神经网络相比较,APSNN在50次不同初始条件下,训练精度十分稳定,具有很好的一致性。为了实现对交通流量预测,文章将APSNN与BP神经网络和小波神经网络进行了对比研究,结果表明：APSNN的预测总体标准差均小于BP神经网络和小波神经网络,交通流量的预测偏差较BP神经网络和小波神经网络分别降低2.7%和9.7%。     

人工神经网络模型发展及应用综述

人工神经网络与其他学科领域联系日益紧密,人们通过对人工神经网络层结构的探索和改进来解决各个领域的问题。根据人工神经网络相关文献进行分析,综述了人工神经网络算法以及网络模型结构的发展史,根据神经网络的发展介绍了人工神经网络相关概念,其中主要涉及到多层感知器、反向传播神经网络、卷积神经网络以及递归神经网络,描述了卷积神经网络发展当中出现的部分卷积神经网络模型和递归神经网络中常用的相关网络结构,分别综述了各个人工神经网络算法在相关领域的应用情况,总结了人工神经网络的未来发展方向。     

GA-BP和GA-RBF网络在结构损伤分析的比较

引出了当人工神经网络算法解决结构工程实践问题时,网络结构本身所面临缺陷。描述了人工神经网络和遗传算法的概念,以及二者的长处和关系,从理论和实例上说明了运用遗传算法优化和改进神经网络结构可行性,从而结合二者的长处解决工程实践问题。详细阐述了如何利用遗传算法优化或改进BP网络模型和RBF网络模型,以及如何利用遗传优化BP网络和遗传优化RBF网络模型分析结构损伤,从而比较遗传BP网络和RBF网络在结构损伤分析方面的性能。     

基于一维卷积神经网络深度学习的工业过程故障检测

针对化工过程的非线性和动态性,以TE过程为背景,应用深度学习中的一维卷积神经网络算法对TE过程进行故障检测,解决了BP神经网络算法用于故障检测时测试识别率低的问题。用训练数据集分别对BP神经网络模型和一维卷积神经网络模型进行训练,将测试数据集输入已经训练好的神经网络,最后统计出了BP神经网络模型和卷积神经网络模型对故障的识别率。仿真结果表明BP神经网络和卷积神经网络对故障的检测具有较好的效果,但BP神经网络算法收敛速度慢,很容易就陷入局部最小值,从而会导致整体的检测性能下降,而卷积神经网络构建出的一维卷积模型能很好地解决存在的问题,通过比较充分体现了卷积神经网络在故障检测方面的优越性。     

A primal-dual neural network for online resolving constrained kinematic redundancy in robot motion control.

This paper proposes a primal-dual neural network with a one-layer structure for online resolution of constrained kinematic redundancy in robot motion control. Unlike the Lagrangian network, the proposed neural network can handle physical constraints, such as joint limits and joint velocity limits. Compared with the existing primal-dual neural network, the proposed neural network has a low complexity for implementation. Compared with the existing dual neural network, the proposed neural network has no computation of matrix inversion. More importantly, the proposed neural network is theoretically proved to have not only a finite time convergence, but also an exponential convergence rate without any additional assumption. Simulation results show that the proposed neural network has a faster convergence rate than the dual neural network in effectively tracking for the motion control of kinematically redundant manipulators.     

基于神经网络的PID自整定控制系统

文章介绍了一种应用神经网络技术建立的PID自整定控制系统,给出了系统结构,详细分析了BP神经网络和RBF神经网络的结构和学习算法。该系统采用3层BP神经网络,其输出为PID控制器的参数;通过变结构的RBF神经网络辨识控制对象,将得到的输出对输入的梯度信息提供给BP神经网络,BP神经网络根据该信息优化PID控制器参数。仿真结果表明,该系统对于参数扰动较大的非线性系统,其收敛速度快、动态响应能力强、稳定性好,且具有较强的鲁棒性和适应性。     

Medical image diagnosis of lung cancer by multi-layered GMDH-type neural network self-selecting functions

In this study, a revised Group Method of Data Handling (GMDH)-type neural network self-selecting functions is applied to the computer aided image diagnosis (CAD) of lung cancer. The GMDH-type neural network algorithm has an ability of self-selecting optimum neural network architecture from three neural network architectures, such as sigmoid function neural network, radial basis function neural network and polynomial neural network. The GMDH-type neural network also has abilities of self-selecting the number of layers, the number of neurons in hidden layers and useful input variables. This algorithm is applied to CAD of lung cancers, and it is shown that this algorithm is useful for the CAD, and is very easy to apply to practical complex problems because optimum neural network architecture is automatically organized.     

基于小波混沌神经网络的语音识别*

基于语音信号的时变特性,提出了一种新型神经网络语音识别方法——小波混沌神经网络方法,即把小波变换和混沌特性引入到神经元,构成小波混沌神经网络,将这种神经网络用于语音识别,并与常用的BP神经网络识别方法进行了比较。实验结果表明,小波混沌神经网络的平均识别率要高于同等条件下常用的神经网络方法的识别率。     

A general projection neural network for solving monotone variational inequalities and related optimization problems

Recently, a projection neural network for solving monotone variational inequalities and constrained optimization problems was developed. In this paper, we propose a general projection neural network for solving a wider class of variational inequalities and related optimization problems. In addition to its simple structure and low complexity, the proposed neural network includes existing neural networks for optimization, such as the projection neural network, the primal-dual neural network, and the dual neural network, as special cases. Under various mild conditions, the proposed general projection neural network is shown to be globally convergent, globally asymptotically stable, and globally exponentially stable. Furthermore, several improved stability criteria on two special cases of the general projection neural network are obtained under weaker conditions. Simulation results demonstrate the effectiveness and characteristics of the proposed neural network.     

图神经网络推荐方法研究

图神经网络因其特性在许多应用领域展露锋芒,将图神经网络与推荐相结合成为研究热点之一.在推荐中使用图神经网络方法,能够在复杂环境中显著提高推荐的水平.对图神经网络的方法、个性化推荐和群组推荐分别进行总结介绍;对基于图神经网络的推荐方法进行概述,重点对图神经网络及其近年来在推荐领域的研究成果进行归纳总结;分析了推荐研究现状...