一种集成卷积神经网络和深信网的步态识别与模拟方法

针对高斯过程的条件受限玻尔兹曼机(Gaussian-based conditional restricted Boltzmann machine, GCRBM)时序模型可以对单一种类的步态时序数据进行很好的预测,但对多类步态时序数据难以识别和预测的问题,提出一种集成卷积神经网络(convolutional neural network, CNN)和深信网(deep belief network, DBN)的步态识别与模拟方法。利用所有类步态数据训练多个不同结构的CNNs模型,利用多类数据训练多个DBNs模型学习低维特征,并通过低维特征训练多个GCRBMs模型。在步态识别与模拟时,CNNs分类器通过投票法确定步态数据的类别;通过识别到的类所对应的DBNs模型低维特征作为对应GCRBMs模型的输入预测目标数据的后期时序低维特征;利用DBNs重构阶段将后期时序低维特征模拟出步态图像。在CASIA系列步态数据集上的试验结果表明:与支持向量机(support vector machine, SVM)、集成DBN和CNN等方法相比,本研究方法的识别率有一定的提高,提出的模型能够根据步态时序预测结果模拟出真实的步态序列图像,证实了模型的有效性。     

深度置信网络对孤立性肺结节良恶性的分类

针对肺部CT图像中孤立性肺结节(SPN)良恶性分类问题,寻求能够有效表示SPN图像的特征,通过适合的分类器实现对SPN良恶性的准确判别。由SPN图像的多分辨率直方图得到768维的特征空间,并将该类特征用于支持向量机(support vector machine,SVM)分类器进行训练,最后取得了令人满意的分类效果。结合深度学习领域中相关知识,将深度置信网络(deep belief network,DBN)用于SPN良恶性分类任务当中。将从肺部CT图像中分割出的SPN图像规整化作为DBN的输入,进行无监督训练;用带有良恶性类标的SPN图像对网络进行微调得到最终的DBN模型;用训练好的DBN模型在测试图像集上进行分类。在实验中选择肺结节患者480例,提取600个SPN图像作为实验数据。将新提出的DBN模型与基于纹理特征和多分辨率直方图特征的SVM模型进行对比,在不考虑医学象征的情况下,DBN模型的识别准确率高达86%,较SVM分类器的分类性能有了显著提升。     

基于能量模型的行人与车辆再识别方法

为了解决行人再识别以及车辆再识别算法中网络训练过程对计算资源的消耗过大且准确率较低的问题,提出基于能量模型的目标分类和度量学习方法. 利用样本特征空间中同类样本的低能量分布特性, 设计对比能量损失函数,形式上表达为训练样本在真实目标类别上的损失函数响应和非目标类别上的响应之差,可以更准确地增大目标响应,抑制非目标响应, 提高了分类准确率,使得同类样本特征更聚集、异类样本特征更远离. 在多个行人再识别和车辆再识别数据集上的测试结果显示, 相对于Soft-max和Triplet混合损失函数, 利用能量模型可以提升网络训练效率,提高目标再识别准确率.     

面向单目视频的非牛顿流体仿真重建

本构模型参数不恰当导致仿真结果与真实视频的视觉效果不一致。对此，提出了一种非牛顿流体仿真重建方法。在模型训练阶段，使用非牛顿流体仿真视频作为输入，学习单帧流体仿真图像的最佳低维潜在空间表示，并在该潜在域中进行帧间预测，采用卷积长短时记忆网络预测未来帧的潜在向量表示。基于逐帧潜在表示编码和帧间时序特征预测本构模型的重建参数。在模型验证阶段，以非牛顿流体单目真实视频为输入，预测流体本构模型参数，实现基于Cross模型的非牛顿流体仿真重建。仿真实验结果表明，使用面向视频的仿真重建方法能够获得比使用基于流变仪测量的重建方法与真实视频更吻合的流体重建结果，在不同时间点均有更高的像素准确率、像素精准率和更符合实际流动的视觉效果。     

基于迁移学习的交互时序数据可视化生成方法

为了解决时序数据间分布不一致的问题,使模式分析更容易应用于其他数据,提出基于迁移学习的交互式时序数据可视化生成方法,将迁移成分分析应用于时序数据提取的特征.将用户在其中一个时序数据上的分析作为标签,在该源域上训练分类器并应用到多个目标域,对多个不同目标域的时序数据的模式进行批量推荐.通过真实的天气数据和轴承信号数据的2个案例分析和专家访谈,验证了利用该方法能够提高时序数据探索的效率,减少数据分布不一致问题带来的影响,体现该方法的有效性和实用性.     

一种新的基于感知轮廓描绘子的自动步态识别方法

通过步态远距离识别人的身份是生物特征识别领域的1个研究热点。文中提出了一种新的基于感知轮廓描绘子的自动步态识别方法。通过检测步态序列中的行人，利用内边界跟踪算法提取出人的二值轮廓，并将其表示成为一维感知轮廓描绘子；使用主成分分析法将步态特征映射到低维特征空间中进行训练和分类，从而实现身份识别。实验结果验证了该方法的有效性。     

适用于水下目标识别的快速降维卷积模型

针对传统卷积神经网络在相对较小的数据集上训练容易过拟合的问题,本文提出一个适用于水下目标识别的快速降维卷积网络模型(FRD-CMA)。该模型基于卷积核与特征图对应关系描述模型在数据集上的注意力,并以此进行快速降维,从而降低模型在小数据集上应用时存在的过拟合风险。FRD-CMA模型支持水下目标辐射噪声的端到端处理,通过提取辐射噪声的声音特征并依照水听器的时序关系进行矢量化处理,可以保持模型源输入特征不被破坏。试验结果表明:相较于之前的水下目标识别任务,FRD-CMA模型识别率提高5%,且模型训练时间缩短30%。     

一种随机隐退DBN的脑电信号识别方法

针对DBN处理小样本脑电信号训练时间长且存在过拟合的问题,提出基于随机隐退的DBN算法对左右手运动想象脑电信号进行分类识别.先对原始脑电数据进行降维预处理,然后输入到随机隐退DBN模型中进行训练,得到最优参数值后进行分类识别.实验结果表明:与CSP、PCA、单一DBN网络等方法相比,基于随机隐退的DBN算法在保持较高识别率的同时,降低了对数据集的训练处理时间,证明了该方法的有效性.最后在智能轮椅平台上验证了该算法的可行性.     

面向开放场景的交通标志识别方法

基于传统深度学习技术实现的道路交通标志识别系统通常遵从完全数据驱动模式,导致它们在真实世界的开放场景中存在性能不稳定和极大的安全隐患．为缓解该问题,提出一种基于道路交通标志设计标准的语义数据集构建方法,并利用零样本学习机制设计一个通用的具备推理能力和可解释性的道路交通标志识别框架,其能够有效应对实践中面临的道路交通标志的动态更新和类别缺失问题．利用国家道路交通标志制定标准来抽象出所有类别的通用属性,并将这些属性信息作为领域知识注入传统数据驱动模型的训练过程中．在领域知识的帮助下,所提基于零样本学习的交通标志识别方法能够比随机预测和传统深度学习模型更准确地识别出训练阶段未见过的交通标志．在中国交通标志数据库（Chinese traffic sign database, CTSDB）和德国交通标志识别基准数据集（German traffic sign recognition benchmark, GTSRB）上的实验结果表明,采用所提方法进行训练后,语义自编码模型在传统零样本学习的设定下,对于训练阶段未曾见过的交通标志的识别准确率分别比随机预测提升了至少29.96%和24.25%.     

基于GA的负相关剪切集成不平衡行为分类研究

基于传感器的人类活动识别(HAR)在健康医疗领域具有重要的研究价值及研究意义。以往的关于传感器人类活动分类识别算法的研究,并没有考虑不同类别行为数据间的不平衡性。为了解决不同行为类别数据间的不平衡性影响算法精确度的问题,此算法采用下采样方法从大类和小类数据集中随机抽取选出若干组数量上相等的两种数据的集合,将多个不平衡数据变成平衡数据。其次,多个平衡数据集上训练多个弱分类器。然后,此算法以弱分类器的负相关和预测精度为代价函数,使用遗传算法挑选出能够使代价函数值最高的弱分类器来构成集成分类器。使集成算法内的弱学习器具有较高预测精度和多样性。最后,此算法使用挑选出的弱学习器构成集成学习器对人的行为进行集成分类。此算法在已有的行为数据集上进行了仿真实验研究,实验结果证明本文提出的基于遗传的负相关剪切集成不平衡行为识别算法相对于传统算法能够有效提高不平衡行为识别的正确率。     

基于多尺度分解和深度学习的锂电池寿命预测

针对目前的剩余寿命预测（RUL）方法存在模型适应性差及预测不准确等问题,提出多尺度深度神经网络的锂电池健康退化预测模型. 通过经验模态分解（EEMD）方法和相关性分析（CA）,将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络（DBN）和长短期记忆网络（LSTM）,分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成,得到锂电池的健康预测结果. 实验结果表明,利用该方法能够有效地对锂电池的健康趋势进行拟合,得到准确的RUL预测结果,性能优于其他典型的预测方法.     

基于Gabor滤波器和深度学习的图像检索方法

针对图像数据库日渐庞大的问题,研究了将特征提取与深度学习相结合进行图像检索的方法,提出了基于Gabor小波变换和受限玻尔兹曼机(RBM)的特征提取和降维模型.将整幅图像划分成局部图像块,利用Gabor滤波器组提取图像特征,通过RBM对特征进行学习和编码,从而实现图像特征的降维处理.采用基于深度信念网络(DBN)和Softmax分类器的图像检索算法,利用Corel图像库进行新方法的图像检索实验,并与其他两种方法进行比较.结果表明,本文方法在准确率、查全率和检索时间上均具有较好的性能,能得到更好的图像检索结果.     

改进深度信念网络在语音转换中的应用

综合考虑语音帧间关系及后处理网络的效果,提出一种改进的基于深度信念网络（DBN）的语音转换方法. 该方法利用线性预测分析-合成模型提取说话人线性预测谱的特征参数,构建基于区域融合谱特征参数的深度信念网络用以预训练模型,经过微调阶段后引入误差修正网络以实现细节谱特征的补偿. 对比实验结果表明,随着训练语音帧数的增加,转换语音的谱失真呈下降趋势. 同时,在训练语音帧数较少的情况下,改进方法在异性间转换的谱失真小于50%,在同性间转换的谱失真小于60%. 实验结果表明,改进方法的谱失真度较传统方法降低约6.5%,且同性别间转换效果比异性间转换效果更为明显,转换后语音的自然度和可理解度明显提高.     

基于改进深度信念网络的燃气轮机故障诊断

针对传统智能诊断方法使用的浅层模型难以准确挖掘信号特征量与对应故障原因之间复杂的映射关系,导致故障诊断精度不高的问题,提出了一种基于深度信念网络(DBN)的燃气轮机故障诊断方法。采用Apriori关联度分析法分析燃气轮机故障模式与故障特征向量之间的关系,生成关联度矩阵;根据关联结果筛选出满足精度的特征向量作为输入,同时结合遗传算法(GA)对深度信念网络的结构参数进行优化,建立了基于GA-DBN的燃气轮机故障诊断模型。最后通过诊断实例验证了所提方法的有效性。     

多尺度残差网络模型的开放式电阻抗成像算法

针对开放式电阻抗成像（OEIT）的图像重建算法存在的成像精度低、对噪声敏感、重建图像伪影面积较大等问题,提出基于多尺度残差网络模型的OEIT算法.该算法利用不同尺寸卷积核的残差块提取边界电压的多尺度特征;在完成特征拼接后,利用卷积实现深层信息融合,得到预测的电导率分布结果.使用有限元法搭建OEIT正问题模型,构造“边界电压-电导率分布”数据集,将所提算法与其他算法在该数据集和实际模型实验中进行比较.结果表明,所提算法使OEIT的重建精度、抗噪能力和定位目标准确性显著提高,并使检测目标的伪影面积缩小.     

注意力卷积GRU自编码器及其在工业过程监控的应用

针对现有故障检测算法难以深入并准确地提取数据内在信息的问题,提出注意力卷积门控循环单元自编码器（CGRUA-AE）深度神经网络和基于CGRUA-AE的过程故障检测方法. 采用卷积门控循环单元（ConvGRU）有效地提取输入数据的空间和时间特征;建立基于ConvGRU的自编码器,采用无监督学习对时间序列数据进行特征提取,引入注意力机制对相应的特征进行加权计算,实现对关键特征的有效选择;分别在特征空间与残差空间上建立基于T ²、SPE统计量的过程监控模型,实现对多元数据有效的特征提取和故障检测. 数值案例和田纳西?伊士曼过程故障检测结果表明,CGRUA-AE具有良好的特征提取能力和故障检测能力,性能优于常用的过程故障检测方法.     

一种深度神经网络SAR遮挡目标识别方法

提出了一种利用深度神经网络的合成孔径雷达图像部分遮挡目标的特征提取和目标识别新方法.该方法首先对合成孔径雷达图像进行预处理,然后提取预处理后合成孔径雷达目标的小波域低频子带图像作为训练数据,最后利用深层稀疏编码模型进一步提取合成孔径雷达遮挡目标的有效特征向量作为目标的特征以完成目标识别.采用MSTAR数据库中的3类目标进行目标遮挡模拟及识别实验.结果表明,新方法可以综合利用遮挡目标的局部和整体结构信息以提高目标的正确识别率,是一种有效的合成孔径雷达遮挡目标特征提取和目标识别方法.     

基于图神经网络的地表水水质预测模型

针对水质数据在时间和空间维度上的复杂依赖关系,提出基于图神经网络（GNN）的地表水水质预测模型. 该模型采用GNN建模地表水水质监测站点在空间上的复杂依赖关系,使用长短时记忆网络（LSTM）建模水质指标序列在时间上的复杂依赖关系,将编码结果输入到解码器中得到预测输出. 实验结果表明,与时间序列分析方法、通用回归方法和一般深度学习方法相比,该模型能够实现23.3%、26.6%和14.8%的性能提升.