基于级联卷积神经网络的高效目标检测方法

目标检测作为计算机视觉的重要研究方向,在智慧城市、无人驾驶等领域的作用越来越重要.传统目标检测算法中,根据交并比(Intersection over Union,IOU)的大小判断正负样本,但较低的IOU会引入噪声,降低检测器的精度;较高的IOU会保留少数高质量样本,造成过拟合;并且推荐区域和检测器的IOU阈值相差过大...     

A Quasi-Newton Neural Network Based Efficient Intrusion Detection System for Wireless Sensor Network

In Wireless Sensor Networks (WSN), attacks mostly aim in limiting or eliminating the capability of the network to do its normal function. Detecting this misbehaviour is a demanding issue. And so far the prevailing research methods show poor performance. AQN3 centred efficient Intrusion Detection Systems (IDS) is proposed in WSN to ameliorate the performance. The proposed system encompasses Data Gathering (DG) in WSN as well as Intrusion Detection (ID) phases. In DG, the Sensor Nodes (SN) is formed as clusters in the WSN and the Distance-based Fruit Fly Fuzzy c-means (DFFF) algorithm chooses the Cluster Head (CH). Then, the data is amassed by the discovered path. Next, it is tested with the trained IDS. The IDS encompasses ‘3’ steps: pre-processing, matrix reduction, and classification. In pre-processing, the data is organized in a clear format. Then, attributes are presented on the matrix format and the ELDA (entropy-based linear discriminant analysis) lessens the matrix values. Next, the output as of the matrix reduction is inputted to the QN3 classifier, which classifies the denial-of-services (DoS), Remotes to Local (R2L), Users to Root (U2R), and probes into attacked or Normal data. In an experimental estimation, the proposed algorithm’s performance is contrasted with the prevailing algorithms. The proposed work attains an enhanced outcome than the prevailing methods.     

一种快速高效的神经网络分类器

提出了一种新型的基于竞争型神经网络的学习算法，该算法综合了竞争型神经网络和层次聚类的特点，通过竞争型神经两络对对象进行初步分类，并在隐含层采用Hcbb学习规则对子类进行关联学习，学习速度快，分类质量好，可以对任意形状、任意大小的簇进行聚类，同时不受噪音的影响，是一种快速高效的分类算法。     

实现人工神经网络知识增殖能力的一种方法

具有知识增殖能力的神经学习系统是人工神经网络发展的一个重要方向,备受研究人员的关注．传统上对神经学习系统知识的增殖或重用研究偏重于对个体网络的改造,根据知识积累和继承的思想,引入自治神经网络(autonomous artificial neural network,AANN)的理念,以此作为构造知识可增殖神经学习系统的基础,利用群体网络的方法成功解决了神经学习系统的拓展和知识增殖问题．AANN和一般神经网络的区别在于其自治能力,采用AANN模块构造的神经学习系统,具有知识增殖能力,其可靠性、可拓展性和灵活性都得到提高．实验结果表明,该方法构造的群体网络系统可有效继承其模块所学习的知识．     

系统故障诊断的一种神经网络方法

该文首先提出一个通用故障示例模型,然后运用一种自适应神经网络学习算法来寻找差错属性与故障类型之间的对应关系,由此对故障进行诊断。因为网络的结构事先并不确定,而是在训练的同时进行同步构造,所以确保了训练后建立网络具有较好的适应性。     

一种基于约束优化的虚拟网络映射方法

虚拟网络映射问题将不同的虚拟网络应用映射到相同的基础设施网络中,这是一个极具挑战性的问题.针对该问题,提出了一种基于约束优化的虚拟网络映射方法,将映射问题分解为节点映射和链路映射两个阶段,其中,前者是将虚拟节点映射到物理节点上,后者将虚拟链路映射到物理路径上,它们都是NP难问题.针对节点映射和链路映射分别提出了node-mapping算法和link-mapping算法.node-mapping算法基于贪婪算法的思想,映射时考虑了物理节点所能提供的资源数量以及物理节点间距离两个因素,该算法能够保证基础设施网络中各节点间的负载相对均衡;同时,通过采用访问控制机制,过滤一些异常的虚拟网络请求,能够有效地提高资源的使用效率.link-mapping算法基于人工智能领域中的分布式约束优化思想,其能够保证得到的解是全局最优的,即映射链路的代价最小.最后,通过模拟实验对该方法进行验证,实验结果表明该方法在求解虚拟网络映射问题时的性能良好.     

一种新的高效轻量级卷积神经网络模型

针对目前食物识别系统中网络模型参数量多、模型较大的问题,提出一种23层结构、参数量只有204k的网络模型,使用基本构造块(7×7、5×5、3×3)生成特征图,用不同感受野的2个池化层来融合卷积层的特征图,再用1×1的卷积核进行非线性组合,然后连接到空间金字塔池化层,最后在softmax分类器中分类.在公开数据集上的实验...     

基于动态BP神经网络的系统辨识方法

本文提出一种简单的动态BP网络,并将其作为并联模型,用于离散非线性动态系统的辨识。仿真结果表明此方法是有效可行的。     

随机模糊神经网络的参数学习算法

在输入和输出信号均有噪声污染的情况下,提出随机模糊逻辑神经网络系统及其参数学习算法,给出了参数学习公式;仿真计算表明本文所提出的算法的有效性,它明显优于没有考虑噪声的模糊逻辑神经网络系统。     

一种新型的神经网络构造方法RCBNN

一个好的神经网络结构可以大大提高它的处理能力和收敛速度，所以神经网络的构造方法一直是人们研究的热点问题。本文利用粗集理论的数据分析能力和决策树对数值属性的分割能力，提出一种基于粗集与决策树的新型神经网络构造方法RCBNN。经试验表明，使用该方法构造的神经网络，具有易于构造、可理解性好、收敛速度快且构造的网络规模较小的特点。     

联想记忆神经网络的一个有效学习算法

提出一种新的联想记忆网络模型的有效学习算法,它具有下述特点:(1)可以全部存储任意给定的训练模式集,即对于训练模式的数目和它们之间相关性的强弱没有限制;(2)最小的训练模型吸引域达到最大;(3)在(2)的基础上,每个训练模式具有尽可能大的吸引域;(4)联想记忆神经网络是全局稳定的.大量的计算机仿真实验结果充分说明所提出的学习算法比已有算法具有更强的存储能力和联想容错能力.     

从数码照片中快速提取植被覆盖度的方法研究

植被覆盖度是反映植被基本情况的指标,是农学、生态学等所关心的一个重要参数。获取地表数码照片并进一步提取植被覆盖度已成为一种最具潜力的对植被覆盖度进行地面测量的手段,而如何快速、准确地从数码照片中提取植被覆盖度信息尚缺乏成熟的方法。通过利用NDI法对数码照片的处理,实现了植被覆盖度的快速提取,同时用监督分类法提取相同数码照片的植被覆盖。通过对两种方法及其计算结果进行精度评价和比较表明,用NDI法和监督分类法估计的植被覆盖度都能够达到较高的准确性,结果可信度高,但NDI法要比监督分类法更自动化和快速,在精准农业作业系统等方面极具实用价值。     

A Method of Accelerating Neural Network Learning

The article presents of accelerating neural network learning by the Back Propagation algorithm and one of its fastest modifications – the Levenberg–Marqurdt method. The learning is accelerated by introducing the ‘single-direction’ coefficient of the change of x for calculating its new values (the number of iterations is decreased by approximately 30%). Simulation results of learning neural networks by applying both the classic method and the method of accelerating the procedure are presented.     

神经网络结构的动态构筑方法

如何决定人工神经网络的适当规模,以往都是通过试探法实现,不但费时,而且无规律可循.文中基于神经网络的基本学习算法,构筑动态网络结构,使之更符合抽取的新的输入、输出特性.讨论了构筑动态神经网络的一种途径.学习是从最简单的网络(无隐含单元)开始,新的单元一步一步补充,直到网络给出一个满意的模拟值.     

一种基于码书映射的高效语音转换方法

为了使机器人在人一机语音交互过程中更为自然,利用语音转换技术改变源语音个性特征（机械音）．进而变化为自然的目标人语音,是一种可行的方案。然而,当前的语音转换主流方法在实时性要求高且内核小的嵌入式机器人中并不适用。引入一种高效的改进型码书转换方法。该方法首先通过匹配线性谱频率参数的相对距离来求取加权系数,进而实现码字的预测重构;其次．对预测的码字进行带宽修正。克服频谱偏移问题。实验结果表明：该方法相比较传统方法,在转换性能相当的条件下,运行时间缩短75％左右。     

神经网络结构的动态构筑方法

如何决定人工神经网络的适当规模,以往都是通过试探法实现,不但费时,而且无规律可循。文中基于神经网络的基本学习算法,构筑动态网络结构,使之更符合抽取的新的输入、输出特性。讨论了构筑动态神经网络的一种途径。学习是从最简单的网络(无隐含单元)开始,新的单元一步一步补充,直到网络给出一个满意的模拟值。     

一种以神经网络为支撑的地下水位预测方法

鉴于地下水位情况对经济生产建设和人们日常生活的重要性,为解决目前地下水位预测研究中存在的预测精度不高和误差较大的问题,基于Elman神经网络和灰度理论,构建一种GMElman模型,并以济源市地下水位为例进行预测。以2014年～2018年该地区地下水位数据为样本,预测出2019年的地下水位情况。分别以GM、Elman和GM-Elman三种不同的模型对相同的样本数据进行分析。实验结果表明：所提出的模型误差较小,预测结果更接近于真实值,为地下水位研究及相关实践提供提供了一种新的有效途径。     

A Neural Network Based System for Efficient Semantic Segmentation of Radar Point Clouds

Neural Processing Letters - The last decade has witnessed important advancements in the field of computer vision and scene understanding, enabling applications such us autonomous vehicles. Radar is...     

破译公钥密码的一种神经网络方法

本文先以ＲＳＡ密码系统为例介绍了公钥密码体制的基本原理，然后概述了ＢＰ神经网络的基本结构及其学习算法，分析了用ＢＰ神经网络破译ＲＳＡ密码的破译原理，给出了ＢＰ神经网络破译器的结构、设计方法和实验结果     

Efficient Online Virtual Network Mapping Using Resource Evaluation

Network virtualization is a promising solution that can prevent network ossification by allowing multiple heterogeneous virtual networks (VNs) to cohabit on a shared substrate network. It provides flexibility and promotes diversity. A key issue that needs to be addressed in network virtualization is allocation of substrate resources for the VNs with respect to their resource requirements and the topologies of the substrate and virtual networks, namely the VN mapping (VNM) problem. Efficient VNM algorithms aim to maximize the number of coexisting VNs, and increase the utilization and revenue obtained from the substrate resources. In this paper, we present an online VNM algorithm (OVNM) that maximizes the number of coexisting VNs leading to good utilization and revenue of the substrate. Using the OVNM algorithm, we estimate the VN mapping and evaluate the associated substrate resources to map the VN within a proper region on the substrate by using the FVN_Sort (first virtual node sorting) function. This improves the probability of a VN mapping success. Furthermore, by mapping the virtual nodes and links in a coordinated fashion, the resource consumption while mapping is minimized. We evaluate the performance of our approach by using simulation, and show that the algorithm has an acceptable run time and leads to a better blocking probability performance, which means more coexisting VNs.