基于神经网络的动态规划检测前跟踪算法

针对低信噪比条件下的目标探测问题,提出基于神经网络的动态规划检测前跟踪算法。首先,从原始观测数据中选择训练样本,对神经网络进行权值训练;然后,全部原始观测数据归为两类,将归入杂波集合的数据幅值置零,将归入目标集合的数据进行幅值缩放,改善后续值函数积累效果;最后,提出一种多目标决策航迹回溯算法,对初步回溯的航迹集合进行二次提取,有效降低了航迹回溯过程中的虚假航迹率。仿真结果验证了所提算法的有效性。     

命名实体识别技术综述

命名实体识别是自然语言处理中的热点研究方向之一,目的是识别文本中的命名实体并将其归纳到相应的实体类型中。首先阐述了命名实体识别任务的定义、目标和意义,分析提出了命名实体识别的主要难点在于领域命名实体识别局限性、命名实体表述多样性和歧义性、命名实体的复杂性和开放性;然后介绍了命名实体识别研究的发展进程,从最初的规则和字典方法到传统的统计学习方法再到现在的深度学习方法,不断地将新技术应用到命名实体识别研究中以提高性能;接着系统梳理了当下命名实体识别任务中的若干热门研究点,分别是匮乏资源下的命名实体识别、细粒度命名实体识别、嵌套命名实体识别以及命名实体链接;最后针对评判命名实体识别模型的好坏,总结了常用的若干数据集和实验测评指标,并给出了未来的研究建议。     

云雷达联合微波辐射计的水凝物识别研究

为降低飞机飞行时的积冰风险,利用模糊逻辑算法和神经网络算法对云雷达联合微波辐射计探测数据进行水凝物分类研究.研究结果表明,两种算法均能有效地完成水凝物分类:模糊逻辑算法对退极化比极为敏感;神经网络算法可以区分水凝物是否存在和进行小粒径粒子分类,但对大粒径非球形粒子不敏感.本研究可从水凝物类型的角度对飞机积冰提供预警服务.     

基于机器学习的光纤窃听检测方法

光纤窃听是信息安全的重大隐患之一,但其隐蔽性较高的特点导致筛查困难。针对通信网络中面临的光纤窃听问题,提出了基于机器学习的光纤窃听检测方法。首先基于窃听对传输物理层的影响,设计了 7 个维度的特征向量提取方法;其次通过实验,模拟窃听并收集特征向量,利用两种机器学习算法进行分类检测和模型优化。实验证明,神经网络分类算法的性能优于K近邻分类算法,其在10%分光窃听中可以实现98.1%的窃听识别率。     

基于LSTM神经网络的卫星频谱多门限感知算法

针对在卫星认知通信场景下传统频谱感知算法感知性能低、受通信时延影响大的问题,提出了一种基于长短期记忆(LSTM)神经网络的卫星频谱多门限感知算法。首先构建卫星认知通信模型,其次将仿真数据送入长短期记忆(LSTM)神经网络进行预测感知,采用动量随机梯度下降(SGDM)算法对网络进行更新,然后提出多门限算法对网络输出进行优化,最后与其他神经网络算法作性能对比。该算法无需构建特征值,实验结果表明:在卫星信道条件下,当面对低接收信噪比及低网络迭代次数时,该算法频谱感知性能要优于其他神经网络算法。      

融合注意力机制和连接时序分类的多模态手语识别

连续手语识别的难点之一是手语数据中存在时空维度的冗余信息,以及手语数据与给定标签序列的对齐问题。因此,本文提出一种融合注意力机制和连接时序分类的连续手语识别模型,可以提取手语数据中彩色和深度视频片段的短期时空特征以及手部运动轨迹特征,将三种模态的特征融合后使用空间注意力加权并按照时间顺序输入到双向长短期记忆网络中进行时序建模,以获取长期时空特征,最后利用融合注意力机制和连接时序分类模型的解码网络以端到端的方式实现连续手语的准确识别。本模型在自行采集的中国手语数据集上进行测试,得到了高达0.935的准确率。      

基于AI和O-RAN架构的5G网络容量自适应算法

移动运营商目前正面临流量爆发式增长和增量不增收的双重困境,需求、投资和效能三者处于不均衡状态。5G的到来为网络能力与用户需求的匹配提供了新的解决方案,O-RAN新架构可以有效引入近年来人工智能领域的各项研究成果,在有限的资源下更好地为用户提供服务。基于AI大数据技术对基站容量空时特征分析形成的精准预测,可以指导网络建设、优化和维护资源的投放、形成容量自适应的弹性网络,使得网络能力和用户需求紧密耦合,达到提高资源配置精准性和提升网络资源利用率的目标。     

基于密集连接卷积神经网络的入侵检测技术研究

卷积神经网络在入侵检测技术领域中已得到广泛应用,一般地认为层次越深的网络结构其在特征提取、检测准确率等方面就越精确。但也伴随着梯度弥散、泛化能力不足且参数量大准确率不高等问题。针对上述问题,该文提出将密集连接卷积神经网络(DCCNet)应用到入侵检测技术中,并通过使用混合损失函数达到提升检测准确率的目的。用KDD 99数据集进行实验,将实验结果与常用的LeNet神经网络、VggNet神经网络结构相比。分析显示在检测的准确率上有一定的提高,而且缓解了在训练过程中梯度弥散问题。     

基于卷积长短时记忆网络的心律失常分类方法

心律失常等慢性心血管疾病严重影响人类健康,采用心电信号(ECG)实现心律失常自动分类可有效提高该类疾病的诊断效率,降低人工成本。为此,该文基于1维心电信号,提出一种改进的长短时记忆网络(LSTM)方法实现心律失常自动分类。该方法首先设计深层卷积神经网络(CNN)对心电信号进行深度编码,提取心电信号形态特征。其次,搭建长短时记忆分类网络实现基于心电信号特征的心律失常自动分类。基于MIT-BIH心律失常数据库进行的实验结果表明,该方法显著缩短分类时间,并获得超过99.2%的分类准确率,灵敏度等评价参数均得到不同程度的提高,满足心电信号自动分类实时高效的要求。