基于CNN、迁移学习和SVM的水下光源识别算法

水下光源作为AUV((Autonomous Underwater Vehicle)近距离视觉定位的目标物体,其识别质量将直接影响到AUV水下近距离对接时的定位精度,为了精准地对水下检测到的光源进行识别,论文提出了一种基于卷积神经网络(Convo-lutional Neural Network,CNN)、支持向量机(Support Vector Machine,SVM)和迁移学习的定位目标光源识别方法.该方法首先将ImageNet上的数据集带入CNN进行训练得到初始的CNN模型,然后基于迁移学习的思想,将采集到的水下光源图像带入模型对参数进行调整,最后去掉模型的Softmax函数,取出处于CNN模型全连接层输出的4096维特征组成特征向量,带入SVM对目标图像进行分类,从而提取出真目标光源,剔除掉伪光源和其他水下目标.结果表明,采用该方法对于水下光源的识别具有较强的鲁棒性和缩放、平移、旋转变换不变性.     

融合自编码降维的改进DNN水利工控网入侵检测算法

为解决工控网异常入侵、水利泵站通信网安全防护的问题.论文提出一种基于深度神经网络的水利泵站工控网入侵数据的检测算法.首先针对泵站工控网内的数据进行预处理,通过自编码算法对数据进行特征提取、降维处理;利用深度神经网络模型结合受限玻尔兹曼机对各类数据进行训练,采用Adadelta算法进行网络模型的参数优化,并由Softmax分类器对工控网数据进行是否合法判别.实验数据集由底层设备实地采集到的水利泵站工控网内流动数据导入到本地数据库.实验结果表明:该方法的准确率对比深度神经网络未改进前的算法提高了3.76％,检测率提高了6.32％,漏报率降低0.5％,从而验证了论文方法的有效性.     

异常声音检测中模型压缩算法研究

深度学习已经在视觉、语音等领域取得了巨大的成功,随着深度学习性能不断的提升,模型的参数也在不断增加.针对如何在保证模型准确度的同时降低模型大小,使其能够部署在物联网设备上的问题,提出了一种异常声音检测模型与模型压缩算法.异常声音检测模型主要包括端点检测、特征提取、卷积检测模型.针对卷积模型较大的问题,提出了一种模型压缩算法,通过计算节点的输入输出权重之和,裁剪对模型影响较小的节点.实验表明,该异常声音检测模型与压缩算法在保持模型准确度的同时,可以一定程度上降低模型的大小.     

基于卷积门循环单元和气象雷达图像的临近降水预报

现有的深度神经网络预测模型主要是通过学习单一高度下的雷达回波图像序列的特征预测未来时间段回波序列.然而,这种模型并不能直接预测目标站点未来一段时间内的降水量.鉴于此,提出了一种基于卷积门循环单元(Con-volutional Gated Recurrent Unit,ConvGRU)神经网络的临近降水预报模型.对目标站点不同高度的雷达回波图像做卷积,同一高度的卷积图像通过GRU(Gated Recurrent Unit)学习云团运动过程中的时序特征,将不同高度时序图像的学习特征聚合到全连接层中进行训练,输出目标站点未来1h～2h的降水量.实验分析表明,该模型在未来1h～2h的降水预报中取得了较好的预报精度.     

基于SSD算法的智能定员检测研究

为了保障企业生产线的安全生产,针对生产线定员检测问题,论文提出了一种基于SSD目标检测算法的生产线定员检测算法,在传统SSD算法基础上优化了小尺寸目标的检测效果.该算法通过在ResNet101网络和添加的卷积层上选取适合的特征层进行提取多尺寸图像特征,然后产生一连串大小固定的边框和相应概率,最后使用非极大值抑制法得到最佳的预测值,实现对生产线人员数量实时监控.论文实验通过对生产线人员检测数据集进行测试,SSD ResNet模型在该数据集上达到了87％的mAP,从人员准确率的角度验证了该算法的有效性.     

基于GA-BP神经网络的产品质量安全风险预警研究

为了解决大数据环境下产品质量风险预警的人工智能化,论文设计了一种基于遗传算法改进BP神经网络算法的产品质量安全风险预警方法.根据产品质量检测项目的风险权重不同,论文建立了基于GA-BP神经网络的质量安全风险预警模型.以智能门锁产品的检测数据进行风险预警实验,实验结果表明该预警方法提高了风险预警的精度和学习效率.     

应用卷积神经网络的陶瓷产品图像检索

卷积神经网络自诞生以来,其研究与应用备受关注。陶瓷产品器型各异且千变万化,基于内容的传统图像检索因"语义鸿沟"不能切实满足应用需要。鉴于卷积神经网络优良的自我学习能力,本文尝试使用卷积神经网络AlexNet模型来提取陶瓷产品图像特征,以丰富图像的语义信息来提高识图准度;使用主成分分析算法对陶瓷产品图像进行降维以提高陶瓷产品的图像检索效率;并通过现有平台的陶瓷产品图像进行图像检索测试验证了其可行性。     

融合注意力机制的学生退课行为预测

近年来,大规模在线开放课程(MOOCs)发展迅速,吸引了学界的广泛关注.用户退课率极高这一问题的长期存在,使得退课行为预测成为了一个重要的研究课题.目前的退课行为预测模型过于依赖传统的机器学习算法.此外,很多研究忽视了MOOCs用户灵活修课的特点,采用时序无关的方法进行预测.针对目前该领域存在的问题,论文提出了一种融合注意力机制的时序预测模型.该模型首先利用长短期记忆网络从原始的时序数据中学习新的时序隐态表示,再使用多个一维卷积神经网络提取隐态中各类特征的时序模式,最后融合注意力机制,使模型能够通过注意力分布值强化有效特征.实验结果表明,该方法的预测能力优于其他方法.     

胶质瘤医学影像分类方法研究

脑胶质瘤是一种常见的原发性颅脑肿瘤。恶性胶质瘤约占原发性恶性脑肿瘤的70%。传统的脑肿瘤诊断方法主要是医生根据磁共振影像和临床症状,以个人经验做出定性的诊断,带有一定的主观性。近年来,计算机辅助诊断技术蓬勃发展。该技术能够更高效、准确地辅助医生进行临床决策。本文采取一种新型的级联各向异性卷积神经网络模型CACNN(Cascaded Anisotropic Convolutional Neural Networks),将胶质瘤的多模态MR图像分割为整个肿瘤、肿瘤核心和增强肿瘤核心这三个等级区域,并在单一特征和多特征结合下对脑胶质瘤图像进行基于VGG模型的良恶性二分类,取得了良好的分类效果。