基于子空间半监督学习线性判别方法的目标跟踪技术研究

文中提出一种基于半监督学习的线性判别方法用于目标跟踪。首先,根据少量的目标图像和背景图像样本,利用增量线性判别分析在子空间中找到最大化标记样本分类间隔的分类面;然后在当前帧采样,获得大量未标记的图像样本并投影到子空间中,通过半监督学习修正分类面,在这些候选目标中找到离目标最近、离背景最远的作为目标在当前帧的状态估计;最后,在分类结果中挑选置信度高的目标图像和背景图像样本加入到训练集中,删除训练集中置信度低的目标图像和背景图像样本,并更新投影子空间的基。实验结果表明,所提方法可以很好地适应目标的各种变化,并获得比基于监督学习方法更好的效果。     

音频信号高维矢量编码算法研究

在音频信号编码中,提出在线性预测编码、SOM神经网络矢量编码以及Huffman编码相结合的声音信号联合编码算法的基础上,通过将声音量化编码算法中原有的2维量化矢量的维数增加,以进一步减小声音信号码率的方法。利用Matlab软件编程进行不同量化矢量维数条件下的声音信号编解码实验。实验结果表明,在保证声音质量的前提下,通过提高量化矢量维数,可使联合编码的最低码率在音频编码格式Opus码率的范围内,且接近Opus码率的下限。文中提出的编码算法可为音频压缩编码的进一步研究提供参考。     

基于BP神经网络的温度传感器辐射误差分析

为了降低太阳辐射对地面温度测量造成的影响,修正太阳辐射误差,文中采用计算流体动力学方法(CFD)仿真得到不同气流速度和太阳高度角下的温度传感器的辐射误差。通过BP神经网络算法对仿真数据进行拟合,获得辐射误差修正方程,实现对测量的地表温度的修正。BP神经网络的拟合结果和仿真结果的均方根误差值为0.05℃。为便于应用该算法求解任意环境参数条件下的温度传感器辐射误差,文中亦设计了一种误差修正软件。     

一种基于深度学习的遥感图像分类及农田识别方法

为解决便于发现我国基本农田被非法侵占的问题,针对现有神经网络收敛速度慢、识别准确率不高的缺点,提出一种基于卷积神经网络的遥感图像农田分类及识别方法。该算法使用较大的卷积核,有效地提取梯度信息;设计深度为6层的卷积神经网络,提高了网络的分类效果,且大大降低了网络的训练次数。实验结果表明,利用该识别模型对农田、建筑、荒漠以及植被的识别准确率达到98.15%,比经典AlexNet网络模型提高了6.1%;训练网络所需的迭代次数由1.49×10~6次左右降低到4 500次。因此,与经典AlexNet网络相比,改进的AlexNet网络用于遥感图像分类和目标图像识别,耗时更短、识别准确率更高。     

基于神经网络算法的人脸识别

本文基于神经网络算法在人脸识别中的应用进行了研究,结果表明当前神经网络算法人脸识别算法分为:卷积神经网络人脸识别、循环神经网络人脸识别。     

深度信念网络在童装样板设计中的应用研究

为了追求童装的时尚化、个性化、品牌化、定制化,满足儿童随着年龄增长对童装的需求,提出采用深度信念网络(DBN)的方法,将儿童相应的各部位尺寸作为输入参数,童装细部规格尺寸作为输出参数,采用CD算法和多层无监督的受限玻尔兹曼机(RBM)训练,引入交叉熵代价函数避免Sigmoid函数曲线变化率接近0时对学习速率的影响,利用改进型BP神经网络的反向传播算法进行整个网络的微调,逐渐逼近童装实际尺寸,建立童装纸样设计的深度信念网络模型。实验结果表明:运用深度信念网络(DBN)进行童装样板设计,有较高的准确度和较高的应用价值。     

基于自适应神经网络的光伏输出功率预测

文中提出了一种基于不同拓扑结构的自适应神经网络(ANN)预测光伏输出功率的方法,建立了一个与数据采集系统协同工作的天气监测系统,利用三种不同类型的自适应神经网络进行功率输出预测。为了研究气候变化对发电量的影响,使用天气数据(气温、太阳辐照度和风速)以及两个测试光伏电池板历史功率输出数据对ANN进行了训练。通过将模型预测值与功率输出测量数据进行比较,计算结果验证了所提方法对短期功率输出预测问题的适用性,并确定了最佳拓扑结构。     

基于正则化卷积神经网络的目标跟踪算法

为了提高目标物体的跟踪鲁棒性和稳定性,文中将L2正则化最小二乘法和卷积神经网络(CNN)相互结合,提出了一种基于正则化卷积神经网络的目标跟踪算法。通过L2跟踪器来评估目标无题被遮挡的程度,利用两层CNN对目标进行目标表示,去除了大部分无关样本,降低了算法的复杂度。实验结果表明,当目标物体发生姿态变化或旋转等剧烈的外观变化时,所提算法具有较强的鲁棒性和稳定性,并且比其他经典的跟踪算法具有更高的精度。     

基于Legendre神经网络的单目视觉相对位姿解算

将BP神经网络、RBF神经网络以及Legendre正交基神经网络应用于单目视觉相对位姿强非线性解算,并且在梯度下降法的基础上推导了Legendre正交基神经网络的最优权值,最后进行了相应的仿真及物理实验.实验结果表明,基于Legendre正交基神经网络的单目视觉相对位姿解算方法不仅精度高、鲁棒性强,而且实时性较好.     

小样本激光切割工艺参数预测模型优化

神经网络强大的非线性拟合能力使其在参数预测方面的应用越来越广泛,在神经网络预测激光切割工艺参数过程中,使用小样本数据训练的神经网络模型存在预测误差大、鲁棒性较低等缺点.因此,提出了一种基于生成式对抗网络的小样本数据处理方法,设计了适用于此问题的基于生成式对抗网络的数据生成模型,对激光切割工艺参数的小样本数据进行扩充,运...