一种基于CNN的混叠光谱解调算法及FPGA实现

为了解决光纤布拉格光栅(FBG)传感网络的光谱信号混叠问题,基于现场可编程门阵列(FPGA)提出了一种利用卷积神经网络(CNN)模型的混叠光谱信号解调算法,并对其进行硬件实现与加速。通过对模型参数进行定点数量化,压缩网络模型的存储空间,提高FPGA中DSP资源的利用率;利用循环展开和数组重排等硬件优化方法,提高了系统实时性,确定了算法的并行计算方案。研究结果表明,在100 MHz的时钟下,测试集解调精度为1.19 pm,推理速度为每帧14.96μs,光谱解调速率为60 kHz,对于FBG混叠光谱信号解调具有较高的精度和速率。     

基于深度卷积神经网络算法改进

深度卷积神经网络在近年发展迅速,特别是在深度学习被提出来后。但在真实的人脸检测中,大的视觉变化,如背景,照明等,需要一种精确的判别模型来区分人脸和背景。于是,本文给出基于深度卷积网络算法的改进。     

基于卷积神经网络的遗传算法密码分析适应度函数

遗传算法是密码分析的一种有效方法。遗传算法中适应度函数至关重要,直接影响到遗传算法的收敛速度以及能否找到最优解。在基于遗传算法的密码分析中,适应度函数主要基于语言字符频率统计特征。由于n-gram的统计字符仅包括26个英语字母,当密码字符集包含特殊字符或数字时,该方法效果不佳。提出一种新的基于卷积神经网络的遗传算法适应度函数,其基于卷积神经网络用于文本分类的原理。实验证明所提出的方法对经典密码分析是一种有效的方法。     

基于结构保持的星载SAR图像超分辨重构算法

星载合成孔径雷达（SAR）可以实现全天候、全天时、大幅宽的对地观测,但受天线尺寸和数据有损传输影响,高分辨率SAR图像的获取十分困难。针对该问题,提出一个基于结构保持的图像超分辨重构网络（SP-SRNet）,以实现SAR图像从低分辨（LR）图像到高分辨（HR）图像的重构：使用一个轻量级深度卷积神经网络提取图像梯度图特征,为超分辨重构网络提供更多的结构信息;设计一个由像素损失和梯度损失组成的多目标函数优化SP-SRNet。利用ICEYE公司卫星高分辨SAR图像,采用双3次下采样算法构建SAR图像的LR-HR数据集,并在该数据集运用多种现有算法对比仿真验证。结果表明,提出的SP-SRNet在定量评估指标和主观视觉上均优于现有的超分辨重构算法。     

基于卷积神经网络的5G网络HTTP/2协议低速DoS识别方法

当前,为满足多种应用场景的各项指标需求,5G网络引入HTTP/2协议以提高网络功能数据传输速率和并发能力,然而针对HTTP/2协议的低速DoS攻击具有流量峰值低、攻击过程隐蔽等特点,严重威胁网络安全。通过分析现有低速DoS攻击原理和识别算法的不足,提出一种基于卷积神经网络的HTTP/2协议低速DoS识别方法。首先,提取HTTP/2控制帧字节级别数据构建流量特征灰度图;其次,设计具有卷积计算、池化降维和全连接dropout的卷积神经网络,并将特征灰度图输入到神经网络中训练调优;最后,将训练好的模型用于低速DoS流量识别。仿真结果表明,所提方法在分类准确性、泛化性等方面优于现有识别分类算法,为5G网络安全提供更好的防护。     

基于深度神经网络的综采工作面视频目标检测

综采工作面环境较复杂,地形狭长,多目标多设备经常出现在同一场景当中,使得目标检测难度加大。目前应用于煤矿井下的目标检测方法存在特征提取难度较大、泛化能力较差、检测目标类别较为单一等问题,且主要应用于巷道、井底车场等较为空旷场景,较少应用于综采工作面场景。针对上述问题,提出了一种基于深度神经网络的综采工作面视频目标检测方法。首先,针对综采工作面环境复杂多变、光照不均、煤尘大等不利条件,针对性挑选包含各角度、各环境条件下的综采工作面关键设备和人员的监控视频,并进行剪辑、删选,制作尽可能涵盖工作面现场各类场景的目标检测数据集。然后,通过对YOLOv4模型进行轻量化改进,构建了LiYOLO目标检测模型。该模型利用CSPDarknet、SPP、PANet等加强特征提取模块对视频特征进行充分提取,使用6分类YoloHead进行目标检测,对综采工作面环境动态变化、煤尘干扰等具有较好的鲁棒性。最后,将LiYOLO目标检测模型部署到综采工作面,应用Gstreamer对视频流进行管理,同时使用TensorRT对模型进行推理加速,实现了多路视频流的实时检测。与YOLOv3、YOLOv4模型相比,LiYOLO...     

基于小波变换和改进卷积神经网络的刚性罐道故障诊断

现有刚性罐道故障诊断方法有的仅适用于小样本数据集,有的虽适用于大样本数据集,但忽略了实际工作环境中的多工况背景。基于卷积神经网络的刚性罐道故障诊断方法存在数据和运算量庞大,易产生过拟合等问题。针对上述问题,提出了一种基于小波变换和改进卷积神经网络的刚性罐道故障诊断方法。首先,在刚性罐道设置错位与间隙2种缺陷,采集多工况下提升容器振动加速度信号。其次,利用小波变换将采集的振动加速度信号转换为二维时频图像,采用试凑法最终确定经Complex Morlet小波基函数处理后的二维时频图像的时间和频率分辨率最佳。然后,通过改进卷积神经网络模型结构,即保留第1层和第5层池化层,将第2,3,4层池化层替换为小尺度卷积层,以防止过拟合现象。最后,将二维时频图像输入改进后的卷积神经网络模型。实验结果表明:(1)改进模型经过训练后,在训练集上的平均准确率为99%左右,在测试集上的平均准确率为99.5%。(2)当数据训练至200步后,改进模型的准确率达99%以上,改进模型的损失函数值趋近于0,说明改进模型收敛性能较好,模型的泛化能力得到了增强,在学习过程中对于过拟合的抑制效果明显。(3)在验证集混淆矩阵上,...     

基于全卷积神经网络的输送带撕裂检测方法

针对现有输送带撕裂检测方法存在井下可见光成像质量差、缺少撕裂物理尺寸测量手段、泛化能力差等问题,提出了一种基于全卷积神经网络的输送带撕裂检测方法。该方法基于线结构光成像原理采集图像,可有效解决煤矿井下光照条件差的问题;采用改进最大值法进行线激光条纹检测,可有效排除条纹断点,精确提取条纹,并拟合出缺失点;选用全卷积神经网络中的U-net网络对线激光条纹进行撕裂分割,将撕裂检测问题转换成语义分割问题,并通过降维对U-net网络进行优化,从而减少参数量和计算量;将分割结果反投影回原始图像,利用线结构光标定数据完成撕裂物理尺寸测量。实验结果表明：改进最大值法可有效处理线激光条纹断点区域,无误检和漏检,性能优于Steger法和灰度重心法;U-net网络收敛速度快于SegNet和FCNs网络,迭代的稳定性较强,评价指标最优,U-net4网络性能优于U-net3和U-net5。在验证集上的检测结果表明,撕裂检测的召回率为96.09%,精确率为96.85%。在实验平台的测量结果表明,撕裂物理尺寸测量的最大相对误差为-13.04%。     

基于多尺度卷积神经网络的恶意代码分类方法

恶意代码文件大小差异巨大,使用传统卷积神经网络对其可视化图像进行训练时会因分辨率调整导致大量信息丢失。为此,文章提出一种基于多尺度卷积神经网络的恶意代码分类方法。该方法首先将不同大小的恶意代码生成为多种特定分辨率的图像;然后利用DenseNet网络提取特征,避免因调整至同一分辨率导致信息损失;最后通过空间金字塔模型处理多尺度特征,进而训练分类模型。实验结果表明,该方法有效提高了恶意代码分类性能。     

融合多重风格迁移和对抗样本技术的验证码安全性增强方法

验证码对于防御Web服务的自动攻击具有重要作用,但面对具有自动识别技术的破解工具时,难以实现有效的安全保护。如果采用高度失真等方式增强验证码的安全性,会使验证码失去原来的形状,导致人眼也难以识别。文章提出一种融合多重风格迁移和对抗样本技术的验证码安全性增强方法,在保留原有内容的同时利用多重风格迁移方式抵御未知的机器识别,再通过对抗样本技术攻击已知的常见模型,从而欺骗神经网络。在文本验证码数据集上的实验结果表明,文章提出的生成算法具有更低的机器识别率,有效提高了文本验证码的安全性。