A Method for Improving CNN-Based Image Recognition Using DCGAN

Image recognition has always been a hot research topic in the scientific community and industry. The emergence of convolutional neural networks(CNN) has made this technology turned into research focus on the field of computer vision, especially in image recognition. But it makes the recognition result largely dependent on the number and quality of training samples. Recently, DCGAN has become a frontier method for generating images, sounds, and videos. In this paper, DCGAN is used to generate sample that is difficult to collect and proposed an efficient design method of generating model. We combine DCGAN with CNN for the second time. Use DCGAN to generate samples and training in image recognition model, which based by CNN. This method can enhance the classification model and effectively improve the accuracy of image recognition. In the experiment, we used the radar profile as dataset for 4 categories and achieved satisfactory classification performance. This paper applies image recognition technology to the meteorological field.     

基于卷积神经网络和直接转矩控制的永磁同步电机模型预测转矩控制策略

模型预测转矩控制(MPTC)需要遍历所有备选电压矢量进行预测计算,从中选择最优电压矢量,控制性能良好,但算法计算量大和实时性差。采集MPTC的运行数据离线训练卷积神经网络(CNN),将训练好的CNN代替MPTC进行电压矢量选择。为了解决CNN失控问题,提出了基于CNN控制和直接转矩控制(DTC)的MPTC策略。仿真结果表明,该控制策略可有效解决CNN控制的失控问题,控制效果与MPTC基本相当,转矩和磁链脉动明显低于DTC。     

简要案情的命名实体识别技术

简要案情是公安机关为提高"协同办案系统"录入信息质量,确保信息检索与案件串并工作高效开展而对案情记载的简要描述,其中各类实体间包含了大量与受害者和作案人相关的案情信息.因此,对简要案情文本的深度挖掘是掌握案件始末和分析案情的有效手段之一.简要案情文本中的实体稠密分布、实体间相互嵌套以及实体简称,给准确捕捉案件实体带来了...     

基于深度学习的显微离焦图像法颗粒深度测量

显微成像条件下的三维流场测量是微通道流动等研究的基础,其难点在于颗粒深度位置的测量。由于显微镜头景深极小,成像时通道内大部分颗粒处于离焦状态。本文首先基于几何光学原理分析了显微成像前后离焦 不对称的特点,随后基于Inception V3卷积神经网络搭建了颗粒深度预测模型,并通过光线追踪方法生成粒径 1~10μm的10种颗粒在深度范围-50～50μm内的仿真显微图像,应用深度预测模型对其进行训练及预测,颗粒深度预测结果显示1～3μm颗粒的相对误差在±13%以内,4～10μm颗粒的相对误差小于±5%。最后在微通道中拍摄粒径分别为2.6μm和5μm的聚苯乙烯微球在深度范围-50～50μm内的显微图像,应用同一深度预测模型进行训练及预测,两种颗粒深度预测结果的相对误差分别为小于±15%和±5%。结果表明,所提出的基于深度学习的显微离焦图像法能够有效测量微通道内颗粒深度位置,为图像法流场测量技术增加了新的思路。     

基于无监督域适应的仿真辅助SAR目标分类方法及模型可解释性分析

卷积神经网络(CNN)在光学图像分类领域中得到广泛应用,然而,合成孔径雷达(SAR)图像样本标注难度大、成本高,难以获取满足CNN训练所需的样本数量.随着SAR仿真技术的发展,生成大量带标签的仿真SAR图像并不困难.然而仿真SAR图像样本与真实样本间难免存在差异,往往难以直接支撑实际样本的分类任务.为此,该文提出了一种...     

基于优化卷积神经网络结构的交通标志识别

现有算法对交通标志进行识别时,存在训练时间短但识别率低,或识别率高但训练时间长的问题。为此,综合批量归一化（BN）方法、逐层贪婪预训练（GLP）方法,以及把分类器换成支持向量机（SVM）这三种方法对卷积神经网络（CNN）结构进行优化,提出基于优化CNN结构的交通标志识别算法。其中：BN方法可以用来改变中间层的数据分布情况,把卷积层输出数据归一化为均值为0、方差为1,从而提高训练收敛速度,减少训练时间;GLP方法则是先训练第一层卷积网络,训练完把参数保留,继续训练第二层,保留参数,直到把所有卷积层训练完毕,这样可以有效提高卷积网络识别率;SVM分类器只专注于那些分类错误的样本,对已经分类正确的样本不再处理,从而提高了训练速度。使用德国交通标志识别数据库进行训练和识别,新算法的训练时间相对于传统CNN训练时间减少了20.67%,其识别率达到了98.24%。所提算法通过对传统CNN结构进行优化,极大地缩短了训练时间,并具有较高的识别率。     

卷积神经网络诊断阿尔兹海默症的方法

针对阿尔兹海默症（AD）通常会导致海马体区域萎缩的现象,提出一种使用卷积神经网络（CNN）对脑部磁共振成像（MRI）的海马体区域进行AD识别的方法。测试数据来自ADNI数据库提供的188位患者和229位正常人的脑部MRI图像。首先,将所有脑图像进行颅骨剥离,并配准到标准模板;其次,使用线性回归进行脑部萎缩的年龄矫正;然后,经过预处理后,从每个对象的3D脑图像的海马体区域提取出多幅2.5D的图像;最后,使用CNN对这些图像进行训练和识别,将同一个对象的图像识别结果用于对该对象的联合诊断。通过多次十折交叉验证方式进行实验,实验结果表明所提方法的平均识别准确率达到88.02%。与堆叠自动编码器（SAE）方法进行比较,比较结果表明,所提方法在仅使用MRI进行诊断的情况下效果比SAE方法有较大提高。     

基于卷积神经网络的图文融合媒体情感预测

近年来,用户在社交媒体上越来越多地使用多媒体内容来分享经历和表达情绪。相比单独的文本和图像,融合文本和图像的多媒体内容能够更为充分地揭示用户的真实情感。针对单一文本或图像的情感不明显问题,提出了一种基于卷积神经网络(CNN)的图文融合媒体的情感分析方法。该方法融合图像特征与三个不同级别(词语级、短语级和句子级)的文本特征构建CNN模型,以分析比较不同层次的语义特征对情感预测的影响。在真实数据集上的实验结果表明,通过捕捉文本情感特征和图像情感特征之间的内部联系,可以更准确地实现对图文融合媒体情感的预测。     

基于联合层特征的卷积神经网络在车标识别中的应用

针对现有智能交通系统仅仅通过车牌信息获取车辆信息存在不准确的情况,提出一种基于联合层特征的卷积神经网络(Multi-CNN)进行车标识别。该方法将通过卷积神经网络中不同层提取的特征联合起来,一起作为全连接层的输入,训练获得分类器。通过理论分析和实验表明,与传统的卷积神经网络训练获得的分类器相比,Multi-CNN方法能够减少训练所需计算量,同时将车标识别准确率提升至98.7%。     

改进CNN和Bi-LSTM的集成化装备故障检测研究

集成化装备的故障检测和健康管理（PHM）已成为装备领域研究的重点,但是由于其集成度高,结构复杂,综合性强等特点,采用常规的检测方法常面临信息多源异构,体量浩大,且实时性难以保证的问题,不仅消耗大量的人力物力,而且需要极强的数据分析及管控能力。为保证准确性、实时性和有效性的统一,研究提出一种基于CNN和Bi-LSTM(双向长短记忆网络,Bidirectional short and long memory network)及其优化算法的故障检测算法,构建了Bi-LSTM-CNN-FCM模型,并通过田纳西-伊斯曼化工过程数据集进行验证。在实验过程中通过观察不同激活函数对模型精度和效果的影响选择合适的激活函数,最终确定在卷积层使用tanh激活函数,在全连接层使用relu激活函数。在确定激活函数后对模型不断优化,在模型末端加入FCM聚类算法,提高了故障检测分类的准确率,最后以准确率和损失值为依据,通过与单一的LSTM模型,CNN模型和LSTM-CNN模型对比,证明该模型的优越性。该模型使得故障检测的准确率提升至98.25%,损失值减少至0.0104,在性能上明显优于其他模型。