一种卷积神经网络的模型压缩算法

卷积神经网络的研究取得一系列突破性成果,其优秀表现是由深层结构支撑的。针对复杂的卷积神经网络在参数量及计算量上存在大量的冗余问题,提出一种简洁有效的网络模型压缩算法。首先,通过计算卷积核之间的皮尔逊相关系数判断相关性,循环删除冗余参数,从而压缩卷积层。其次,采用局部-全局的微调策略,恢复网络性能。最后,提出一种参数正交正则,促使卷积核之间的正交化,进而减少冗余特征。实验结果表明,在MNIST数据集上,该压缩算法能够在不损失测试精度的前提下,使AlexNet卷积层的参数量压缩率达到53.2%,浮点操作计算量可以减少42.8%,并且网络模型收敛后具有较小的误差。     

基于图信号处理的无线传感器网络异常节点检测算法

针对无线传感器网络（WSN）中传感器自身安全性低、检测区域恶劣及资源受限造成节点采集数据异常的问题,提出一种基于图信号处理的WSN异常节点检测算法。首先,依据传感器位置特征建立K-近邻（KNN）图信号模型;然后,基于图信号在低通滤波前后的平滑度之比构建统计检验量;最后,通过统计检验量与判决门限实现异常节点存在性的判断。通过在公开的气温数据集与PM2.5数据集上的仿真验证,实验结果表明,与基于图频域异常检测算法相比,在单个节点异常情况相同条件下,所提算法检测率提升7个百分点;在多个节点异常情况相同条件下,其检测率均达到98%,并且在网络节点异常偏离值较小时仍具有较高的检测率。     

基于CNN和BLSTM的房颤识别算法

针对传统机器学习算法难以提取复杂心拍特征的弊端,提出一种基于深度学习的房颤识别算法。基于心电信号的一维时序特性,设计一维深层卷积神经网络模型,自动挖掘原始信号预处理后的深层次特征。将适合捕捉时间序列长期依赖关系的双向长短期记忆网络与卷积神经网络进行结合,搭建一种深度学习网络模型。基于PCin CC2017数据库实现对原始心电信号的自动分类,完成对房颤的识别。实验结果表明,该算法以86%的分类准确率和83%的F1度量验证了模型的可行性和算法的有效性。     

基于均值辅助的LSTM网络频谱感知算法

针对传统感知算法在低信噪比时检测性能低和深度学习感知算法网络训练量大、复杂度高等问题,本文提出一种在均值辅助下的长短时记忆网络（Long Short-Term Memory,LSTM）频谱感知算法。具体来讲,首先对接收信号序列做多点均值计算,然后利用所得的均值构造特征向量并作为LSTM网络的输入来训练网络,最后利用训练好的网络对新的接收序列进行感知。仿真结果表明:相比于传统算法,所提算法在检测性能上有较大提升;相对于利用原始接收序列直接训练的深度学习算法,所提算法的复杂度大幅下降。      

自拟柔肝健脾汤治疗抽动—秽语综合征37例疗效观察

目的观察自拟柔肝健脾汤治疗抽动—秽语综合征的临床疗效,同时反证抽动—秽语综合征的核心病机。方法将入选病例均作为治疗组,组中初治病例与西药治疗失败改用本疗法治疗病例对照。结果治愈36例,显效1例,未发现明显毒副作用。结论自拟柔肝健脾汤可用于治疗抽动—秽语综合征,且疗效优于目前西药治疗;抽动—秽语综合征的核心病机为肝弱脾虚。     

保留模体信息的属性二分图神经网络表示学习

目前网络表示学习方法大多针对通过网络,忽略了属性二分网络的特殊性以及网络的模体信息等。为了解决以上问题,提出一种保留模体信息的属性二分图神经网络表示学习方法 MABG。该方法首先通过网络中两节点共同参与形成的蝶形模体数量来调整边的权重,从而构建模体权重矩阵,获得包含模体信息的属性二分网络邻接矩阵。接着采取不同的策略捕捉网络中的显式和属性隐式消息,对于不同类型节点集合间的显式关系采用消息传递机制,对于同类型节点中的隐式关系采用消息对齐机制,同时使用对抗模型最小化输入特征和显式关系表示之间的差异,之后通过级联框架来捕捉高阶信息并得到最终的节点表示。将该模型在四个真实公开的数据集上执行推荐任务并与其他方法进行对比,验证了该模型的有效性。     

HTML5新特性安全研究综述

HTML5是构建Web应用的最新标准,它引入许多新特性来赋予浏览器丰富的功能,但因此也引入了新的安全问题.HTML5安全问题实际由各个新特性的安全问题组成.根据功能差异,对HTML5中的标签与表单、通信功能、离线应用与存储、多媒体、性能与表现、设备访问等新特性的安全性进行了详尽的分析、总结和讨论,指出其蕴含的安全问题及可能的防范方法.然后对现有国内外研究工作进行了总结,进一步将HTML5安全问题归纳为3类：传统威胁延伸、恶意利用、使用不当,为进一步研究提供了思路.最后,指出了HTML5安全研究未来有价值的4个方向：新特性安全性、恶意利用检测、跨平台安全性和新安全应用形式.     

改进YOLO V2的6D目标姿态估计算法

针对目标的三维姿态估计,结合基于深度学习的目标检测模型,提出一种基于改进YOLO V2的6D目标姿态估计算法。通过卷积神经网络提取一幅RGB图像中目标的特征信息;在2D检测的基础上将目标的位置信息映射到三维空间;利用点到点的映射关系在三维空间匹配并计算目标的自由度,进而估计目标的6D姿态。该算法不仅能检测单幅RGB图像中的目标,还可以预测目标的6D姿态,同时不需要额外的后处理过程。实验表明,该算法在LineMod和Occlusion LineMod数据集上的性能优于最近提出的其他基于CNN的方法,在Titan X GPU上的运行速度是37?frame/s,适合实时处理。     

基于LSTM神经网络的频谱感知算法

在频谱感知中经典的能量检测算法在低信噪比时检测性能较低且门限难以估计,基于机器学习的感知算法受限于检验统计量的构造会造成接收信号原有结构信息的丢失。针对这些问题,本文提出一种基于LSTM神经网络的频谱感知方法,首先利用接收信号序列作为神经网络的输入特征向量,然后使用LSTM神经网络进行训练得到分类器,最后使用训练好的模型实现频谱感知。该方法无需估计检测门限值,也无需构造特征向量,仿真结果表明,所提算法在采样点和次级用户更少的情况下仍优于对比算法。