基于多信息深度学习的3D点云语义分割

点云语义分割是三维点云数据处理的基础步骤,是三维场景理解分析、重建和目标识别的关键环节。针对目前对三维点云进行语义分割使用的点云信息少和精度不高的问题,本文在利用点云三维坐标信息的基础上,增加了点云RGB信息和所属房间的归一化坐标信息,从而丰富了神经网络输入端的信息量,进一步提高了模型的分割精度,最后利用PointNet++对改进后的三维点云语义分割效果进行检验,实验表明:在丰富了网络输入端的数据信息后,模型的总体准确度提高了6.65 %。     

粗神经网络的禁止搜索训练算法研究

粗神经网络不仅可以处理明确定量的输入信息,而且可以处理传统神经网络不能处理的语义形式的输入信息.本文给出了一种新的训练方法--基于禁止搜索算法的粗神经网络训练方法.仿真结果表明本文提出的训练算法在收敛速度和网络性能上都有显著提高.     

涡流检测中的组合神经网络模型

针对使用单一神经网络在缺陷识别中存在的输入矢量维数高,结构复杂及训练时间长等问题,本文提出了组合神经网络模型,这一模型采用逐级判别的方法,每级判断均采用独立的神经网络子模块,各模块采用随机学习算法分别进行训练.裂缝识别的计算实例表明,这一组合模型使神经网络输入变量的维数从N²降低到N,网络结构大为简化,训练速度很快,同时具有较高的缺陷识别率,可推广应用于实时涡流检测中.     

基于XLNet-BiLSTM的中文电子病历命名实体识别方法

中文临床电子病历命名实体识别是实现智慧医疗的基本任务之一.本文针对传统的词向量模型文本语义表示不充分,以及循环神经网络(RNN)模型无法解决长时间依赖等问题,提出一个基于XLNet的中文临床电子病历命名实体识别模型XLNet-BiLSTM-MHA-CRF,将XLNet预训练语言模型作为嵌入层,对病历文本进行向量化表示,解决一词多义等问题;利用双向长短时记忆网络(BiLSTM)门控制单元获取句子的前向和后向语义特征信息,将特征序列输入到多头注意力层(multi-head attention,MHA);利用MHA获得特征序列不同子空间表示的信息,增强上下文语义的关联性,同时剔除噪声;最后输入条件随机场CRF识别全局最优序列.实验结果表明,XLNet-BiLSTM-Attention-CRF模型在CCKS-2017命名实体识别数据集上取得了良好的效果.     

基于云模型和改进灰关联算法雷达辐射源识别

针对由辐射源特征参数的不确定性所带来的区间型特征参数辐射源识别问题,提出了一种基于云模型的改进灰关联算法,该算法利用云模型和动态加权算法,有效地解决了特征参数区间交叠的雷达辐射源识别问题。仿真实验表明,该方法是可行的。     

利用侧抑制神经网络的边界识别

讨论利用侧抑制神经网络边界识别的方法。通过对两种类似的一维输入模型矩形和马赫带探讨，阐明侧抑制神经网络能够识别到输入模型的界线。更一般的讨论将该方法推广到二维空间的情况。最终，全部模型都已经在多目的的神经网络环境中模拟，并已经在PC上实现。     

一种基于云模型理论的雷达辐射源识别方法

针对雷达辐射源识别问题,建立了基于云模型和信息融合的识别系统.利用云模型对区间型参数和离散型参数建模,计算被测辐射源的隶属度并将其作为基本概率赋值,运用时域和空域信息融合算法完成辐射源识别,给出了辐射源识别算法步骤,并建立了相应的辐射源识别系统,仿真结果表明所提出的识别算法和所建系统是有效的,并且识别率较高.     

一种基于云模型的辐射源识别方法

该文针对测量参数的不确定所造成的辐射源不能正确识别问题,提出了一种基于云模型的识别方法。该方法首先利用云模型对雷达模板库中区间类型的参数变量进行正态云建模从而得到测量参数的隶属度,然后利用云模型的定性定量转换特性来描述离散型参数变量的调制匹配程度,同时给出了一种确定辐射源识别权值的新方法,能够动态调整各特征参数的权值。仿真结果表明,这种基于云模型的识别方法是适用有效的。     

一种光照不变的人脸识别新方法

本文研究并实现了小波变换,光照商图像与BP神经网络相结合对不同光照条件下的人脸图像进行识别的算法.运用小波变换方法对图像进行降维,运用光照商图像方法对图像进行预去光,运用BP神经网络进行人脸识别;同时讨论了BP网络输入矢量的标准化处理问题、网络隐含层神经元数选取问题,以及对Sigmoid函数和网络学习速率的改进问题.利用Yale Face Database B人脸数据库进行识别实验,结果表明,通过预去光,网络的识别率有了显著提高;本文设计的改进BP网络在与非改进网络得到相同识别率情况下,其收敛速度明显加快.     

基于KPCA和RBF网络的文本分类研究

基于词空间的分类方法很难处理文本的高维特性和复杂相关性,为此文中提出了基于核的主成分分析和径向基神经网络的文本分类算法.首先利用核主成分分析选择合适的核函数从高维特征空间中提取文本向量的主成分,实现了文本输入空间的降维和语义特征空间的抽取,然后在语义特征空间中训练径向基神经网络分类器,并利用训练得到的分类器进行文本分类工作.实验结果表明:核主成分分析不仅实现了降维,而且能在大幅减减少径向基神经网络训练时间的基础上显著提高其分类精度.     

一种云平台下高识别率的手写汉字光学图像识别系统

针对原有手写汉字识别系统中文字特征提取的相关问题,笔者在本篇文章中设计了一类全新的方法,本方法结合卷积神经网对字形相似的字智能化学习有效特征,并且采用了光学图像识别技术,另外,这类方法通过手写云平台中丰富的数据资源对模型进行高效的训练,同时根据频度统计形成特定的相似子集,以此有效的优化识别率。实验结果显示,和原有的支持向量机(SVM)以及最近邻分类器方法进行系统性的对比,本文所论述的方法能够显著提升识别率。     

最小化支持向量数分类器的云检测

针对。感卫星图像的云检测,提出了基于最小化支持向量数分类器的云检测方案,解决传统分类器训练样本多、易陷入局部最优的问题。使用该分类器对QuickBird高分辨率。感图像进行云检测,检测正确率达99%以上。实验表明:在确定分类器内部结构参数过程中,与传统的交叉验证法相比,基于支持向量数的方法不仅能够准确预测分类器推广性能的变化趋势,从而确立最优化的参数组合,并且实现简单,大大减少了计算的复杂度。与传统的BP神经网络相比,该方法所需训练样本少,分类性能好。     

数据库样本缺失下的雷达辐射源识别

目前,基于机器学习的雷达辐射源识别技术大多以训练集和测试集同分布为假设,当雷达数据库样本不足导致与信号真实分布存在偏差时,传统的分类方法效果不佳.为此,将迁移学习理论引入识别系统,设计了一种基于结构发现与再平衡的雷达辐射源信号识别方法.通过对数据库和待识别辐射源信号样本进行聚类分析发现数据结构信息,通过重采样处理修正其分布差异.将新采样数据输入支持向量机进行训练并对侦收样本进行识别.仿真实验表明,在新训练样本集上学习的模型对测试集的分类性能有了很大的提升.     

闭环非线性对象辨识的模糊和神经网络方法

闭环系统的辨识是近年来国内很受重视的研究课题。本文基于闭环对象的历史数据，采用模糊方法构造系统的初始模型，以克服闭环数据稀疏给系统辩识带来的困难，并基于现场数据，采用ＯＬＳ算法对初始模型进行了修正，以提高系统的辨识精度。将这种方法应用于某合成氨过程的实际数据，得到了良好的辨识效果。     

Federated learning based intelligent edge computing technique for video surveillance

With the explosion of global data,centralized cloud computing cannot provide low-latency,high-efficiency video surveillance services.A distributed edge computing model was proposed,which directly processed video data at the edge node to reduce the transmission pressure of the network,eased the computational burden of the central cloud server,and reduced the processing delay of the video surveillance system.Combined with the federated learning algorithm,a lightweight neural network was used,which trained in different scenarios and deployed on edge devices with limited computing power.Experimental results show that,compared with the general neural network model,the detection accuracy of the proposed method is improved by 18%,and the model training time is reduced.     

利用误差逆传播神经网络法识别几种毒品的太赫兹光谱

在采用太赫兹时域光谱(THz-TDS)技术对9种常见毒品进行实验研究并得到它们在0.2～2.6THz频率范围的特征吸收谱的基础上,用误差逆传播(BP)神经网络法对9种常见毒品的太赫兹吸收光谱进行了训练及识别。首先,用9种毒品的太赫兹吸收谱训练已经建立的误差逆传播神经网络;然后,选用与训练光谱不同时间测得的9种毒品的太赫兹吸收光谱作为检测光谱,经过二阶导数预处理之后分别输入到训练好的误差逆传播神经网络中进行识别,识别率达到89%。该误差逆传播神经网络模型采用MATLAB语言编制程序。识别结果充分表明,用误差逆传播神经网络可以实现对不同种类毒品的识别和鉴定,为太赫兹光谱技术用于毒品的检测和识别提供了一种有效的方法。     

基于预报误差法的神经网络辩识

针对传统系统辨识存在的缺点,提出了基于预报误差法的神经网络辨识方法,将神经网络的预报误差法应用于系统辨识中,通过调节神经网络连接权值可使网络输出逼近系统输出。神经网络作为实际系统的辨识模型,可以用于在线控制。仿真实例表明其收敛速度快于BP算法。     

神经网络在系统辨识中的应用研究

系统辨识在工业方面应用广泛，用神经网络进行系统辨识适用于线性系统和非线性系统。对系统辨识及神经网络均作了较为详细的介绍，并以BP网络为例介绍了网络的初始化、训练和仿真函数，给出了网络结构的设计和辨识结果的输出。     

基于深度信念网络的铁路信号设备故障识别

针对现有铁路信号设备故障识别算法特征提取不准确导致正确率偏低的问题,提出了深度信念网络(DBN)的故障识别模型。该模型首先利用无监督训练方法对DBN的多个堆叠受限玻尔兹曼机(RBM)进行预训练,获得网络初始参数;然后,结合铁路信号设备识别问题,构建BP神经网络,利用有标签样本进行反向传播训练,实现网络参数微调。实验结果表明,该模型避免特征提取的人工操作,能够有效实现铁路信号设备故障的准确智能识别。