基于残差网络的海洋温跃层分析方法

首先, 以世界海洋地图集2013（WOA13）海洋数据为实验数据, 提出将不等距微分法、 垂直梯度法应用于海洋数据预处理、 海洋区域划分和跃层分析中, 并通过对多种神经网络在基于WOA13海洋三维数据二分类实验的性能分析, 选取残差网络作为二分类实验的网络模型, 在三层残差网络模型基础上增加了Dropout保留层以防止过拟合. 其次, 将残差网络模型用于温跃层分析判定, 并针对改进模型进行超参数优化、 残差单元改进、 保留率调整等对比实验. 实验结果表明, 改进的ResNet 26网络对WOA13海洋区域数据的温跃层数据分类有效, 分类准确率超过94%.     

基于深度残差网络的车标识别

针对车标识别准确率的问题, 提出一种基于ResNet-18模型改进残差网络的车标识别算法. 首先, 利用残差网络并对其进行改进, 使用改进的线性修正单元Leaky ReLU激活函数代替原激活函数; 其次, 调整传统的残差网络结构, 将批量标准化和激活函数放在卷积层前, 并减少网络参数以加速网络训练. 实验结果表明, 改进后的残差网络模型识别准确率达99.8%.     

基于RF-BiLSTM-Attention音乐分类方法的京剧二分类仿真

为了普及国粹京剧，本研究提出一种将随机森林（Random Forest，RF）耦合注意力（Attention）机制和双向长短时记忆（BiLSTM）网络的音乐分类方法RF-BiLSTM-Attention，使用其进行京剧与其他类型音乐的二分类（以下简称“京剧二分类”）。首先，提取音乐所有光谱特征，利用RF选择重要特征；然后，在BiLSTM网络的隐藏层与输出层之间嵌入注意力层，对数据进行分类训练与预测。用来自大众音乐平台和GTZAN数据集的1 500首音乐进行京剧二分类实验，对比RF对循环神经网络（RNN）、长短时记忆（LSTM）网络、BiLSTM等9种模型的影响，结果表明：RF-BiLSTM-Attention模型的分类准确率为89.00%，运行时间为33.22 s，比简单模型中表现最好的RF-BiLSTM模型的分类准确率提高3.33%，运行时间缩短40.54%；比原始BiLSTM-Attention模型的分类准确率提高6.33%，运行时间缩短96.89%。与传统音频分类工作相比，本研究考虑了京剧二分类问题，对京剧起着良好的推广作用。     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

基于联邦学习的网络异常检测

作为一类网络安全的基础研究,网络异常检测技术目前还存在检测准确率低、误报率高以及缺乏标签数据等问题。为此提出一种融合联邦学习和卷积神经网络的网络入侵检测分类模型（CNN-FL）,可有效解决多个参与者在不共享隐私数据的情况下进行一个全局模型的协作训练时所带来的问题。该模型无需汇集模型训练所需要的数据进行集中计算,只是传递加密的梯度相关数据,即可利用多源数据协同训练同一模型,并解决缺乏标签数据的问题。随后将该模型应用于二分类和多分类方法中,并在同一基准数据集NSL-KDD上进行了实验比较与分析,实验结果表明,与其他研究方法相比,所提CNN-FL分类模型在二分类以及多分类中具有较高的识别性能和分类精度。     

基于多任务模型的乳腺癌病理图像分类

基于卷积神经网络提出了一种多任务模型将乳腺癌组织学图像分为良性与恶性及其子类.该模型是多任务模型,任务一将病理图像分为良性与恶性,任务二将图像分为良性与恶性的子类.模型总的损失函数是两个分类任务损失函数的加权和.该模型采用卷积层和全局平均池化层替代末端全连接层作为分类层,应用数据增强方法提升模型的性能.模型使用乳腺癌病理图像数据集BreaKHis进行消融实验并与VGG16模型进行对比.实验结果显示:提出的模型能够取得更好的性能,在二分类上达到了98.55%～99.52%的分类准确率,在多分类上达到了92.26%～94.85%的分类准确率.     

基于残差超网络的DNA微阵列数据分类

DNA微阵列数据特征维度高,包含噪音,属性之间以及属性与样本类别之间有着复杂的关联性.然而传统超网络的超边一般是从训练集中随机选取属性而组成,难以保证超边质量,而且其分类性能受超边初始化过程影响很大,导致效果不稳定.针对传统超网络的这一局限,提出一种基于残差分析的超网络分类模型.残差算法根据显著性检验,首先假设属性相互独立,然后根据95％的置信水平,运用残差分析,用落入拒绝域的属性值对超网络的超边库进行初始化,以获取关联性较高的超边集合.然后采用梯度下降法进行超网络的演化学习.对急性白血病、前列腺癌和肺癌数据集的实验表明:与传统演化超网络分类器相比,该方法不仅有较高的分类精度,而且提高了分类的稳定性和收敛性.     

基于参数优化残差网络的皮革缺陷分类

针对皮革缺陷分类存在误判、成本较高及目前关于皮革缺陷的研究主要是针对皮革做缺陷检测,未进行缺陷分类的问题,采用一种参数优化的残差网络来实现皮革缺陷的自动分类。首先通过多层卷积、池化操作进行特征提取,并引入残差模块解决深层网络的梯度消失问题;然后依据所提取特征进行缺陷分类;最后根据皮革数据集优化关键网络参数,使用数据增强方法对数据集进行扩充,有效避免了网络模型因样本不足易产生过拟合的问题。实验结果表明该方法可对皮革缺陷进行有效分类,分类精度达到92.34%。     

基于自适应阈值的自主水下机器人温跃层探测方法研究

海洋温跃层是一种重要的海洋现象。基于自主水下机器人(autonomous underwater vehicle,AUV),提出了一种梯度阈值可调的温跃层探测方法,其阈值可根据海洋温跃层分布特性自适应修改,同时针对AUV温跃层探测中水体分层厚度选取的问题,提出了一种根据温度梯度峰值点个数自主确定其大小方法,可实现AUV完全自主探测温跃层。根据AUV外场实验数据,同峰值法、平均梯度法以及最优分割法进行了比较分析,结果表明此方法简单、有效。     

一种基于聚类算法的网络入侵检测应用

针对网络入侵检测与聚类等问题,提出了一种综合模糊聚类与改进的SOM神经网络方法.通过对网络入侵数据提取、分析和处理,建立了网络入侵检测聚类模型,并对传统SOM网络层次进行改进,结合易发的网络入侵类型有针对性地对网络入侵数据进行聚类.网络入侵检测聚类与其他方法比较的结果表明,该模型在网络入侵检测聚类中具有更高的准确性和均衡性,该方法能有效提高网络入侵分类精度,减少聚类误差.     

台湾岛南部海域温跃层个例特征分析

利用台湾岛南部海域若干观测点的水温垂直分布资料,计算了各研究个例的温跃层要素,并进行了较为详细的分析.结果表明：台湾岛南部海域春、夏、秋、冬均有温跃层存在,其中以多跃层为主,每一跃层厚度较小.太阳辐射的强弱会影响跃层的强度;大风、寒潮等灾害性天气对第 1层温跃层的深度影响较大,但对强度和厚度的影响不明显;海流因素会影响到第 1层温跃层的深度和强度;地形也可能是影响第 1层温跃层深度和强度的重要原因之一.分析结果对认识该海域海洋温跃层的分布特征可以提供有益的参考.     

改进的Alexnet模型在水稻害虫图像识别中的应用

深度学习技术能以端对端方式实现农作物害虫识别,克服了传统机器学习方法特征选择具有主观性以及提取特征操作繁琐等不足,但识别的准确率和鲁棒性仍有待提高。为了研究出一种快速,高效的水稻害虫识别方法,本研究以稻纵卷叶螟、三化螟、稻蝗、稻飞虱4种常见的水稻害虫为研究对象,对传统的卷积神经网络Alexnet进行优化改进。首先从自然环境以及搜索引擎上获取4种不同的水稻害虫图像,并对图像进行数量扩增和细节增强预处理。然后对传统的卷积神经网络Alexnet进行优化改进,在Alexnet模型基础上,去除原有局部响应归一化层,在每一个卷积层后加入批归一化层,并采用全局平均池化和激活函数PReLU对模型结构进行优化。结果表明:改进后的模型在害虫数据集上的识别率不低于98%,相比于原网络提升了1.96%,高于LeNet5、VGG13、VGG16等传统网络;改进后的模型的损失值稳定在0.03附近,相比于原网络降低了0.1,均低于LeNet5、VGG13、VGG16等传统网络。从实验结果来看,改进后的方法在水稻害虫分类上有较高的识别率和较好的鲁棒性,可以为农作物害虫的智能识别提供了新的思路和方法。     

基于深度残差反向传播神经网络的钢筋腐蚀检测

针对小样本数据下浅层神经网络模型拟合能力不足,而加深网络层数出现网络性能退化问题,提出一种双跳跃深度残差BP神经网络模型,每个残差块堆叠三个同维度网络层,在网络的一、二层和一、三层之间加入双跳跃连接,增强浅层低非线性度特征信息向深层网络的直接传递和重复利用,且在反向传播过程中避免了梯度消失,提升模型分类准确率。同时引入一阶矩估计梯度指数加权平均因子对Adam算法中影响学习率的二阶矩估计梯度进行调整,优化网络的收敛能力。将改进后的算法模型用于钢筋腐蚀样本数据训练及测试,仿真结果表明,改进后的算法模型具有更好的分类性能。     

多状态图神经网络文本分类算法

为了提高模型在文本分类任务中的分类性能,针对图神经网络中存在的过度平滑问题,同时增强模型在处理文本特征与文本表示方面的能力,提出了一种基于多状态图神经网络的文本分类算法(multi-state graph neural network, MSGNN)。多状态图神经网络是利用网络层的多个历史状态信息对图神经网络进行强化,构建合理的文本图结构数据作为模型输入。在缓解网络层过度平滑问题的同时,结合2种改进后的不同类型的图神经网络来增强模型的特征提取与特征聚合能力。利用多头自注意力机制对文本关键词的挖掘与利用能力,从多个文本子空间来生成高质量的文本表示,进而完成文本分类。通过在几个公开的文本分类数据集上进行实验分析,相较于其他神经网络的文本分类算法,该方法取得了较好的分类准确率。     

基于卷积神经网络的脑电信号分类

针对现有卷积神经网络脑电信号(electroencephalogram,EEG)分类模型分类精度低、方法复杂且耗时的问题,对卷积神经网络的卷积层进行了改进,提出了多尺度卷积核卷积神经网络(convolutional neural networks,CNN)脑电分类模型,并在输入数据前加了系数矩阵,该系数矩阵可以随网络的训练逐步更新,代替了手工提特征再送入网络的步骤,有助于提高分类精度。最终本文的脑电分类模型在高原脑电信号的分类实验中,二分类准确率比改进前提高8%,三分类、四分类准确率分别达到92.87%、81.15%,分类准确率较高,对脑电信号的分类具有较高的参考价值。     

基于注意力机制的SK-YOLOv5海洋目标检测分类算法

基于遥感影像的海洋目标图像具有多尺度、形状变化大、颜色暗淡、目标边界不清、图像模糊等特点，需要在现有的目标检测算法上进行改进，以满足遥感影像海洋目标检测及分类需要。针对这些问题，在You Only Look Once version 5 (YOLOv5)的网络架构中引入Selective Kernel Networks (SKNet)注意力模块，提出一种新的SK-YOLOv5网络，增强网络对多尺度复杂海洋目标的特征提取和自适应能力。经对比实验测试，在相同的海洋目标数据集上，改进后的网络比原网络整体检测及分类准确率提升了约9%。     

基于BTLBOGSA与CNN的基因微阵列数据分类模型

针对现有基因微阵列数据分类中存在的数据维度高、容易发生过拟合的问题,提出了基于BTLBOGSA(Binary TLBOGSA)与卷积神经网络(Convolutional Neural Network,CNN)的基因微阵列数据分类模型(BTLBOGSA-CNN)。该模型首先针对基因微阵列数据分类时存在的数据维度高的问题,利用新的编码策略,将连续搜索空间转换为二元搜索空间,结合教与学优化(Teaching-Learning-Based Optimization,TLBO)算法的二元变体与引力搜索算法(Gravitational Search Algorithm,GSA)的各自特点,基于BTLBOGSA方法从基因微阵列数据集中选择具有高鉴别性的基因;然后针对基因微阵列数据分类易发生过拟合问题的现象,利用卷积神经网络进行基因微阵列数据的分类。利用公开的基因微阵列数据集进行仿真实验,从TLBO算法与GSA结合的有效性、BTLBOGSA与CNN结合的有效性、BTLBOGSA-CNN与其他已有分类模型相比的有效性3个方面进行对比分析,结果表明,BTLBOGSA-CNN模型可以在较少的特征基因下取得较高的分类精度,具有较高的可行性和有效性。     

基于残差神经网络的滚动轴承故障诊断方法

针对轴承故障诊断方法在变工况条件下诊断效果不佳的问题,提出了一种基于残差神经网络的滚动轴承故障诊断方法.该方法首先以滚动轴承时域信号数据作为输入,针对信号的时变性改进了数据池化层,改进的数据池化层利用三个连续的卷积层串联构建而成,目的在于能够有效地提取振动信号中的故障特征信息,并减少残差神经网络中参数的计算量;然后设计了一种空洞卷积和残差块相结合的空洞残差块,用于特征信息的学习;最后通过在全连接层后加入Dropout层丢弃一定比例的神经元,能有效避免过拟合的负面影响.使用凯斯西储大学轴承数据集进行仿真实验,与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和Resnet三种方法作对比分析,结果表明该方法在变工况下的滚动轴承故障诊断中具有更高的诊断准确率、更强的抗噪性和泛化能力.