YUV空间的彩色图像HDR合成算法

RGB空间的高动态范围(HDR)彩色图像合成算法存在颜色失真和计算耗时的问题。为此,提出一种YUV空间的彩色图像HDR合成算法。利用多幅不同曝光度的普通数字图像,通过计算机高速运算对彩色图像进行HDR合成。实验结果表明,该算法的合成图像质量较高、计算速度较快。     

网络风险评估中网络节点关联性的研究

在网络风险评估领域中,为了提高评估的准确性,很多研究工作中都引入了网络节点间的连通性,然而,这种性质还不足以表达出各节点间基于物理连通关系之上的某种特殊的逻辑关系,如一方对另一方独有资源的控制关系.为此,文中引入了网络节点关联性(NNC)的概念,通过对实践过程中若干种访问情景的分析,提出了NNC的分类方法,然后讨论了NNC的发现方法,并举例阐明了NNC在网络风险评估中的应用及作用.通过深入地分析和对比可以看出,利用NNC可以将若干孤立的弱点联系起来,有助于分析网络的安全风险;此外,NNC在包含各协议层连通性的基础上丰富了网络节点间独有的特权关系,利用NNC也有助于提高检测网络弱点和网络攻击的准确性.     

直方图受限的窄动态范围彩色图像细节增强

在彩色图像特别是窄动态范围的彩色图像增强中,为了保留更多图像细节,提出一种直方图受限的窄动态范围的彩色图像细节增强方法。该算法在RGB空间分别对三分量进行直方图受限运算,设置分量直方图的累积概率分布阈值C_T,将分量图像直方图分割成2个直方图H_1和H_2;将H_2(受限的直方图)非线性映射至H_1的均匀分布直方图中;合并RGB三分量输出彩色图像。实验结果表明,与同类算法相比,该算法在提高对比度的同时,具有最高的信息熵值,且输出的彩色图像视觉效果自然、清晰。     

基于RBFNN非线性预测模型的多电机传动系统

多电机传动系统因具有多变量、非线性和强耦合性等特点而难以建立精确数学模型。以两电机传动系统为研究对象,将构成NNC网络的RBF神经网络与常规PID控制相结合,从而实现控制参数自适应调节;用隐藏层节点动态生成的RBF神经网络构成NNI网络建立非线性预测模型,以实现传动系统的参数预测。结合NNC网络和NNI网络设计了一种基于RBF神经网络非线性预测模型的两电机传动系统控制器。实验结果表明该控制器可以实现两电机传动系统中电机转速和张力的解耦控制,动静态性能好。     

基于VRML的三维地形场景生成.

详细分析了VRML的特点、动态交互的原理及其在VRML中三维地形场景的生成技术。依照VRML语法扩展了适合三维地形网络表达的VRML原型节点，从而将使三维大规模地形数据可直接进入VRML世界、高精度数学运算和实时交互漫游。     

基于博弈均衡的WDM光网络动态恢复策略

提出一种基于博弈论和D*思想的动态均衡启发式算法，求解波分复用(WDM)光网络中波长级恢复问题。算法将网络中的各边代价与当前波长使用情况综合考虑，运用博弈论原理动态构建估计函数，实现了WDM光网络的高效恢复。仿真结果表明，该算法能有效地降低光路阻塞，提高恢复率，其快速和智能特性能够满足恢复时间的要求。     

超复数空间彩色边缘检测器的实现

提出超复数空间彩色图像边缘检测器的一种新实现方法--基于超复数空间旋转变换的彩色边缘检测。分析结果表明，Sangwine提出的超复数空间彩色图像边缘检测算法实质是一种色差图像边缘检测算法。通过把彩色图像映射到超复数空间进行处理，产生色差边缘图像。为了解决超复数空间的卷积运算问题，文中对超复数空间旋转运算进行推广，提出了旋转变换算子，把超复数空间中的矢量卷积运算转化为标量运算，极大地降低了计算复杂度。实验结果表明了本方案的正确性。     

一种改进的基于NAM的彩色图像表示算法

图像表示在机器人、图像处理、模式识别等领域里是一个非常重要的研究内容之一.尽管基于NAM的彩色图像表示方法是彩色图像模式的一种良好表示方法,但是该方法是建立在单类型子模式(矩形)基础之上,因而还有更进一步的优化空间.通过对多子模式类型的组合(矩形和三角形)逆布局作进一步的研究,提出了一种改进的基于NAM的彩色图像表示算法,并给出了该算法的存储结构和数据量分析.理论分析和实验结果表明:与基于NAM的彩色图像表示算法和流行的基于线性四元树的彩色图像表示方法相比,改进的基于NAM的彩色图像表示方法能更有效地减少子模式数(节点数)和数据存储空间,是彩色图像模式表示的一种更优的表示算法,为逐步逼近彩色图像模式的最优化表示提供了一种重要的研究途径.     

动态网络环境下的透明服务组合

动态网络环境(如网格、Ad Hoc Wireless Network等)使面向服务的应用面临许多新问题.如何使用户能够透明、动态地按需使用各种服务是其中的研究热点之一.文中提出了一种虚拟服务模型,在此基础上定义了虚拟服务的组合运算,给出了服务动态查找的算法.此外,文中还介绍了支持虚拟服务透明组合的P2P服务组合原型系统,并在实验基础上对虚拟服务及其支撑引擎进行了客观评价.实验表明,该文所述虚拟服务及支撑引擎能使面向服务应用较好地适应动态网络环境下的服务变化,使用户能够透明地按需使用各种资源.     

基于混沌系统和动态DNA编码与运算的彩色图像加密算法

现有结合混沌系统和DNA计算的图像加密算法因DNA编码规则和运算规则单一、加密结构安全性低,导致算法易被破解。为此,提出一种结合Intertwining Logistic映射和动态DNA编码与运算的彩色图像加密算法。该算法包括置乱阶段和扩散阶段,在置乱阶段,利用模拟退火算法构造的置乱序列分别对彩色图像信道进行行和列置乱,得到置乱信道。在扩散阶段,先根据随机序列值动态选择各置乱信道每个像素点的DNA编码规则及运算规则,然后结合密文反馈机制进行DNA加密计算。实验结果表明,该算法具有良好的抗攻击能力及加密效果。     

基于模糊推理的模糊原型网络

针对真实数据具有的模糊性和不确定性会严重影响小样本学习分类结果这一问题,改进并优化了传统的小样本学习原型网络,提出了基于模糊推理的模糊原型网络（FPN）。首先,从卷积神经网络（CNN）和模糊神经网络两个方向分别获取图像特征信息;然后,对获得的两部分信息进行线性知识融合,得到最终的图像特征;最后,度量各个类别原型到查询集的欧氏距离,得到最终的分类效果。在小样本学习分类的主流数据集Omniglot和miniImageNet上进行一系列实验。实验结果显示：在miniImageNet数据集上,所提模型在5类1样本的实验设置下精度达到49.38%,在5类5样本的实验设置下精度达到67.84%,在30类1样本的实验设置下精度达到51.40%;在Omniglot数据集上该模型的精度相较于传统的原型网络同样有较大提升。     

一种图片分类的序列构造神经网络方法

针对图片数据的分类问题,从动态构造网络的思想出发,讨论了序列构造神经网络的基本方法,并且把其应用于图片分类中,最后给出标准测试集的分类测试结果,并对其进行了比对、分析和讨论,实验结果表明此方法适合多维数据分析,取得了满意的效果。     

基于生成对抗网络的乳腺癌病理图像可疑区域标记

本论文针对乳腺癌病理图像分析提出新的方法进行图像特征提取和可疑区域标记。由于深度神经网络,例如 VGG,GoogleNet,ResNet 等,均需要大量的标注样本才能完成训练,而医疗影像图像的标记成本很高,并不能为训练复杂的网络提供足够的训练数据。本论文借鉴生成对抗网络(Generative Adversarial Network, GAN) 的思想,提出基于弱监督学习的病理图像可疑区域标记网络,首先利用少量有标记的病理图像数据来训练分类模型,即判断该图像是否是乳腺癌,然后通过融合该网络提取到的具有判别力的特征来对可疑区域进行标记。由本文提出的网络在已有的国外乳腺癌病理图像数据集上达到的平均准确率为 83.8%,比基于卷积神经网络 (Convolutional Neural Network,CNN) 的分类方法在准确率上分别高 3 个百分点,说明该网络提取到的特征具有更好的判别力,不仅能够提高分类模型的准确率,还更有助于对病理图像的可疑区域进行标记。     

数据异常情况下遥感影像时间序列分类算法

针对时序遥感图像数据异常时卷积神经网络对其分类性能较差的问题,提出了一种端到端的多模式与多单模架构相结合的网络结构。首先,通过多元时序模型和单变量时间序列模型对多维时间序列进行多尺度特征提取;然后,基于像素空间坐标信息,通过自动编码形式完成遥感图像的时空序列特征的构建;最后,通过全连接层和softmax函数实现分类。在数据异常（数据缺失和数据扭曲）的情况下,提出的算法和一维卷积神经网络（1D-CNN）、多通道深度神经网络（MCDNN）、时序卷积神经网络（TSCNN）和长短期记忆（LSTM）网络等通用时间序列遥感影像分类算法进行分析比较。实验结果表明,所提的利用端到端的多模式与多单模式架构融合的网络在数据异常的情况下分类精度最高,F1值达到了93.40%。     

基于深度学习的文本分类技术研究进展

随着深度学习技术的快速发展,许多研究者尝试利用深度学习来解决文本分类问题,特别是在卷积神经网络和循环神经网络方面,出现了许多新颖且有效的分类方法。对基于深度神经网络的文本分类问题进行分析,介绍卷积神经网络、循环神经网络、注意力机制等方法在文本分类中的应用和发展,分析多种典型分类方法的特点和性能,从准确率和运行时间方面对基础网络结构进行比较,表明深度神经网络较传统机器学习方法在用于文本分类时更具优势,其中卷积神经网络具有优秀的分类性能和泛化能力。在此基础上,指出当前深度文本分类模型存在的不足,并对未来的研究方向进行展望。     

基于多面部特征融合的驾驶员疲劳检测算法

本文将卷积神经网络（Convolutional Neural Network,CNN）应用到视频理解中,提出一种基于多面部特征融合的驾驶员疲劳检测算法.本文使用多任务级联卷积网络（Multi-Task Cascaded Convolutional Networks,MTCNN）定位驾驶员的嘴部、左眼,使用CNN从驾驶员嘴部、左眼图像中提取静态特征,结合CNN从嘴部、左眼光流图中提取动态特征进行训练分类.实验结果表明,该算法比只使用静态图像进行驾驶员疲劳检测效果更好,准确率达到87.4%,而且可以很好地区别在静态图像中很相似的打哈欠和讲话动作.     

不确定混沌系统的差分进化小波神经网络控制

提出一种基于小生境自适应差分进化小波神经网络（NADE-WNN）的方法对不确定混沌系统进行控制。该方法利用小波神经网络学习未知模型混沌系统的动态特性并实施控制,为提高神经网络的学习精度和收敛速度,采用小生境自适应差分进化算法同时优化小波神经网络的结构和参数,简化网络结构,提高网络的学习精度和全局收敛性。仿真实验结果表明,在有外部干扰和参数摄动的情况下,NADE-WNN仍能对不确定混沌系统进行有效控制,且网络结构、控制精度和收敛速度都优于传统神经网络。     

Acoustic Emission Recognition Based on a Three-Streams Neural Network with Attention

Acoustic emission (AE) is a nondestructive real-time monitoring technology, which has been proven to be a valid way of monitoring dynamic damage to materials. The classification and recognition methods of the AE signals of the rotor are mostly focused on machine learning. Considering that the huge success of deep learning technologies, where the Recurrent Neural Network (RNN) has been widely applied to sequential classification tasks and Convolutional Neural Network (CNN) has been widely applied to image recognition tasks. A novel three-streams neural network (TSANN) model is proposed in this paper to deal with fault detection tasks. Based on residual connection and attention mechanism, each stream of the model is able to learn the most informative representation from Mel Frequency Cepstrum Coefficient (MFCC), Tempogram, and short-time Fourier transform (STFT) spectral respectively. Experimental results show that, in comparison with traditional classification methods and single-stream CNN networks, TSANN achieves the best overall performance and the classification error rate is reduced by up to 50%, which demonstrates the availability of the model proposed.     

Hybrid Deep Learning Method for Diagnosis of Cucurbita Leaf Diseases

In agricultural engineering, the main challenge is on methodologies used for disease detection. The manual methods depend on the experience of the personal. Due to large variation in environmental condition, disease diagnosis and classification becomes a challenging task. Apart from the disease, the leaves are affected by climate changes which is hard for the image processing method to discriminate the disease from the other background. In Cucurbita gourd family, the disease severity examination of leaf samples through computer vision, and deep learning methodologies have gained popularity in recent years. In this paper, a hybrid method based on Convolutional Neural Network (CNN) is proposed for automatic pumpkin leaf image classification. The Proposed Denoising and deep Convolutional Neural Network (CNN) method enhances the Pumpkin Leaf Pre-processing and diagnosis. Real time data base was used for training and testing of the proposed work. Investigation on existing pre-trained network Alexnet and googlenet was investigated is done to evaluate the performance of the proposed method. The system and computer simulations were performed using Matlab tool.     

基于注意力机制的文本作者识别

基于神经网络的作者识别在面临较多候选作者时识别准确率会大幅降低。为了提高作者识别精度,提出一种由快速文本分类（fastText）和注意力层构成的神经网络,并将该网络结合连续的词性标签n元组合（POS n-gram）特征进行中文小说的作者识别。与文本卷积神经网络（TextCNN）、文本循环神经网络（TextRNN）、长短期记忆（LSTM）网络和fastText进行对比,实验结果表明,所提出的模型获得了最高的分类准确率,与fastText模型相比,注意力机制的引入使得不同POS n-gram特征对应的准确率平均提高了2.14个百分点;同时,该模型保留了fastText的快速高效,且其所使用的文本特征可以推广到其他语言上。