一种面向表情识别的ROI区域二级投票机制

针对如何更有效地使用卷积神经网络从训练图像中学习到的分布式特征进行研究,提出了一种面向人脸表情识别的ROI区域二级投票机制。将图像划分成一系列感兴趣区域（ROI）图像输入到卷积神经网络中进行训练;然后将测试图像的ROI图像输入到卷积神经网络中,统计所有ROI图像的判别结果;最后采用二级投票机制确定测试图像的最终类别,得到最终判别结果。针对卷积神经网络不能从人脸图像中学习到旋转等空间位置信息,引入了STN（spatial transformer network）,提高算法在解决复杂情况下的表情识别问题的能力。实验表明,ROI区域二级投票机制能够更有效地使用卷积神经网络从训练图像中学习到的分布式特征,比直接使用ROI图像进行投票的方法准确率提升了1.1%,引入STN能够有效提升卷积神经网络的鲁棒性,比未引入STN的方法准确率提升了1.5%。     

面向电网调度领域的实体识别技术

近年随着电网调度领域数据自动化、智能化管理需求的日益增长,知识图谱成为提供知识管理、智能查询、辅助决策等功能的重要技术。实体作为构成知识图谱的核心要素,识别的准确率将直接影响知识图谱的质量。针对电网调度领域,首先分析电网调度实体识别研究现状,明确了实体识别任务目标,然后根据电网调度领域文本数据特征,设计了同时满足局部特征与全局特征提取需求的算法结构,构建了基于双向长短期记忆网络(bi-directional long short-term memory, BiLSTM)-卷积神经网络(convolutional neural networks, CNN)-条件随机场(conditional random field,CRF)的电网调度领域实体识别模型。最后实验结果表明,所提方法识别准确率达到93.1%,F₁值达到86.05%,能够有效支撑电网调度领域实体识别工作的开展。     

心电信号的卷积神经网络二分类方法

心电信号直观地反映心脏生理电活动,在诊断心血管疾病方面有重要的参考价值。提出了一种卷积神经网络的心电信号二分类方法,网络卷积层使用不同卷积核,最大限度的利用局部特征进行分类,对异常心拍进行检测。使用麻省理工学院提出的MIT-BIH心律失常数据库对该方法进行验证。通过混淆矩阵计算性能指标,运用交叉验证与3种传统机器学习方法对比。实验表明,相较于准确性能最高的支持向量机二分类方法,模型准确率可达96.86%,提升了3.39%。该方法简化了特征提取过程,充分提高了异常心拍检测的准确性。     

一种用细胞神经网络提取干涉条纹中心的新方法

提取干涉条纹的中心是干涉测量的关键环节,文中提出了一种基于细胞神经网络（CNN）提取干涉条纹中心的新方法.CNN是一种实时处理信号的大规模非线性模拟电路,同时它的局部联接特点使其适用于超大规模集成电路的实现.CNN具有并行运算的能力,可消除传统串行算法复杂性高、不能实时处理的缺点.对该方法进行了分析,给出了实例的仿真结果,证明该方法能快速准确地提取干涉条纹的中心,提高了干涉条纹的判别精度,从而增加了实验中干涉条纹处理的直观性和实时性.     

多时变时滞细胞神经网络的全局渐近稳定

研究了多时变时滞细胞神经网络的全局渐近稳定问题。给出了多时变时滞细胞神经网络平衡点唯一性和全局渐近稳定的几个新充分判据。所研究的网络模型扩展了现有的同类网络模型,而且所得到的这些新稳定判据考虑了神经元激励和抑制的影响,且能够表示成线性矩阵不等式的形式,易于用现有的内点算法等方法验证。通过2个注释说明了所得结果的有效性。     

细胞神经网在通信系统中的应用

细胞神经网(CNN)是一种大规模非线性模拟电路。它的两个重要特点是时间连续特性和局部连接特性,这使CNN在数字领域能实现实时、高速、并行的信号处理,并特别适于大规模集成电路(VLSI)的实现。本文阐述了CNN的结构和特点,并介绍了CNN在通信系统中的应用,主要包括信号处理及其硬件实现、混沌通信和通信中的优化问题等方面。     

基于CNN和MRF的运动目标分割

针对动态图像序列中背景成像过程因各种因素而变化存在复杂性,提出了一种基于细胞神经网络(CNN)和马尔可夫随机场(MRF)的目标分割方法.首先根据细胞神经网络与马尔可夫随机场能量函数的相似性,将马尔可夫随机场的最大后验概率模型映射到细胞神经网络近邻系统模型中.然后建立图像每一像素点的邻域系统模型,并且构造相应的能量函数.为使能量函数达到快速收敛,再利用模拟退火算法实现能量函数的最小值,以达到对运动目标的提取.由于CNN是由局部互连的细胞组成,因此易于用VLSI实现.实验的结果表明,该方法能够有效地抑制图像的噪声,对于运动目标的提取有较好的分割效果.     

噪声环境中时延区间CNN网络鲁棒稳定性

由于采用大规模集成电路方法实现细胞神经网络(cellular neural networks,CNN),其 电路所产生的噪声不可避免,实际的网络都是在噪声环境中进行工作的,弄清楚这些随机干扰 是如何影响网络的稳定性,在网络设计时非常关键.利用鞅收敛定理、李雅普诺夫直接法和矩阵 分析的方法,研究了白噪声干扰下时延区间细胞神经网络承受扰动的能力,得到了仅依赖系统 参数的充分性代数判据.所得结果在系统设计时检验较为方便.     

图像特征的CNN提取方法及其应用

图像特征的提取是视觉图像识别的重要方法之一,采用细胞神经网络(CNN)并行处理器进行图像特征的提取具有实时快速的优点。该文将介绍CNN并行处理器的基本工作原理及其实现图像特征处理的逻辑组合通用方法,并以图像的纹理分割与识别为例来说明CNN并行处理器应用于视觉图像识别的通用编程方法。     

A new approach for edge detection of noisy image based on CNN

A new approach for edge detection of noisy image by cellular neural network (CNN) is proposed in this paper. In order to get the reasonable template, the statistical characteristics of image are utilized, and Gibbs image model is employed to describe the stochastic dependence of an edge pixel on its neighbourhood. Based on stochastic edge image models, edge detection of noisy image is equivalent to seeking a minimum of a cost function. If the template of CNN is designed carefully, the energy function can be mapped properly to the cost function of stochastic edge image model, then CNN can be used for seeking the minimum of cost function. Genetic algorithm is efficient in the field of optimization, and we also utilized this algorithm to get the correct form of template. The results of computer simulation confirm that the new approach is very effective. Furthermore, this result also confirms that we can design template for many different questions based on statistical image model, and the area of application of CNN will be widened. Copyright © 2003 John Wiley & Sons, Ltd.