采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

基于AlexNet的雷达干扰识别方法研究

针对复杂电磁环境下雷达对干扰信号的分类识别问题,研究了射频噪声干扰、噪声调幅干扰、噪声调频干扰、匀速距离波门拖引干扰、速度波门拖引干扰的Choi-Williams Distribution(CWD)时频图像,采用深度学习中的AlexNet卷积神经网络模型自动提取图像各种特征细节,从而实现雷达干扰信号的分类识别.仿真结果表明:在干噪比为-10～0 dB的范围内,网络的识别率随干噪比的增加而迅速提高,干噪比为0 dB以上识别率基本接近100％;在全干噪比范围下,网络的识别正确率为99.25％,识别效果良好.     

融合深度学习和聚类分析的自适应图像聚类

针对卷积神经网络应用于图像分类任务时需要大量有标签数据的问题,提出一种融合卷积神经网络和聚类分析的无监督分类模型,将无监督算法引入深度学习,并将该模型应用到图像分类领域,来弥补现有分类方式的不足。首先对经典卷积神经网络AlexNet从网络结构和模型训练两个方面进行优化;然后利用改进后的自适应快速峰值聚类算法指导聚类过程,该模型在学习整个网络参数的同时对卷积输出的特征进行聚类,这两个过程迭代进行,以达到对图像进行无监督分类的目的;为了验证所提出的无监督图像分类模型的可行性和有效性,选用了四个常用于图像分类领域的数据集分别进行了分类实验,并将结果与近年来在图像无监督分类任务上表现相对优越的几种算法进行了横向对比。结果表明提出的无监督分类模型在不同数据集上均较现有的几种无监督方法有着更出色的表现。     

应用卷积神经网络的陶瓷产品图像检索

卷积神经网络自诞生以来,其研究与应用备受关注。陶瓷产品器型各异且千变万化,基于内容的传统图像检索因"语义鸿沟"不能切实满足应用需要。鉴于卷积神经网络优良的自我学习能力,本文尝试使用卷积神经网络AlexNet模型来提取陶瓷产品图像特征,以丰富图像的语义信息来提高识图准度;使用主成分分析算法对陶瓷产品图像进行降维以提高陶瓷产品的图像检索效率;并通过现有平台的陶瓷产品图像进行图像检索测试验证了其可行性。     

融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization, BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit, LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率, 相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。     

基于复杂网络描述的图像深度卷积分类方法

为了在不增加较多计算量的前提下,提高卷积网络模型用于图像分类的正确率,提出了一种基于复杂网络模型描述的图像深度卷积分类方法。首先,对图像进行复杂网络描述,得到不同阈值下的复杂网络模型度矩阵;然后,在图像度矩阵描述的基础上,通过深度卷积网络得到特征向量;最后,根据得到的特征向量进行K近邻（KNN）分类。在ILSVRC2014数据库上进行了验证实验,实验结果表明,所提出的模型具有较高的正确率和较少的迭代次数。