基于卷积神经网络的Android流量分类方法

深度学习就是机器学习研究的过程,主要通过模拟人脑分析学习的过程对数据进行分析。目前,深度学习技术已经在计算机视觉、语音识别、自然语言处理等领域获得了较大发展,并且随着该技术的不断发展,为网络流量分类和异常检测带来了新的发展方向。移动智能手机与大家的生活息息相关,但是其存在的安全问题也日益凸显。针对传统机器学习算法对于流量分类需要人工提取特征、计算量大的问题,提出了基于卷积神经网络模型的应用程序流量分类算法。首先,将网络流量数据集进行数据预处理,去除无关数据字段,并使数据满足卷积神经网络的输入特性。其次,设计了一种新的卷积神经网络模型,从网络结构、超参数空间以及参数优化方面入手,构造了最优分类模型。该模型通过卷积层自主学习数据特征,解决了传统基于机器学习的流量分类算法中的特征选择问题。最后,通过CICAndmal2017网络公开数据集进行模型测试,相比于传统的机器学习流量分类模型,设计的卷积神经网络模型的查准率和查全率分别提高了2.93%和11.87%,同时在类精度、召回率以及F1分数方面都有较好的提升。     

基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法

针对宫颈细胞病理自动筛查问题,提出一种基于深度卷积神经网络的智能辅助诊断方法。首先采用基于改进UNet深度卷积神经网络模型的语义分割方法,检测出宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域。接着,利用VGG 16深度卷积神经网络模型,结合迁移学习技术,对检测出的细胞(粘连簇团)区域进行精确识别。为了提高深度卷积神经网络模型的性能,在进行细胞(粘连簇团)区域检测、识别的过程中,采用了数据增强技术。同时,针对该领域相关研究缺乏宫颈细胞病理液基涂片扫描图像数据集的问题,我们收集四川大学华西附二院的典型LCT筛查病例,建立了宫颈细胞病理图像HXLCT数据集,并由资深病理医生完成数据标注。实验表明,本文方法能够较好地完成宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域检测(正确率为91.33%),并能对检测出的区域完成正常、疑似病变二分类识别(正确率为91.6%,召回率为92.3%,ROC曲线线下面积为0.914)。本文工作将有助于宫颈细胞病理自动筛查系统的开发,对于宫颈癌早期防治具有重要意义。     

集成卷积神经网络的图像分类

本文针对环境监控视频图像分类,文章从集成卷积神经网络的角度,探析了其在图像分类中的有效应用,以卷积神经网络实现图像处理,建立不同计算神经节点,评估图像并进行分类。实验结果表明,深度神经网络拥有最大间隔和最小分类误差,是对交叉熵准则的有效补充,对图像的分类处理结果良好,值得进一步的研究和推广。     

基于深度卷积神经网络的图像分类识别方法

图像分类是通过图片所给的特征信息将不同的事物进行识别的一种图像处理技术。随着科学技术的快速发展以及人们对生活质量越来越高的需求,图像的自动分类技术已经运用到各个发展领域当中。当我们在图像上进行分类操作时,传统的图像分类方法由于不能准确掌握识别对象之间的内在联系,同时传统方法也因数据的特征性维度太高而导致识别对象的特征表达受到限制,所以取得的实验结果并不理想。针对以上内容文章提出了一种基于卷积神经网络的图像检测方法,该实验的算法主要借鉴了深度学习及卷积神经网络。与以往的传统图像分类方法不同,深度卷积神经网络模型可以同时进行特征学习和图像分类。通过对实验的各个部分结构进行改进和对卷积神经网络模型进行优化,从而防止过拟合现象,继而提高图像检测的准确度,在CIFAR-10数据库上进行的实验表明,该方法改进后的深度学习模型在图像检测方面取得了有效的结果。     

基于卷积神经网络和胶囊神经网络的宫颈病变图像分类方法研究

为了更好地治疗宫颈癌,准确确定患者的宫颈类型是至关重要的。因此,用于检测和划分宫颈类型的自动化方法在该领域中具有重要的医学应用。虽然深度卷积神经网络和传统的机器学习方法在宫颈病变图像分类方面已经取得了良好的效果,但它们无法充分利用图像和图像标签的某些关键特征之间的长期依赖关系。为了解决这个问题,文章引入了胶囊网络(CapsNet),将CNN和CapsNet结合起来,以提出CNN-CapsNet框架,该框架可以加深对图像内容的理解,学习图像的结构化特征,并开展医学图像分析中大数据的端到端训练。特别是,文章应用迁移学习方法将在ImageNet数据集上预先训练的权重参数传输到CNN部分,并采用自定义损失函数,以便网络能够更快地训练和收敛,并具有更准确的权重参数。实验结果表明,与ResNet和InceptionV3等其他CNN模型相比,文章提出的网络模型在宫颈病变图像分类方面更加准确、有效。     

基于全卷积神经网络的SAR图像目标分类

近年来,卷积神经网络(Convolutional Neural Network,CNN)在合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标分类中取得了较好的分类结果。CNN结构中,前面若干层由交替的卷积层、池化层堆叠而成,后面若干层为全连接层。全卷积神经网络（All Convolutional Neural Network, A-CNN）是对CNN结构的一种改进,其中池化层和全连接层都用卷积层代替,该结构已在计算机视觉领域被应用。针对公布的MSTAR数据集,提出了基于A-CNN的SAR图像目标分类方法,并与基于CNN的SAR图像分类方法进行对比。实验结果表明,基于A-CNN的SAR图像目标分类正确率要高于基于CNN的分类正确率。     

参数池化卷积神经网络图像分类方法

传统的卷积神经网络使用池化层对信息进行降维操作,通常会造成信息损失,从而影响网络的表达能力.针对这一问题,使用参数池化层（Parameterized Pooling Layer）替代传统卷积神经网络中的池化层,提出参数池化卷积神经网络（Parameterized Pooling CNN,PPCNN）.参数池化层在仅仅增加了少量网络参数的情况下,最大可能的保留了卷积神经网络中希望被保留下来的特征;同时,由于增加了池化层前向传播的信息,从而影响了反向传播算法中权值的更新,网络收敛速度更快;实验结果表明,PPCNN模型与传统卷积神经网络模型以及部分改进模型相比,参数池化卷积神经网络模型是有效的.     

混合卷积神经网络的高光谱图像分类方法

为了解决高光谱图像领域中,传统卷积神经网络因部分特征信息损失而影响最终地物分类精度的问题,采用一种基于2维和3维的混合卷积神经网络的高光谱图像分类方法,从空间增强、光谱-空间两方面分别进行了特征提取.首先从空间增强角度提出一种3维-2维卷积神经网络混合结构,得到增强后的空间信息;其次从光谱-空间角度利用3维卷积网络结构...     

基于卷积神经网络的现场勘查照片分类方法

随着人工智能技术的迅速发展与广泛应用,智能化勘查方法正成为刑事科学技术领域新的研究热点,而实现现场勘查照片自动识别与分类是智能化勘查的重要研究内容。面向公安机关实战应用需求,提出了一种基于卷积神经网络的现场勘查照片自动分类算法。基于真实案件照片,建立了现场勘查照片数据集,包含现场勘查照片13164张,负类照片4008张。根据现场勘查照片数据特性,设计了现场勘查照片分类网络（CriSNet）,通过对卷积层增加归一化处理以及改进bottleneck模块,实现对现场勘查照片的精确分类。实验结果表明：CriSNet模型的分类精度优于基准网络1个百分点,具有较好的鲁棒性,同时在分辨率低、品质较差的情况下,仍能保持较好的分类性能。     

基于卷积神经网络的群众留言分类

文章提出了基于卷积神经网络的群众留言分类算法。首先,通过EDA技术进行数据增强;其次,用jieba和TF-IDF算法提取关键词;最后,通过embedding层、卷积层、池化层和全连接层实现对群众留言的多分类。实验结果表明,基于卷积神经网络的群众留言分类具有较好的分类效果。     

基于神经网络的海面溢油图像分类算法

提出了一种基于Gabor变换、KPCA和神经网络的图像分类方法。首先对图像进行Gabor滤波,获得不同方向的特征参数;然后提取图像的KPCA作为图像的特征,最后利用神经网络进行分类。通过对实验分类结果的定量分析可知,该方法可以获得精度比最小分类模型方法以及最大似然分布模型方法高的分类结果。     

Solder joints inspection using a neural network and fuzzyrule-based classification method

In this paper, we described an approach in automation, the visual inspection of solder joint defects of surface mounted components on a printed circuit board, using a neural network with fuzzy rule-based classification method. Inherently, the solder joints have a curved, tiny, and specular reflective surface. This presents the difficulty in taking good images of the solder joints. Furthermore, the shapes of the solder joints tend to greatly vary with their soldering conditions, and are not identical with each other, even though some of the solder joints belong to a set of the same soldering quality. This problem makes it difficult to classify the solder joints according to their properties. To solve this intricate problem, a new classification method is here proposed which consists of two modules: one based upon an unsupervised neural network, and the other based upon a fuzzy set theory. The novel idea of this approach is that a fuzzy rule table reflecting the knowledge of criteria of a human inspector, is utilized in order to correct any possible misclassification made by the neural network module. The performance of the proposed approach was tested on numerous samples of printed circuit boards in commercially available computers, and then compared with that of a human inspector. Experimental results reveal that the proposed method is superior to the neural network classification method alone, in terms of its accuracy of classification     

基于项目属性和BP神经网络的协同过滤推荐

针对协同过滤推荐中存在的数据稀疏性问题,文中提出了一种基于项目特征属性和BP神经网络相结合的协同过滤推荐算法,并通过Movielens数据集验证了该模型的有效性。此方法首先将用户评分数据映射为用户对项目特征属性的偏好,然后使用BP神经网络训练得到目标用户的特征属性偏好模型并对新项目的评分进行预测,从而降低用户项目评分矩阵的数据稀疏性,最后使用协同过滤推荐算法,形成最近邻并生成推荐建议。     

基于BP神经网络的脑卒中患者分类方法研究

人工神经网络的应用逐渐广泛,已经发展到各个前沿领域,在神经专家系统、模式识别、智能控制、组合优化、预测等领域得到成功应用。文章通过对经过PCA算法降维预处理后的数据进行BP神经网络数据分类,比较和分析数据经BP神经网络、RBF神经网络、ANFIS神经网络后的分类误差。经实验分析,BP神经网络、RBF神经网络、ANFIS神经网络分类误差分别为0.000 5,971.935,0.025 3,传统BP神经网络更适合文章中所采集的脑卒中患者数据分类。     

一种基于卷积神经网络的雷达目标分类方法

雷达作为对低空和地面目标探测及监视预警的主要手段,在安全领域应用广泛。针对现阶段实际应用中雷达目标分类技术中过于依赖人工提取特征的问题,提出了一种基于卷积神经网络的分类方法,对雷达回波数据进行二维傅里叶变换得到距离-多普勒图像,再以距离-多普勒图集作为数据集,训练神经网络,得到能够完成雷达目标识别的网络模型。结果表明,相较于传统方法,基于卷积神经网络的目标识别模型在省去人工工作的同时提高了目标识别精度。     

TBNN: totally-binary neural network for image classification

Most binary networks apply full precision convolution at the first layer. Changing the first layer to the binary convolution will result in a significant loss of accuracy. In this paper, we propose a new approach to solve this problem by widening the data channel to reduce the information loss of the first convolutional input through the sign function. In addition, widening the channel increases the computation of the first convolution layer, and the problem is solved by using group convolution. The experimental results show that the accuracy of applying this paper''s method to state-of-the-art (SOTA) binarization method is significantly improved, proving that this paper''s method is effective and feasible.     

基于BP神经网络的音乐分类模型

针对单一特征难以建立理想音乐分类模型的不足,为了帮助用户找到自己喜欢的音乐,提出BP神经网络的音乐分类模型。首先提取音乐的多种类型特征,便于对音乐信息进行准确描述,然后将这些特征组合在一起作为音乐分类模型的输入向量,通过BP神经网络的智能学习建立音乐分类模型,最后在Matlab 2016平台下进行多个音乐分类实验。结果表明,该模型克服了单一特征提供信息简单的局限性,提高了音乐的分类正确率,而且音乐分类的实时性较好,可以用于网络上的音乐检索研究。     

BP神经网络在用电用户分类中的应用

BP神经网络在解决非线性复杂系统中存在很大的优势。针对家庭用电设备自身的负荷特点,以广州供电局用户用电设备能耗数据作为训练样本,利用BP神经网络构建用电设备能耗分析模型,选定能够反映对象特性的能效指标,确定神经元数,构建用户分类指标,依据训练的BP神经网络进行用户划分,实现用户间的能效对比分析。结果表明,模型收敛性较好,所得分析结果绝对误差较小。因此,利用BP神经网络进行用户能效分析的结果具有实用性和有效性。