基于多融合模型的图像语义描述研究

图像语义描述可以自动生成图像的自然语言描述,对场景理解具有重要意义。本文主要针对图像语义描述的特征学习和语义学习等进行改进,提出一种新的多融合模型。实验结果表明,本文提出的模型有较好的描述效果,但模型在训练时时间过长,有待改进。     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

基于深度学习的联邦集成算法

联邦学习是多源隐私数据保护领域研究的热点,其框架在满足数据不出本地的情况下,可以训练出多方均满意的共同模型,但存在本地模型参数难以整合且无法在安全的情况下将多源数据充分使用的问题,因此提出基于深度学习的联邦集成算法,将深度学习与集成学习应用到联邦学习的框架下,通过优化本地模型的参数,提高了本地模型准确率;使用不同的集成算法来整合本地模型参数,在提升模型准确率的同时兼顾了多源数据的安全性。实验结果表明：与传统多源数据处理技术相比,该算法在mnist、digits、letter、wine数据集训练模型的准确率依次提升1%、8%、-1%、1%,在保证准确率的同时也提升多源数据与模型的安全性,具有很重要的应用价值。     

基于脑电信号深度学习的情感分类

情感脑电研究作为人工智能高级阶段的重要任务,近年来受到越来越多的关注。情感脑电分类广泛应用于人机交互、医学研究等领域。该文以轻量级的卷积神经网络为核心,设计了情感脑电分类模型,以DEAP（dataset for emotion analysis using physiologicalsignals）提供的情感脑电图数据为基础,将其中的观看视频划分为唤醒度和愉悦度2个维度。为了获得频域信息,提取了theta、alpha、beta和gamma波段的功率谱密度特征进行评估,并将功率谱密度矩阵表示为二维灰度图像。然后将该图像输入到卷积神经网络训练分类模型并完成2个维度的分类任务。实验结果表明,与传统机器学习相比,卷积神经网络具有更好的分类效果,唤醒度分类准确率达到了82.33%,愉悦度分类准确率达到了75.46%。     

基于深度学习的竹笛吹奏技巧自动分类

提出了一种针对竹笛技巧分类的数据集Breath和两个用于竹笛技巧分类的神经网络参考模型Breath1d和Breath2d,并针对此数据集的不同分类任务给出了最佳方法。将Breath数据集划分成子集,以多层感知机为性能评价基准方法,先用Breath1d和Breath2d模型对子集进行训练和预测,再用长短期记忆网络模型进行辅助测试,最后得出了最适合子任务的分类参考模型。对全数据集进行分类时,将Breath2d与Breath1d模型进行融合,并采用数据增强方法使全集分类准确率达到0.913。与传统音频分类任务相比,该工作扩展了音乐分类的研究领域,对民族音乐现代化发展有着良好的推动作用。     

基于深度学习的医疗电子数据特征学习方法

面向高维异构的医疗电子数据,如何才能有效开展特征学习以优化患者联合用药不良预后的风险预测？针对此问题,提出一种基于深度学习的医疗电子数据特征学习方法。首先结合深度学习长短期记忆网络模型和深度稀疏自动编码模型学习具有时序特性的患者联合用药数据的特征表示,并通过二分k-均值聚类方法形成联合用药综合表达因子。然后构建风险预测特征向量和风险相关特征向量,分别用于联合用药的不良预后风险预测和风险相关性分析。最后将该方法与已有的传统方法在真实医疗电子数据集上进行对比实验,结果表明：该方法在患者联合用药的不良预后风险预测中,准确率比传统方法提高了5%～10%,误判率降低了3%～5%,具有较好的风险预测性能。     

基于深度学习的图像修复方法研究

基于深度学习的图像修复方法已经成为图像处理中的热门研究问题,有着广泛的应用前景.基于编码器-解码器,提出了一种基于注意力机制的编码器-解码器修复图像网络模型,优化改进了损失函数.与CVPR2017的General Inpainting图像修复算法进行定性和定量比较结果表明,所提出的修复网络模型能修复出真实且具有丰富细节...     

基于深度监督的跨模态图文检索方法研究

基于深度监督的学习结构应用于跨模态图文检索领域,弥补了不同数据模式之间的异质性差异,通过端到端的方式同时保持语义鉴别和模态不变性,有效地学习异构数据的共同表示.本文构建了图像和文本双模态CNN神经网络模型,对损失函数进行改进,优化神经网络模型训练学习过程,以监督网络学习跨模态转换函数.在Pascal sentence数...     

一种融合双向LSTM和CNN的混合情感分析模型

针对现有文本情感分析方法实时性不强、难以应用到大规模文本、不能同时提取文本上下文信息和局部语义特征等问题,提出一种融合双向长短期记忆（LSTM）和卷积神经网络（CNN）的混合情感分析模型通过使用双向LSTM和CNN模型对由word2vec编码得到的文本词向量进行训练,运用注意力机制将双向LSTM模型学习到的特征作用于CNN模型上,并进行特征加权,最后将双向LSTM模型和CNN模型得到的结果进行拼接,由分类器得到相应的情感分类结果在NLPCC SCDL数据集上进行实验,结果表明所提出的融合双向LSTM和CNN模型在精度、召回、f1值和准确度方面优于两个单独的模型     

基于深度神经网络的数字信号调制类型自动识别方法

针对在莱斯衰落信道下传统神经网络数字信号调制识别准确率会有所降低的问题,提出了一种基于深度神经网络技术的数字信号调制类型自动识别方法.该方法从接收信号样本中提取了多组特征参数作为分类器输入,用于识别4ASK,BPSK,QPSK,8PSK,16QAM和32QAM这些数字调制信号.此外,分类器采用了具有三个隐藏层的全连接深度神经网络结构.仿真结果表明,分别在加性高斯白噪声和莱斯衰落信道下,提出的方法与现有分类方法相比具有较好的性能改进,尤其是在具有较高多普勒频率时.     

基于深度学习的下井人员安全状态快速检测算法研究

在矿井生产中,作业环境复杂,安全生产风险较大,而传统的人工安全状态检测存在效率较低、漏检率较高等问题.因此,本文提出了基于卷积神经网络的下井人员安全状态快速检测方法.其间使用YOLOv3网络进行安全帽、工作服、工作鞋的多类别目标识别.试验表明,相比于传统人工检测方法,此算法具备更高的检测效率.在试验中,平均精度均值(m...     

一种基于深度学习算法的电网故障诊断方法

电网故障原因复杂,开关和保护的误动、拒动以及信道的信号干扰均会给传统的浅层智能模型带来困难,所以需要从更深入的层面表征电网故障,并对其进行故障诊断。针对这一问题,本文提出一种基于深度学习算法的电网故障诊断方法,该算法利用由Convolution层、Pooling层、Flatten层及MLP层构成的深度网络结构,对电网故障信息进行学习并获得对应的诊断模型。试验表明PGFD-DL算法具有更高的稳定性与精度。     

面向深度学习过拟合问题的神经网络模型

针对机器学习算法中的过拟合问题,提出一种基于支持向量数据描述的深度学习神经网络模型.在高效利用深度学习的表达能力的基础上,通过在分类中获取最大间隔的方式,解决不可见数据模型的精度较差的问题,具有非常好的泛化性能.仿真结果表明,提出的模型可以学习多类数据,同时大幅度降低过拟合.     

基于深度学习的金属表面缺陷检测

由于金属产品生产过程中各种因素的影响,金属工件可能会存在一些表面缺陷．这会降低材料强度,缩短工件寿命,并且增加安全风险．因此,需要对金属产品表面进行质量检测,这也是保证工业生产质量的关键环节．与传统人工检测相比,基于机器视觉的表面缺陷检测方法具有速度快、精度高等优点．提出了一种改进的YOLOv5算法,用于金属表面缺陷检测研究,在原YOLOv5算法的基础上将空间金字塔池化结构SPP替换成SPPCSPC,提高模型对金属表面缺陷的检测能力．为了验证算法的有效性,分别采用YOLOv3,YOLOv4,YOLOv5及改进的YOLOv5算法对1 800张金属表面缺陷样本图像进行对比测试．结果表明,与YOLOv3,YOLOv4,YOLOv5原算法相比,改进的YOLOv5算法平均目标检测精度均值分别提高了4.3%,3.3%,2%．通过大量图片的学习,可以获得更好的精确率．     

基于LTL的交通灯系统形式化描述方法

阐述了线性时序逻辑语法及语义,采用线性时序逻辑描述软件系统动态语义,并对行人过街交通灯系统进行形式化描述,证明分析该系统的性质,为系统做进一步分析和验证提供了基础.     

基于LSTM-DNN模型的入侵检测方法

针对基于深度神经网络模型的入侵检测方法存在的梯度减弱或消失问题,提出了一种LSTM(Long-Short Term Memory,长短时记忆)神经网络改进的DNN(Deep Neural Networks,深度神经网络)模型．该模型主要包括LSTM神经网络和DNN2部分,LSTM神经网络通过记忆或遗忘进行数据流量特征提取,然后将其输入DNN进行训练、入侵检测．模型中采用优化算法,加快了网络收敛．实验表明,与LSTM模型相比,LSTM-DNN模型具有较好的性能,准确率更高,运行时间更短．     

基于深度学习的车检图像多目标检测与识别

为了实现快速和自动的车辆外观检测,提出一种基于深度学习的车检图像多目标检测与识别方法。首先,采用轻量级神经网络YOLOv3实现车检图像中车头、轮胎、车牌及三角形标志的检测与识别;其次,采用多任务级联卷积神经网络实现车牌4个关键点定位;再次,利用车牌4个关键点坐标,结合目标车牌图像高宽先验,通过透视变换对车牌进行校正;最后,设计卷积神经网络实现车牌底色分类,同时设计卷积循环神经网络,实现车牌字符识别。实验结果表明,在816×612的车检图像上,该方法中端到端的多目标检测与识别的平均精度达98.03%;为便于在车检场景下应用该模型,利用阿里巴巴推理引擎将模型部署到CPU端,使多目标检测与识别的平均速度达10帧/s,从而满足车检的应用需求。     

基于深度强化学习的无人机路径规划与无线电测绘

针对传统无人机轨迹优化设计方法在构建通信模型上具有局限性的问题,本文面向蜂窝连接无人机通信方式,引入一种基于深度强化学习的无人机路径规划与无线电测绘方法。该方法利用扩展后的双深Q网络模型,结合无线电预测网络,生成无人机轨迹并预测由于动作选择而累计的奖励值。此外,基于Dyna框架将实际飞行和模拟飞行相结合,进一步训练双深Q网络模型,从而大大提高学习效率。仿真结果表明,与Direct-RL算法相比,该方法能更有效地利用学习到的覆盖区域概率图,使无人机避开弱覆盖区域,减小飞行时间和预期中断时间的加权和。     

利用深度学习的文本相似度计算方法

针对在自然语言处理中起着关键作用的文本相似度计算问题,提出了一种神经网络深度学习的词向量模型计算方法.利用词向量计算文本语义相似度,并采用高频词滤波的方法削弱扰动的影响.对百度新闻、新浪新闻等的中文词库进行训练,并与传统的检测方法进行对比.实验结果证明了提出方法的有效性和准确性.