基于压电薄膜传感器的机器人触觉识别系统

为了使机器人通过触觉感知外部环境信息,弥补视听交互信息缺失的不足,根据聚偏氟乙烯（PVDF）材料的压电效应设计开发基于触觉传感器和卷积神经网络的机器人触觉识别系统,能够根据所采集的触觉信号识别出材质类型. 提出基于渐进式级联卷积神经网络的触觉识别算法. 该算法基于卷积神经网络提取机器人传感器的信号特征,包括经过短时傅里叶变换的触觉数据频谱图和信号表征周期内的时域特征. 为了解决特定材质识别混淆的问题,利用K-Medoids聚类算法和动态时间规整（DTW）距离度量算法将分类过程区分为粗、细2个层次,构建渐进式分类模型. 实验表明,设计的触觉传感器对物体材质的平均识别正确率约为97%,机器人能够成功识别触摸到的真实材质,为下一步的探索交互任务奠定基础.     

基于深度学习的星载SAR工作模式鉴别

针对传统星载合成孔径雷达（SAR）工作模式反演方法在识别准确率和时效性上存在局限性的问题,根据SAR信号的特点,提出基于一维卷积神经网络的星载SAR工作模式识别模型. 该模型以星载SAR信号脉冲峰值幅度作为输入,利用卷积神经网络的自主学习和模式识别能力,避免了传统方法的人为影响因素,能够学习原始信号更具有代表性的特征,最终实现星载SAR工作模式的有效识别. 在设计一维卷积神经网络结构时,参考了现有性能较优的卷积神经网络,根据网络训练过程中准确率和损失值的反馈,调整设置了较优的参数以训练得到具有良好识别性能的模型. 基于仿真数据的对比实验表明,该模型相较于传统反演方法具有更高的识别准确率,同时对于主旁瓣信号和不同侦收条件均具有较优的鲁棒性和抗噪性.     

融合用户感知和多因素的兴趣点推荐

针对传统的基于协同过滤的兴趣点(POI)推荐方法存在数据稀疏问题和现有工作往往单纯利用上下文信息却没有合理平衡各因素的作用影响的问题，提出融合用户感知和多因素的兴趣点推荐模型（UPMF）.为基于用户感知的隐式建模提取用户相似性以丰富用户表示，并利用序列、地理和社交等上下文信息构建用户感知协同影响的POI推荐模型，缓解数据稀疏问题.设计新颖的用户感知的融合策略(UPIS)，在基于用户感知的同时合理利用各种上下文信息挖掘用户的动态偏好.提出基于分段的活动区域选择算法针对不同活动区域对用户的影响进行建模.实验结果表明，与其他流行的POI推荐方法相比，UPMF在准确率、召回率和归一化折损累计增益(NDCG) 3个评价标准上都有一定程度的提高.在Gowalla和Yelp数据集上，UPMF模型的NDCG@10比SUCP的分别高12.77%、7.24%.     

基于BA-Elman算法的预应力钢筋混凝土梁损伤识别研究

为了准确识别预应力混凝土结构的损伤程度，制作预应力钢筋混凝土实验梁，进行三点弯曲加载实验，收集损伤全过程声发射(AE)信号.绘制声发射振铃计数与持续时间的特征参数关联分布图，以揭示梁的损伤演化过程.借鉴加卸载响应比理论进一步将梁的损伤破坏过程划分为4个典型阶段.构建Elman神经网络，基于Elman神经网络采用局部搜索算法，难以达到全局最优的缺点，提出用蝙蝠算法(BA)对其进行优化.设计BA-Elman神经网络模型训练识别试验梁各损伤阶段AE信号特征参数数据，准确率达到93%,相较于基础Elman神经网络准确率提高了6%左右.定型BA-Elman网络结构并识别同种工况下的其他梁AE信号，识别准确率达到92%左右.     

基于行为感知的用户画像技术

为了在保护用户隐私的同时构建用户画像，提出基于行为感知的用户画像技术. 采用智能手机内置的惯性传感器，可以感知识别用户使用手机的行为（如浏览阅读、打字聊天、通话等）. 通过识别的用户行为挖掘用户特性，如性别、社交性格、压力状态等，构建初步的用户画像. 实验结果表明，利用该方法能够较好地识别用户行为并构建用户画像，其中行为识别的准确率为87.2%，针对性别、社交性格、压力状态3个具体用户特性的预测准确率分别为81.8%、72.7%、72.7%.     

基于知识增强的图卷积神经网络的文本分类

针对文本分类问题,提出新的基于知识增强的图卷积神经网络（KEGCN）分类模型. KEGCN模型在整个文本集上构建了一个包含单词节点、文档节点、外部实体节点的文本图,不同类型节点之间使用不同的相似性计算方法;在文本图构建完成后将其输入到2层图卷积网络中学习节点的表示并进行分类. KEGCN模型引入外部知识进行构图,捕获长距离不连续的全局语义信息,是第1个将知识信息引入图卷积网络进行分类任务的工作. 在4个大规模真实数据集20NG、OHSUMED、R52、R8上进行文本分类实验,结果表明,KEGCN模型的分类准确率优于所有的基线模型. 将知识信息融入图卷积神经网络有利于学习到更精准的文本表示,提高文本分类的准确率.     

一种基于滑动窗口分割的中国手语识别系统

听力障碍者在全世界残疾人群体中占有较大的比重.他们能通过手语与健全人交流,但因手语不被大众所掌握,导致彼此交流存在较大障碍.为此提出了一种基于滑动窗口分割（SSW）的连续中国手语识别系统来实现手语自动识别.SSW系统将通过滑动窗口选取出来的手语信号平均分割,依次删去其中一组数据,从而得到新的数据,输入手语识别神经网络进行训练,得出单个手语单词手势预测值,最后运用基于阈值的多投票策略对识别出的预测值进行判断,得出识别结果.SSW系统在对20名志愿者采集的30条手语语句上进行训练,结果显示,所提SSW系统自动识别手语的平均准确率在测试集上达到83.9%,较长短期记忆网络模型提高了16.7%.     

基于串并行卷积门阀循环神经网络的短文本特征提取与分类

针对短文本数据特征少、提供信息有限,以及传统卷积神经网络（convolutional neural network,CNN）和循环神经网络（recurrent neural network,RNN）对短文本特征表示不充分的问题,提出基于串并行卷积门阀循环神经网络的文本分类模型,处理句子特征表示与短文本分类。该网络在卷积层中去除池化操作,保留文本数据的时序结构和位置信息,以串并行的卷积结构提取词语的多元特征组合,并提取局部上下文信息作为RNN的输入;以门阀循环单元（gated recurrent unit,GRU）作为RNN的组成结构,利用文本的时序信息生成句子的向量表示,输入带有附加边缘距离的分类器中,引导网络学习出具有区分性的特征,实现短文本的分类。实验中采用TREC、MR、Subj短文本分类数据集进行测试,对网络超参数选择和卷积层结构对分类准确率的影响进行仿真分析,并与常见的文本分类模型进行了对比实验。实验结果表明：去掉池化操作、采用较小的卷积核进行串并行卷积,能够提升文本数据在多元特征表示下的分类准确率。相较于相同参数规模的GRU模型,所提出模型的分类准确率在3个数据集中分别提升了2.00%、1.23%、1.08%;相较于相同参数规模的CNN模型,所提出模型的分类准确率在3个数据集中分别提升了1.60%、1.57%、0.80%。与Text-CNN、G-Dropout、F-Dropout等常见模型相比,所提出模型的分类准确率也保持最优。因此,实验表明所提出模型可改善分类准确率,可实际应用于短文本分类场景。     

基于双注意力卷积神经网络模型的情感分析研究

卷积神经网络（Convolutional Neural Networks,CNN）无法判别输入文本中特征词与情感的相关性.因此提出一种双注意力机制的卷积神经网络模型（Double Attention Convolutional Neural Networks,DACNN）,将词特征与词性特征有效融合后得到本文的特征表示,确定情感倾向.本文提出局部注意力的卷积神经网络模型,改进卷积神经网络的特征提取能力,采用双通道的局部注意力卷积神经网络提取文本的词特征和词性特征.然后使用全局注意力为特征分配不同的权重,有选择地进行特征融合,最后得到文本的特征表示.将该模型在MR和SST-1数据集上进行验证,较普通卷积神经网络和传统机器学习方法,在准确率上分别取得0.7%和1%的提升.     

基于迁移学习的乳腺肿瘤组织病理图像分类研究

乳腺癌是一种严重危害人体健康的恶性肿瘤,准确的诊断对于预防和治疗乳腺癌至关重要。相比人工检测的方法,计算机辅助检测系统更为高效省时。研究基于迁移学习方法,在微调Alexnet模型的基础上采用基于核的支持向量机（SVM）作为分类器构建了Alexnet-SVM模型,使用该模型对BreakHis数据库中的乳腺肿瘤组织病理图像分类。为了进一步提高模型的分类准确率,使用GA、GWO、Grid三种算法对SVM的核参数进行了优化。结果表明,经过GA算法优化过后的SVM对BreakHis数据库中不同放大倍数（40,100,200,400）下的乳腺肿瘤组织病理图像平均分类准确率分别达到97.51%、97.65%、97.68%和97.12%。相比目前已有的深度神经网络模型,所提出的模型分类准确率更高。研究结果对于乳腺癌的早期诊断具有重要的临床应用价值。     

基于脉冲神经网络的类脑计算

针对当前重要国际科技前沿——类脑计算进行研究,讨论了类脑计算的研究内容、特点和研究现状.类脑计算不是简单的人脑神经元的模拟和神经元模型的应用,而是对人脑的信息处理规律、复杂的工作模式及思维、学习、推理、决策本质性机理的深层次模拟.脉冲神经网络比传统神经网络具有更好的生物似真性,并能同时融入时、空信息,更适用于受人类推理、判断、决策等思维过程启发的类脑计算.因此,介绍了脉冲神经网络的特点、脉冲神经元模型、脉冲编码,以及脉冲神经网络在模式识别等领域中的应用,并对基于脉冲神经网络的类脑计算方法和神经形态芯片的研究现状及未来的发展进行了讨论.基于脉冲神经网络的类脑计算会对未来的生活、经济发展产生深远影响.     

基于深度学习的公路隧道衬砌病害识别方法

针对与日俱增的隧道养护需求,为了节约时间与人力成本,提出基于卷积神经网络的公路隧道衬砌病害检测方法. 利用自主研制的隧道智能快速检测车采集24条隧道衬砌的图像,构建超过20 000张病害图像的高质量数据集. 结合隧道衬砌病害的成因及特点,分别构建单阶段SSD模型和两阶段R-FCN模型在自制的数据集上训练,对检测结果进行对比分析,提出离线式隧道衬砌病害检测方案. 试验结果表明,SSD模型的识别准确率为98%,总的平均精度均值（mAP）为72%,检测速度较快,适用于隧道的快速诊断. R-FCN模型的识别准确率为85%,总的mAP达到91%,检测精度较高,适用于隧道病害的后期处理. 利用这2种检测模型均可以提升检测效率和精度.     

基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法

针对交通流量特性和外部因素对交通流量预测结果的影响,提出了一种对城市短时交通流量预测的模型CNN-ResNet-LSTM,将卷积神经网络（CNN）、残差神经单元（ResNet）和长短期记忆循环神经网络（LSTM）集成到一个端到端的网络框架.利用卷积神经网络来捕获城市区域间交通流量的局部空间特征,并在卷积神经网络中加入多个残差神经单元来加深网络深度,可提高预测的准确性;利用长短期记忆循环神经网络来捕获交通流量数据的时间特征;利用相应的权重将2个网络的输出结果融合,得到通过轨迹数据预测的结果;最后与外部因素融合,得到城市区域的交通流量预测值.用北京市轨迹交通数据对该模型进行验证,CNN-ResNet-LSTM模型不仅在准确率方面比传统模型高,而且在保证预测准确率的情况下,模型使用的参数也少.     

基于粗糙集与RBF-BP复合神经网络的变压器故障诊断

变压器的安全问题是电力系统稳定运行的关键因素.将BP神经网络稳定的优点与RBF网络收敛迅速的特点相结合,同时使用粗糙集对数据进行处理,进一步提高诊断的准确率.提出了新的变压器故障诊断方法,即基于粗糙集与RBF-BP复合神经网络算法,构建出该模型并且进行仿真实验.实验结果表明:该模型达到预期效果,准确率高,收敛速度快.     

基于滤波器裁剪的卷积神经网络加速算法

针对卷积神经网络（CNN）模型的压缩和加速问题,提出基于滤波器裁剪的新型卷积神经网络模型加速算法. 通过计算卷积层中滤波器的标准差值衡量该滤波器的重要程度,裁剪对神经网络准确率影响较小的滤波器及对应的特征图,可以有效地降低计算成本. 与裁剪权重不同,该算法不会导致网络稀疏连接,不需要应用特殊的稀疏矩阵计算库. 基于CIFAR-10数据集的实验结果表明,该滤波器裁剪算法能够对VGG-16和ResNet-110模型加速30%以上,通过微调继承的预训练参数可以使结果接近或达到原始模型的精度.     

基于变量聚类的BP神经网络术后生存期预测模型

针对结直肠癌患者术后生存期预测,基于模糊C均值（FCM）聚类算法,提出一种结合场景认知和隶属度排序的变量聚类方法,对结直肠癌患者样本进行降维,并筛选出6个特征变量.结合BP神经网络,建立一个结直肠癌患者术后生存期预测模型.为了验证该模型的有效性,利用主成分分析（PCA）对样本进行降维,并训练BP神经网络,对比FCM模型及PCA模型的预测准确率.结果显示,基于FCM变量聚类的BP神经网络模型预测准确率更高,所提出的变量聚类方法能够有效筛选出对于生存期有相关性和解释性的变量,从而提高BP神经网络模型的预测准确率.     

基于图神经网络的物联网入侵检测研究

针对物联网入侵检测中网络设备的异构性以及设备间的复杂关联性,本文基于图神经网络（Graph Neural Network, GNN）提出一种GraphSAGE-GAT模型,可以有效捕捉物联网设备之间的关联关系,并还原物联网设备之间的通信拓扑,从而达到提升物联网异常检测准确率的目的。首先,基于物联网设备间的网络流数据构建了设备关联关系图,然后利用GraphSAGE(Graph Sample and Aggregate)算法对相邻设备节点进行采样,从而可利用相互关联设备节点信息增强设备节点的嵌入信息表示;再利用图注意力网络（Graph Attention Network, GAT）为提取到的关联设备节点之间的关系自动化地学习到相关性权重,并通过多层聚合函数将关联设备节点的表示进一步融合,得到设备关联图节点的嵌入表示向量,从而进一步增强各设备节点的表示能力。最后,根据融合后的图节点嵌入表示向量实现对设备网络节点样本的良性和攻击分类。基于数据集NF-ToN-IoT-v2和NF-BoN-IoT-v2进行了实验验证,结果表明,本文所提出的模型GraphSAGEGAT在物联网入侵检测上的准确率分别高...     

基于卷积神经网络的链接表示及预测方法

针对节点全局表示和链接局部拓扑关系,提出链接序列化表示及卷积神经网络（CNN）提取序列特征的链接预测方法.研究节点间的局部拓扑及共邻关系,基于共邻紧密度构建链接局部拓扑的有序节点序列,并用node2vec节点向量表达生成潜在链接的矩阵表示;基于CNN建立链接预测的分类模型,采用CNN可变滤波器窗口卷积运算提取序列中共邻与节点对的多层隐含关系,分类训练实现链接的有效预测.在4种大规模网络数据集上的实验结果表明,相比已有方法,该方法的AUC值有显著提高,最高达12.4%,稳定性及普适性较强,解决了传统方法对大规模稀疏网络的预测准确率下降问题.     

采用词向量注意力机制的双路卷积神经网络句子分类模型

针对句子中不同的词对分类结果影响不同以及每个词对应的词向量受限于单一词向量训练模型的特点,提出一种基于词向量注意力机制的双路卷积神经网络句子分类模型（AT-DouCNN）.该模型将注意力机制和卷积神经网络相结合,以不同训练算法得到的词向量同时作为输入,分别进行卷积和池化,并在全连接层进行融合,不仅能够使得具体分类任务下句子中的关键信息更易被提取,还能够有效地利用不同种类的词向量得到更加丰富的句子特征,进而提高分类的准确率.实验结果表明：所提出的模型在3个公开数据集上的分类准确率分别达到50.6%、88.6%和95.4%,具有良好的句子分类效果.     

基于U-Net的颅内出血识别算法

针对颅脑计算机断层成像（CT）影像中脑出血的分析和识别，提出采用神经网络模型U-Net与轮廓识别相结合的方法提取脑实质区域，通过阈值分割算法分析血块的图像纹理特征，并过滤软组织、脑组织和脑脊液等无关生理组织结构，实现对颅内出血点的精确定位，最后采用插值方法将出血区域进行三维重建，对血块的三维形态作出评估.在天津市某医疗机构提供的500例颅脑CT数据上进行了验证测试，实验结果表明，该算法达到97.4%的目标识别准确率，能够为脑出血诊断提供参考.