融合双向门控循环单元和卷积神经网络的歧视性言论鉴别

针对歧视性言论的鉴别,提出了一种融合双向门控循环单元(BIGRU,bidirectional gated recurrent unit)和多元卷积神经网络(MCNN,multi-convolution neural network)的BGM-CNN模型。模型先采用BIGRU结构进行时序特征提取,再经过一维多元卷积神经网络进行降维池化,最后结合多组特征输出进行分类。实验结果表明,BGM-CNN模型比现有的单一模型和CNN-LSTM(long short-term memory)等模型分类效果更好,该模型在五分类验证数据集上分类的F1值为0. 673 3,在两个歧视性言论二分类数据集上的F1值分别为0. 837 3和0. 815 6。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network,DCNN）的多尺度神经网络（multi-scale neural network,MSNet）模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络（fully convolutional networks,FCN）方法和基于支持向量机（support vector machine,SVM）的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。     

基于复合神经网络的多元水质指标预测模型

长江流域在我国水资源配置体系中具有重要地位,对其进行水质预测尤为重要。基于现有研究结果,结合循环神经网络（recurrent neural network,RNN）中的门控循环单元（gate recurrent unit,GRU）模型与全连接神经网络（fully connected neural network,FCNN）,提出了改进的多元水质指标预测（MWQPP）模型,并用其预测长江流域水体的pH、溶解氧（DO）、高锰酸盐指数（CODMn）、氨氮（NH₃-N）。基于长江流域2011—2018年23个水质监测点7 566条原始数据,经对比实验,证明了用MWQPP模型预测得到的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）和决定系数（R²）均优于传统水质预测模型,有效提升了水质预测的精度,具有较好的鲁棒性,为水质预测和流域管理提供了科学支撑。     

基于注意力机制的复杂背景连续手语识别

提出一种基于注意力机制的连续手语识别算法ACN(attention-based 3D convolutional neural network),能够识别复杂背景下的连续手语。该算法首先利用背景去除模块,对包含复杂背景的手语视频进行预处理;然后,通过基于空间注意力机制的3D-ResNet(3D residual convolutional neural network)提取时空融合信息;最后,采用结合时间注意力机制的长短期记忆（long short-term memory,LSTM）网络进行序列学习,得到最终的识别结果。算法在大规模中国连续手语数据集CSL100上表现优异;在面向不同复杂背景的情况下,算法表现出良好的泛化性能,模型引入的时空注意力机制是切实有效的。     

一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。     

一种基于深度学习的古彝文识别方法

作为世界六大古文字之一的古彝文记录了几千年来人类的发展历史。通过对古彝文的识别能够将这些珍贵文献资料转换为电子文档,便于保存和传播。由于历史发展、区域限制等原因,针对古彝文识别的研究鲜有成果。本文将当前新颖的深度学习技术应用于古老的文字识别。在四层卷积神经网络（convolutional neural network, CNN）基础上扩展出5个模型,然后利用Alpha-Beta散度作为惩罚项,对5个模型的输出神经元重新进行自编码,接着用2个全连接层完成特征压缩,最后在softmax层对古彝文字符特征进行重新评分,得到其概率分布,选择对应的最高概率作为识别的字符。实验表明,相对于传统CNN模型,本文方法对古彝文手写体的识别精度更高。     

一种基于卷积神经网络的快速噪声水平估计算法

对于非盲的高斯降噪算法而言,噪声水平值是非常重要的参数。传统的噪声水平估计算法多采用复杂的处理过程操作且效率较低。为此,本文利用非线性映射能力强大的卷积神经网络实现了一种快速高斯噪声水平估计算法。该算法首先对大量原始无失真自然图像施加不同水平的高斯噪声构成噪声图像集合,将噪声图像及其对应的噪声水平值作为卷积神经网络(convolution neural network,CNN)的输入和输出,训练得到一个噪声水平估计模型。模型一旦训练完成,即可快速地估计出任意给定的噪声图像的高斯噪声水平大小,整个过程无需人工设置任何参数。实验数据表明,与经典的噪声水平估计算法相比,所提出的算法保证了一定的预测准确性,且在执行效率方面更有优势,可适用于需要噪声水平作为输入参数的非盲降噪算法。     

基于CNN和LSTM混合模型的中文词性标注

中文词性标注具有重要的作用,它的准确性和标注速度直接影响到自然语言处理的后续任务.提出一种基于CNN(convolutional neural network)和LSTM(long-short term memory)混合模型进行中文词性标注.该模型采用三层结构,用词向量和CNN的滑动窗口特性产生词语表示特征,LSTM的时序性来产生词性标注的序列标签.分别在PFR《人民日报》语料库、CTB7.0和CoNLL09语料库上对该模型进行测试,在未加入任何人工特征的条件下,对词语进行词性标注,词性标注效果好于HMM(hidden Markov model)、MLP(multi-layer perceptron)、CNN和LSTM.     

基于RISC-V的卷积神经网络定制处理器

针对卷积神经网络在物联网设备的加速问题,提出在RISC-V架构的基础上,为卷积神经网络定制专用的加速处理器RCP(RISC-V CNN Processor),通过定制处理器技术从硬件视角进行卷积运算的加速。设计了基于RISC-V处理器的五级流水线,对流水线上的数据冲突和控制冲突提供了相应的解决方案;为卷积计算定制了MLAD/MSTORE/MMUL/MPOOL四条指令,加快了RCP处理器的卷积操作;验证RCP处理器的定制指令集,并通过运行卷积神经网络测试RCP处理器的功能。实验数据表明,使用了定制的指令集技术后,CNN的执行效率提高了3.38倍,加速了物联网设备中的卷积运算。     

基于ABC-RNN算法的机器嗅觉系统

为了解决对短采集时间水果产地进行快速识别的问题,提出一种基于人工蜂群算法优化的循环神经网络(ABCRNN)。该算法利用人工蜂群(ABC)算法对循环神经网络(RNN)的初始权重和偏置进行全局最优搜索,同时RNN以时序信号作为输入信号,降低了网络的复杂度。实验结果表明,ABC-RNN算法具有更快的训练速率和更高的精度,在甜橙和猕猴桃两种水果的产地分类问题上取得了很好的分类结果。     

SDN环境下的DDoS攻击检测方案

DDoS攻击(分布式拒绝服务攻击)对于软件定义网络的危害是致命的,如何快速准确地检测出DDoS攻击对于SDN安全至关重要。提出一种SDN(software-define networking)环境下基于广义信息熵和GA-RBFNN(genetic algorithm-radical basis function neural network)的DDoS攻击检测方法。利用熵检测流量,根据划分的阈值把检测结果分为正常,异常和攻击。对于异常的警告,控制器通过提取OpenFlow交换机的8元流量特征,利用GA-RBFNN来检测是否发生DDoS攻击。实验表明,与其他方法相比本方案提高了检测准确率,降低了控制器开销,有较好的综合检测能力。     

基于DBN与带注意力机制GRU的CAN总线入侵检测模型

为解决车联网中CAN(controller area network)总线易受攻击的问题,提出了一个混合攻击入侵检测模型DGAOIDS。该模型利用无监督的DBN(deep belief nets)学习正常CAN报文数据的基础特征,并利用一个带注意力机制的GRU(gate recurrent unit)网络学习其时序特征,用单分类支持向量机对其进行分类;引入一个对电子控制单元规则学习得到的过滤器,综合过滤器与前述模型的分类结果得出最终的检测结果。实验结果表明,对于不同攻击,基于规则的过滤器的假阳率均为0;DGAO-IDS模型不仅在公开数据集HCRL中的检测结果优于对比模型HyDL-IDS和MD-LSTM,而且该模型在混合攻击数据集MixAt中的精确度达到了91.05%,与HyDL-IDS模型和MD-LSTM模型相比分别高6.55%与7.93%。     

基于深度学习的可见光图像中行人检测方法

相对传统的行人检测技术,基于深度学习的行人检测技术具有压倒性的优势,然而由于深度卷积网络规模庞大,需要专用的处理器,限制了行人检测系统的推广.针对上述问题,提出一种网络规模适中的深度卷积网络模型,在保证检测精度的前提下提高检测模型的普适性.以低维度的浅层卷积神经网络为基础,分别从网络层数、感受野大小和特征图3个角度出发...     

基于锯齿空洞残差卷积的单幅图像超分辨率重建研究

针对残差学习的超分辨率重建方法中存在感受野受限、分辨率低、复杂性较高、边缘信息丢失等问题,提出一种锯齿空洞残差卷积的神经网络.首先,基于ResNet网络设计了锯齿空洞卷积,扩大网络的感受野,消除网络的"网格化",并增加跳跃连接,将图像特征传递到更深的网路;然后,通过最后一个卷积层得到与原始图像大小相等的残差图像;最后,...     

果蝇heix基因启动子的分析及其转录活性鉴定

采用生物信息学的方法,综合运用启动子预测工具Promotor Scan1.7和BDGP(neural network pro-moter prediction)分析了目标序列的启动子特征,以果蝇基因组DNA为模板扩增出heix基因启动子候选序列连接至pMD19T载体,构建了荧光素酶报道基因重组质粒pHeixpromoter-Luc,转染果蝇S2细胞表达荧光素酶,并测定了荧光素酶的活性.预测出4个候选的heix基因启动子序列,发现存在ATF、MLTF、c-fos_US5等多种转录因子调控基序;成功构建了pMD19T-Heixpromoter和pHeixpromoter-Luc重组质粒.与肌动蛋白启动子(actinp romoter)相比,pHeixpromoter-Luc表达出的荧光素酶也有较强的活性.本研究找到了果蝇heix基因启动子候选序列,并发现多种转录调控元件,其荧光素酶报告基因实验说明果蝇heix基因启动子与肌动蛋白启动子有相当的转录活性.     

基于深度学习的人体图像分割算法

人体图像分割作为人体行为理解和分析的基础,对分割的准确度及实时性都有较高的要求,目前人体图像分割的方法大多只能保证其中一项指标,使得人体图像分割在实际应用上受到很大的限制.本文在深度卷积神经网络的基础上结合反卷积神经网络,提出一种简单有效的基于深度学习的人体图像分割方案.百度人体图像分割数据库上的实验表明,该方法的重叠率为88.77%,单张图片分割耗时为60.7ms.在重叠率和实时性上获得了比较好的平衡,人体图像分割的效果有较大提升,显示出较好的实用价值.     

基于卷积神经网络的高压电缆局部放电信号分类

尽早发现高压电缆局部放电信号类型并采取相应措施,对于有效避免绝缘系统遭受破坏至关重要.针对高压电缆中4类常见的典型缺陷产生的局部放电信号,本文提出一种基于卷积神经网络的高压电缆局部放电信号分类方法.首先构建缺陷模型,采集4类缺陷的局部放电信号作为样本,并用电压幅值-相位谱图作为输入数据集;然后利用多层卷积核进行特征提取...     

哈希编码优化的IRON逆渲染模型：重建几何与材质

将神经网络用于场景几何材质的高效表达，结合逆向渲染在二维光度图的监督下重建高质量的网格和材质贴图，为现有的图形学流水线提供服务——神经渲染已成为近年来计算机图形学新的研究热点。在IRON(inverse rendering by optimizing neural SDFs and materials from photometric images)神经渲染模型基础上，通过引入多分辨率哈希编码，采用冻结训练等方法提高原始模型的训练速度。在多个数据集上的对比实验表明，优化后的IRON逆渲染模型训练速度提升了约40%，且重建结果中包含更多细节。     

基于RNN-CNN集成深度学习模型的PM2.5小时浓度预测

针对目前大部分PM_2.5预测模型预测效果不稳定、泛化能力不强的现状,以记忆能力较强的循环神经网络（RNN）和特征表达能力较强的卷积神经网络（CNN）为基础,采取Stacking集成策略对两者进行融合,提出了RNN-CNN集成深度学习预测模型。该模型不仅充分利用时间轴上的前后关联信息去预测未来的浓度,而且在不同层次上将自动提取的高维时序数据通用特征用于预测,以保证预测结果的稳定性。最后,对集成之前的RNN、CNN和集成之后的RNN-CNN模型,以2016年中国大陆地区1 466个监测站点的空气质量数据为样本进行实例验证,结果表明,RNN-CNN在PM_2.5时间序列预测上的表现明显优于集成之前的RNN和CNN,而且泛化误差更低,在34%站点上的拟合度超过0.97,该模型可用于大范围区域的PM_2.5小时浓度预测。