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。     

局部信息和全局信息相结合的点云处理网络

针对当前主流点云处理网络仅依靠局部邻域进行特征聚合导致特征提取能力不足，以及使用最大值池化造成信息损失的问题，提出了一种基于注意力的局部信息和全局信息相结合的点云处理网络。首先提出了基于通道自注意力进行局部特征聚合的方法，减少了信息的损失；然后为捕获点的远程依赖信息，设计了一种动态学习关键点的方法获取全局信息；最后构建了一种基于空间注意力的特征融合模块，使每个点均能学习全局上下文信息。在几个常用点云数据集上对方法进行了实验验证，在ModelNet40分类任务上实现了94.0%的总体分类精度、91.7%的平均分类精度；在ScanObjectNN分类任务上实现了81.5%的总体分类精度、78.1%的平均分类精度；在ShapeNet分割任务上实现了86.5%的平均交并比。表明提出的点云处理网络在分类、分割等任务中的精度均较PointNet、PointNet++、DGCNN等经典网络有显著提升，较其他点云处理网络也有不同程度的提高。     

基于多尺度特征提取网络的图像美学量化评分方法

提出了一种基于多尺度特征提取网络的图像美学客观量化评分方法，该模型主要由多个多尺度特征提取单元级联组成，每个单元包含由3个不同卷积核组成的特征提取层、融合层和映射层。特征提取层通过联合图像的全局视图和局部视图组成网络输入端，在输出端以EMD函数为损失函数，输出分布为1~10分的概率密度质量函数，并以分布均值作为图像美学量化值。实验证明，本文方法具有可行性和有效性，解决了传统方法只进行美感二进制等级分类的问题，给出了（模拟人类思维对）图像的客观量化评分；同时在AVA数据集上获得了优于几种主流算法的分类准确度。     

MFDC-Net：一种融合多尺度特征和注意力机制的乳腺癌病理图像分类算法

乳腺癌是全球最常见的恶性肿瘤之一，采用传统方法诊断需花费大量时间和精力，且受个人能力影响较大。用计算机辅助诊断的方法，可以提高病理图像分类的准确率和效率，从而满足临床应用的需求。为此，提出一种基于DenseNet的融合多尺度特征和注意力机制的乳腺癌病理图像分类算法（MFDC-Net）。在密集块中引入坐标注意力机制，精准定位重要特征的空间信息。采用多尺度池化过渡层，通过不同卷积核的平均池化和普通卷积，在实现降维的同时扩大感受野。采用多尺度特征增强模块，融合深层次图像特征，提高分类性能。结果显示，MFDC-Net模型的分类性能较其他经典模型更优，分类准确率达97.12%，易混淆率低至3.34%，能较好地进行乳腺癌组织病理图像分类，为诊断和治疗提供重要依据。     

基于CEEMDAN-MFO-RBF的风电功率短期预测

文中提出一种基于自适应噪声完整集成经验模态分解与飞蛾扑火算法优化径向基神经网络的短期风电功率预测方法.首先,利用自适应噪声完整集成经验模态分解对风电功率信号进行分解,以获得不同时间尺度的固有模态函数分量和剩余分量,该方法相较于经验模态分解与集成经验模态分解具有更好的收敛性和完整性.其次,利用飞蛾扑火算法优化径向基神经网...     

基于协同注意力的RGB-D图像显著性检测

在RGB-D显著性检测视觉任务中,RGB彩色模态和深度模态的信息均被视为十分重要的特征线索。但现有的RGB-D显著性检测模型无法高效执行多尺度特征的交互和多模态特征的融合,因此在真实的开放场景下表现欠佳。针对上述问题,提出了一种基于协同注意力（synergistic attention）机制的RGB-D显著性检测算法模型（SANet）,并引入多模态学习中通用的引导与教导策略（guidance and teaching strategy）。在编码器进行多尺度特征提取的阶段中进行隐式引导（implicit guidance）,在解码器进行特征融合时进行显式的教导（explicit teaching）,实现了编码、解码的分阶段学习。在4个显著性检测评测数据集上进行的综合实验表明,该算法在4个评测指标上均优于已有的18个前沿RGB-D显著性检测模型。     

宽带FRA中同时实现信号增益与噪声平坦的快速算法

首先优化了多波抽运拉曼光纤放大器的功率耦合方程,并利用小信号方法解决反向抽运的边值问题,其次采用遗传算法同时实现了信号增益谱和噪声谱的平坦.计算表明:双向抽运方式下系统噪声谱在C L波段(1.53~1.61μm)比反向抽运更为平坦;抽运光数目与增益平坦度呈非线性关系并存在下限值.通过多次测试,对于10波抽运,100信道的DWDM系统(带宽为80 nm),增益波动小于1 dB的优化时间可控制在400 s以内.     

基于降噪自编码的电能质量扰动识别

针对目前电能质量扰动识别时特征提取不充分,造成识别精度不高的问题,引入了降噪自编码算法。降噪自编码算法起源于自动编码算法,两者都属于深度学习算法。其中,自动编码算法已经被应用于电能质量扰动识别,并取得了一定的成果。但是,自动编码算法对含噪声干扰的电能质量扰动信号的识别精度还不是很理想。本文采用降噪自编码算法,将克服这一问题。首先对无噪声的扰动信号用噪声进行"破坏",然后用带噪声信号去重构原始信号,得到扰动信号波形的固有特征,最后通过BP神经网络分类器对整个网络进行微调,得到最后用于分类的特征样本。该方法降低了传统特征提取算法对特征选取不当,造成分类识别精度不理想的风险,并在一定程度上提高了含噪声的电能质量扰动信号的识别精度。仿真结果表明,该方法在识别含噪声的电能质量扰动信号上有很大的优势。     

基于数据预处理深度置信网络的药物与非药物分类（英文）

制药工业的一个主要趋势是整合传统意义上被认为早期阶段药物发现的分子描述.为了更好的将药物和非药物分类,本文提出了基于深度信念网络(DBN)的分类模型.首先,对分子特征进行预处理以保证有价值的信息得到保留,其次,该模型将DBN和反向传播(BP)分类器结合去对药物/非药物进行检测和分类.DBN由几个受限玻尔兹曼机(RBM)层组成,当特征向量转移到下一层时这些RBM层尽可能多的保留具有重要的影响的信息.BP层训练的最后一个RBM层生成特征分类.结果表明,该方法是提取高层次特征的药物和非药物分类任务中一种成功的方法,分类精度高达85.3%,高于传统的支持向量机和神经网络方法.同时,预处理对分子特征的提取更为有效,从而在一定程度上提高了分类的准确性.     

地磁脉动信号的双谱分析

根据地磁脉动信号在更多情况下表现为非高斯的随机过程,提出采用高阶统计方法对地磁脉动信号进行分析处理,导出基于三经积量的双谱间接估计,并由此重构得到原随机信号的功率谱和其信号本身,结合实例说明了,双谱分析方法与传统的功率谱分析方法相比较,具有不可比拟的优越性。     

双口网络噪声模型的系统理论及其应用

从放大器实际存在的时域原始噪声模型出发，推导出两个时域等效噪声模型，并由此扩展到频域，得到了相对应的几个功率谱噪声模型，从而系统地给出了双口网络噪声模型理论和一系列实用的计算公式．将这些理论应用到光纤通信接收机前置放大器的噪声计算上，用统一的方法，算出了光接收机ＢＪＴ和ＦＥＴ前置放大器的等效输入端噪声电压电流功率谱，供光接收机设计使用     

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。     

嘶哑语声实时伪彩色功率谱分析

本文提出了一种对嘶哑语声功率谱进行实时伪彩色编码显示的新方法,并应用这种方法观测了16种典型的嘶哑语声功率谱的实时伪彩色语谱图.结果表明,这种方法便于直观判读,能实时地提供较多的特征信息.     

大数据环境下基于信息论的入侵检测数据归一化方法

在大数据时代,入侵检测作为网络安全的一种重要技术手段被广泛采用.网络入侵检测数据不同的特征属性具有不同的量纲和量纲单位,为了消除特征属性之间的量纲影响,一般在进行数据分析之前采用归一化处理.当前网络入侵检测数据的归一化处理大多只考虑特征属性取值本身的分布情况,没有客观地评估它对类别信息或其他特征属性的影响.针对这个问题,提出了一种基于信息论的网络入侵检测数据归一化方法.对连续特征属性,它以联合信息增益作为区间的分割评估方法,以区间的类别占比作为标准依据进行归一化处理;对离散特征属性,它根据类别条件熵的占比进行了归一化处理.利用NSL-KDD数据集仿真实验,结果表明,该方法不仅能够提高学习算法的收敛性,而且归一化的结果有助于提高分类模型的检测率和降低分类模型的误报率.     

基于函数映射的二维形状内蕴对称检测算法

针对现有的二维形状内蕴对称检测方法表现欠佳的问题，提出了基于函数映射的二维形状内蕴对称稠密点对应谱优化（FM-2DSISD）方法。首先，设计了对噪声数据鲁棒的稀疏特征对称点对提取算法。其次，利用特征对称点对和函数映射框架，建立了以保持函数映射矩阵每个主子矩阵对角正交性为优化目标的数学模型，证明了该优化目标能保持内蕴对称映射的等距性。借助谱上采样技术，通过频谱域和空间域交替迭代优化函数映射矩阵和逐点映射矩阵。数值实验表明，FM-2DSISD方法对二维光滑形状和噪声形状的检测效果均优于现有检测方法。     

一种基于V-TGRU模型的资源调度算法

提出了一种在私有云计算环境下基于机器学习V-TGRU模型进行资源预测的算法。通过统计历史记录,将其与当前工作负载下不同任务的先验资源使用情况相结合,同时考虑工作负载特性、主机特征和同一资源池中任务之间的亲和性等因素,动态预测多任务的资源占用情况,并根据预测结果和任务运行现状进行多目标任务优化调度。实验证明,此算法能有效完成对资源的预判选择、减少调度次数、节约调度时间、节省云计算资源和带宽,保障应用任务稳定运行。     

一种新的基于分布式入侵检测的警报聚类方法

针对大量的异构入侵检测传感器产生的警报泛滥问题，提出了一种在线警报聚类融合模型．该模型根据自我学习和调节，建立元警报作为警报聚类融合的基础，对新产生的警报进行分类、聚类，最终将警报特征与元警报融合，扩充元警报的特征信息．实验结果表明该方法能够有效地减少警报数量，提供具有指导意义的入侵响应，并且聚类结果可被用来进行进一步的网络态势评估．     

一种基于Turbo迭代处理实现PCMA信号盲恢复算法

针对非协作通信中同频线性调制混合的PCMA信号盲恢复问题,基于Turbo迭代处理算法思想,建立了PCMA基带接收系统模型,提出了一种联合解调和译码实现PCMA信号中各路源信号盲恢复算法.通过分析和推导,给出了一种混合信号解映射的方法.该算法不需要进行混合信号分离,而是直接从接收信号中估计出每路发送的信息序列,一步完成混合信号的分离、解调和译码.仿真结果表明,无论对于无码间干扰的AWGN信道还是ISI信道,算法都能得到较低的BER（Bit Error Rate,误码率）,算法对等功率混合信号和不等功率混合信号同样适用.     

一种去除椒盐噪声的自适应模糊中值滤波算法

针对传统中值滤波算法降噪性能不佳以及易造成图像细节模糊的问题,提出了一种自适应模糊中值滤波算法。 滤波过程分为噪声检测和噪声去除2个阶段。噪声检测阶段：采用极值法检测噪声,将图像的像素点分为两类,即疑似噪声点和信号点。 通过疑似像素点和与其相邻的已处理的像素点的平均绝对灰度差值定义模糊隶属度函数,利用该函数对疑似噪声点是否为噪声进行模糊分类。 噪声去除阶段：信号点保持原值输出,对于疑似噪声点的3种分类结果,采用模糊加权的中值滤波器进行统一处理。 实验结果表明,较于多种传统滤波方法,该算法能更有效地去除椒盐噪声,保护图像细节。