基于图神经网络的非同义单核苷酸多态性预测研究

在遗传与变异的研究中,非同义单核苷酸多态性(nsSNP)是一个重要的研究方向,目前已发现由非同义单核苷酸多态性引起的疾病有6 000多种,因此,准确预测非单核苷酸多态性对更好地了解其功能机制和疾病治疗具有重要意义。针对该问题,文中提出了一种名为SGNN的模型,旨在通过图神经网络与卷积神经网络的方法,实现高性能地完成nsSNP预测任务。在SGNN模型中,通过样本长度归一化处理,截取出适当长度的残基环境,以减少冗余信息,降低噪声干扰;随后,通过ProtTrans模型提取出样本残基环境的PT特征,并将属于同种蛋白质且具有相同突变位点的样本构成的集合使用图数据建模的方法转化为图结构数据;在模型训练的过程中,通过GraphSAGE算法更新图并使用节点分类的方法结合卷积神经网络完成样本致病性预测。实验中选择MMP数据集和PredictSNP数据集作为基准数据集,并与已有的最新的方法进行对比。其中,SGNN在MMP数据集上准确率(ACC)为85.2%,在PredictSNP数据集上ACC为83.3%,相较于最新的方法分别提升了3.2百分点和3.6百分点。实验结果表明,在nsSNP预测任务中,SGNN具有更好的预测性能。

基于特征融合的自动调制识别算法

目前大多数基于神经网络的调制识别算法,只使用时域或频域的单一信息来源,忽视利用多个变换域信息特征进行优势互补。提出基于特征融合的深度学习自动调制识别算法,可有效改善只利用时域或频域单一信息来源的调制识别效果。上述算法包含时频特征提取模块,将信号在不同变换域中的特征进行融合,然后采用基于注意力机制的长短期记忆网络和全连接层进行分类,通过多个变换域信息的特征融合,实现了优势互补。仿真结果表明,相比传统的深度学习调制识别算法,基于特征融合的自动调制识别算法能够有效地提取信号特征,具有更高的识别准确度。

基于深度时空域卷积神经网络的表情识别模型

基于特征抽取是表情识别算法中的重要步骤,但是现有算法依赖手工设计特征且适应性差等问题,提出基于深度时空域卷积神经网络的表情识别模型,采用数据驱动策略直接从表情视频中自动抽取时空域中的动静态特征。使用新颖的卷积滤波器响应积替代权重和,使得模型能同时抽取到动态特征和静态特征。引入深度学习的多层设计,使得模型能逐层学习到更抽象、更宏观的特征。采用端对端的有监督学习策略,使得所有参数在同一目标函数下优化。研究结果表明:训练后的卷积核类似于Garbor滤波器的形态,这与视觉皮层细胞对激励的响应相似;该模型能对表情视频进行更准确分类;通过与其他几种近年出现的算法进行比较,验证该算法的优越性。

基于深度学习的钢轨伤损智能识别方法

基于钢轨探伤车检测数据通道设计、B显数据生成原理和钢轨伤损分类,对比钢轨探伤车检测数据伤损识别与普通图像识别特点的不同,将检测数据视为由16个通道二进制矩阵叠加成的图像;设计包含1个输入层、3个卷积层、3个池化层、2个全连接层、1个输出层的深度学习架构,并通过噪声和通道预处理,将钢轨伤损的"物体检测"问题转换为"分类"问题。以某地人造钢轨伤损检测数据扩充后作为训练集,得到基于深度学习的钢轨伤损智能识别模型,以另一地的人造钢轨伤损检测数据作为测试数据分析该模型的识别效果,并与钢轨探伤车既有系统识别结果和人工分析结果进行对比。结果表明:基于深度学习的钢轨伤损智能识别模型在准确率、误报率指标上均优于钢轨探伤车既有系统,达到人工分析的指标要求,提高了准确率。

基于FMCW雷达的多维参数手势识别算法

该文提出一种基于调频连续波(FMCW)雷达多维参数的卷积神经网络手势识别方法。通过对雷达信号进行时频分析,估计手势目标的距离、多普勒和角度参数,构建出手势动作的多维参数数据集。同时,为了进行手势特征提取和精确分类,提出多分支网络结构和高维特征融合的方案,设计出具有端到端结构的RDA-T多维参数卷积神经网络。实验结果表明,结合手势动作的距离、多普勒和角度信息进行多维参数学习,所提方法有效解决了单维参数手势识别方法中手势描述信息量低的问题,且手势识别准确率相较于单参数方法提高了5%～8%。

使用深度长短时记忆模型对于评价词和评价对象的联合抽取

评价词和评价对象抽取在意见挖掘中是一个重要的任务,我们在句子级评价词和评价对象联合抽取任务上研究了长短时记忆(long short-term memory)神经网络模型的几种变种应用。长短时记忆神经网络模型是一种循环神经网络模型,该模型使用长短时记忆模型单元作为循环神经网络的记忆单元,它能够获得更多的长距离上下文信息,同时避免了普通循环神经网络的梯度消失和梯度爆炸的问题。我们对比了传统的方法,实验结果证明长短时记忆神经网络模型优于以前的方法,在细粒度评价词和评价对象的联合抽取中达到更好的性能。

基于DBN的航空发电机旋转整流器故障诊断方法

研究了一种基于深度置信网络的故障诊断方法,主要应用于针对航空发电机旋转整流器所进行的故障诊断中,对方法进行了仿真及实际实验验证。采集主励磁机励磁电流作为故障诊断所使用的有效信号,对所采集到的励磁电流信号进行快速傅里叶变换以获取其频域信息,将所得到的频域数据分为训练样本和测试样本输入至深度置信网络中进行故障分类,计算诊断正确率并做出分析。实验证明,所提出的方法具有良好的故障分类效果。

改进的弹性网模型在深度神经网络中的应用

由于具有较高的模型复杂度,深层神经网络容易产生过拟合问题,为了减少该问题对网络性能的不利影响,提出一种基于改进的弹性网模型的深度学习优化方法。首先,考虑到变量之间的相关性,对弹性网模型中的L1范数的不同变量进行自适应加权,从而得到L2范数与自适应加权的L1范数的线性组合。其次,将改进的弹性网络模型与深度学习的优化模型相结合,给出在这种新正则项约束下求解神经网络参数的过程。然后,推导出改进的弹性网模型在神经网络优化中具有群组选择能力和Oracle性质,进而从理论上保证该模型是一种更加鲁棒的正则化方法。最后,在多个回归问题和分类问题的实验中,相对于L1、L2和弹性网正则项,该方法的回归测试误差可分别平均降低87.09、88.54和47.02,分类测试准确度可分别平均提高3.98、2.92和3.58个百分点。由此,在理论和实验两方面验证了改进的弹性网模型可以有效地增强深层神经网络的泛化能力,提升优化算法的性能,解决深度学习的过拟合问题。

卷积神经网络在风洞天平静态校准中的应用

风洞天平是气动试验中用于测量作用在模型上的空气动力载荷(力与力矩)的大小、方向和作用点的装置,测量结果的精准度与天平的静态校准性能直接相关,天平的静态校准是通过校测设备建立天平测量信号与所受气动载荷的映射关系。由于多分量风洞天平的各个分量间存在相互干扰,并且通常二次干扰和组合干扰会出现非线性特性,采用线性拟合方法会产生一定的误差,使得风洞天平静态校准性能因受到数据处理方法(线性拟合)的局限而较难进一步提高。因此,为了进一步提升应变天平静态校准的性能,本文探索深度学习方法在风洞天平静态校准中的应用。利用中国科学院力学研究所风洞天平校准系统AiBCS,对六分量应变天平开展基于卷积神经网络的静态校准研究,采用深度学习训练模型代替传统风洞天平校准公式并获取更高性能指标。同时,对人工智能建模方法在天平静态校准中的适用条件、有效性及可靠性等方面进行了讨论和评估分析。数据结果显示:相较于传统的基于最小二乘多项式的拟合方法,卷积神经网络天平校准方法有效降低了天平各个分量间的载荷干扰,使校准结果的精准度得到了较大幅度的提升。

融合多层卷积特征的双视点手势识别技术研究

在人机交互技术领域,基于视觉的手部交互技术凭借其良好的舒适性和自然性被广泛研究和应用.手势识别是手势交互技术的核心内容之一.本文提出一种基于深度学习网络的识别方法,构建双视点网络框架,采用支持向量机对各视点下提取的特征进行分类识别,降低手势自遮挡的影响,提高识别精度;同时对各视点卷积网络,根据训练样本卷积特征的累计贡献率实现不同深度层的卷积特征的融合,补充深层网络丢失的浅层特征信息,增强特征鲁棒性.实验结果表明,较传统方法本文方法能有效提高手势识别准确率,同时基于预训练的学习方法能有效提高手势识别的时间效率.

一种面向时空神经网络的潜在情绪识别方法

微表情对情绪识别有着一定的作用,但在人为隐藏的情况下则容易出现误判。生理信号的识别效果虽然较为准确,但其数据的采集往往复杂,不便于用于快速的人员情绪检测中。针对上述问题,采用非接触基于色度模型的方式采集脉搏信号,并根据脉搏信号提取特征,融合提出的时空神经网络实现潜在情绪识别,平均识别率约78.59%和76.91%。实验结果表明,提出的双路潜在情绪识别框架可以很好地融合微表情和生理信号中所包含的情绪信息,在微表情识别中的效果较现阶段常用的微表情识别算法的效果有一定提升。

基于卷积神经网络的行人检测方法研究新进展

深度学习在行人检测领域有重大的应用价值,可及时预测客流,避免安全事故的发生。概述了卷积神经网络的发展历史及其主要组成模块,包括各部分模块的研究现状,介绍了卷积神经网络在行人检测中所需要的行人检测数据库及其应用现状。结果表明:基于卷积神经网络的行人检测方法发展迅速,可大大提高行人检测的准确性和实用性,并在实际问题的应用中可有效分析人流拥堵的状态,从而对行人进行有效的疏散,以避免拥挤踩踏安全事故的发生,具有实际运用的意义。

基于全卷积神经网络复杂场景的车辆分割研究

针对目前存在的复杂交通场景中车辆分割精度不足的问题,本文提出了一种基于全卷积神经网络对图像中车辆进行分割的方法。在VGG16Net基础上,将全连接层改为卷积层,为获得更精细的边缘分类结果,减少了部分卷积层,并融合浅层和深层特征,同时,为提高交通环境下车辆的分割精度,减少其他类别目标的干扰,将对车辆目标的分割问题改为基于像素的二分类问题,为提高网络的训练速度,采用Adam优化算法对网络进行训练。实验结果表明,与现有的全卷积神经网络分割效果相比,该网络对复杂交通场景下的车辆分割精度明显提高。该研究在智能交通方面具有较好的应用前景。

基于改进的三维卷积神经网络的高光谱遥感影像分类技术研究

高光谱遥感影像数据具有多样化的光谱信息和空间信息,然而传统的高光谱影像分类只是针对目标的光谱特征进行处理。基于三维空间滤波操作可以作为一种简单高效的提取高光谱影像光谱和空间特征的方式,基于此提出一种改进的三维卷积神经网络框架以实现更加准确的高光谱遥感影像分类。利用高光谱遥感影像数据立方体有效地提取光谱-空间组合特征,而不依赖于任何预处理或后期处理。另外,与其他传统的基于深度学习的方法相比,该方法去除了池化层,从而达到所需参数更少,模型规模更小,更容易训练的效果。将该方法与其他基于深度学习的高光谱遥感影像分类方法进行了比较,并使用两个真实场景的高光谱遥感影像数据集作为测试。实验结果表明,该方法在地物分类准确度方面较传统的基于深度学习的高光谱遥感影像分类方法取得了更好的分类效果。

融合多层次视觉信息的人物交互动作识别

基于计算机视觉的人体动作识别技术在视频监控、智能驾驶、人机交互、多媒体内容审核等领域均有着广阔的应用前景,其中人体动作中的人物交互是动作识别的核心内容之一。现有的人物交互动作识别模型对人物关系的提取仅仅停留在表层视觉特征之上,并未充分挖掘人体关键区域以及人物之间的深层语义关系。针对此问题,文中提出了层次化的图神经网络模型(HGNN)对人物交互动作建模。HGNN模型从局部到整体显式地对人体关键区域以及人和物构成的场景图进行建模,并利用注意力图池化机制(AttPool)剔除层次图中冗余的信息和噪声,再通过图卷积网络提取图结点之间的深层语义关系,对卷积网络提取的特征进行聚合与优化,从而得到反映人物交互动作本质的特征表示。另外,HGNN模型在中层图进行的临时监督分类也能够约束网络更好地学习到交互动作的人体模式,避免网络对交互对象产生“偏见”。最后,针对HGNN模型,设计了多任务损失函数,用于有效进行模型训练。为了验证HGNN模型的有效性,在公开的大型数据集V-COCO上进行了广泛的实验,结果均显示所提出的HGNN模型对常见的人物交互动作具有广泛的适应性和鲁棒性,精度(mAP)超过了现有的基于图神经网络的模型,同时领先于大部分最新的多流卷积模型。

基于深度神经网络的遥感图像实例分割

随着航空航天技术的发展,人们从各种高空视角获取了海量遥感数据,机载和星载传感器获取的各类遥感图像广泛用于资源勘探、环境保护、气象分析以及军事探测等领域。然而遥感图像数据量大、目标数量多、图像分辨率高,其人工解译标识往往耗费大量时间使得利用率极其低下,因此本文采用残差网络进行特征提取,结合注意力机制,通过单步实例分割框架,解决遥感图像目标分割中目标尺度大小差异大的问题,在各个尺度和类别的数据上的实例分割实验结果显示,该方法能够有效地提取遥感图像中的特定目标。

生成对抗网络及其在纺织行业中的应用

纺织行业作为国民经济的重要支柱产业,具有体量大、数据量大的特点。如何有效利用数据量大、分类详细、来源不同的纺织数据,成为当前纺织行业数字化转型升级过程中的重要技术议题之一。相对于传统的数字图像处理方法,生成对抗网络(GAN)作为深度学习领域的研究热点,可以根据较少的标注数据,生成多样的高质量数据,能够很好地实现纺织数据样本的增强与生成。从GAN的理论原理出发,分析该模型的优点和缺点;对纺织领域应用最为广泛的6种GAN变体进行介绍;列举GAN在纺织领域中的具体应用现状;对GAN在纺织领域中面临的问题和挑战进行总结。

基于双神经网络模型的智能零售柜设计与实现

近年来,基于深度学习模型的图像识别技术已成为智能零售柜的主要解决方案。设计了一种新的基于双神经网络模型的智能零售柜系统。该系统与单模型设计比较,除检测召回率和分类准确度有显著提升外,还大大降低了因增加新品种而导致的模型再训练时间。首先,利用Faster RCNN模型完成商品大类(按包装分类)的分类检测任务,以提高检测召回率;其次,利用ResNet50模型完成商品小类(按品种分类)的分类任务,以提高分类准确度。与此同时,还在最难分品种集上进行了多种数据增强消融实验研究,以改进该难分品种集所属大类数据集的分类准确度。

基于深度学习的神经归一化最小和LDPC长码译码

LDPC码是一种应用广泛的高性能纠错码,近年来基于深度学习和神经网络的LDPC译码成为研究热点。基于CCSDS标准的(512,256)LDPC码,首先研究了传统的SP、MS、NMS、OMS的译码算法,为神经网络的构建奠定基础。然后研究基于数据驱动(DD)的译码方法,即采用大量信息及其经编码、调制、加噪的LDPC码作为训练数据在多层感知层(MLP)神经网络中进行训练。为解决数据驱动方法误码率高的问题,又提出了将NMS算法映射到神经网络结构的神经归一化最小和(NNMS)译码,取得了比NMS更优秀的误码性能,信道信噪比为3.5 dB时误码率下降85.19%。最后研究了提升NNMS网络的SNR泛化能力的改进训练方法。

基于多尺度池化与特征融合的轻量级语义分割算法

语义分割是视觉理解系统的重要组成部分,能够识别图像中存在的内容以及位置。现有的语义分割算法面临着复杂度与分割精度之间难以平衡的挑战,很难灵活的运用到实际场景中。为了解决这一问题,从性能和网络的参数量方面综合考虑,提出了一种基于多尺度池化与特征融合的高效语义分割算法。该方法主要以Deeplabv3+为基础算法框架,使用改进的轻量级MobileNetV2作为骨干网络来降低网络模型的复杂度;使用独特的空洞空间金字塔池化模块(Distinctive Atrous Spatial Pyramid Pooling Module,DASPP),利用多尺度池化操作和不同大小的空洞卷积操作,充分捕捉多尺度目标特征和丰富的全局上下文语义信息;在解码部分引入注意机制增强表征力,提出了多级联合特征融合网络(Multi-level Feature Fusion Network,MFFN),使得高级、低级特征实现了有效融合,从而进一步提高了分割精度。提出的模型相比于经典的语义分割方法,大大减少模型参数的数量,并且性能得到显著改善。在PASCAL VOC 2012数据集上进行了实验,本文模型参数数量仅为6.66 M,在测试集上达到73.72%的准确度。