基于POWER8的动态自适应池化算法

针对当前卷积神经网络(CNN)模型中池化层关键语音特征提取效率低下的问题,提出一种基于POWER8架构的动态自适应池化(DA-Pooling)算法。在深度学习工具Caffe上实现CNN模型,输入经过卷积层的梅尔域滤波带系数,提取局部相邻语音的特征数据,通过计算Spearman相关系数确定数据间的相关程度。根据特征权重对具有不同相关性的语音数据动态分配池化算法,以提高池化层对不同相关性数据的适应能力。DA-Pooling利用POWER8的高效浮点运算和多线程并行计算优势,提高了海量语音数据的处理效率。实验结果证明,相比现有主流Pooling算法,DA-Pooling可提高关键语音数据的识别准确率,保证CNN中语音识别的稳定性。

基于卷积神经网络的固定群体中目标人物分类

卷积神经网络作为深度学习的重要分支,在图像识别、图像分类等方面有广泛的应用,其中快速特征嵌入卷积神经网络框架(convolutional architecture for fast feature embedding,Caffe)是目前炙手可热的深度学习工具.针对固定群体中的目标人物,提出一种基于卷积神经网络的分类方法,该方法不依赖于人脸图像集,而是通过摄像头采集视频,并利用直方图的归一化互相关方法从视频中截取训练图片,再通过Caffe产生训练模型,并将个体目标图片在模型中进行匹配,达到在固定人物群体中对个体目标进行分类的目的.实验结果表明,利用前期的训练模型可对固定群体中的个体目标进行准确匹配.

基于卷积神经网络的直流XLPE电缆局部放电模式识别技术

针对现有的直流交联聚乙烯(XLPE)电缆局部放电模式识别对强随机性信号的特征提取缺乏一定自适应能力的问题,该文提出基于卷积神经网络(CNN)的模式识别算法,采用卷积神经网络框架CAFFE进行网络训练和识别检测。首先采集四种典型绝缘缺陷电缆的局部放电信号作为样本,再利用自适应的卷积核进行特征提取,池化层进行特征映射,非线性多分类器进行回归分类,最终得到训练完成的CAFFE网络。通过设置不同求解器参数、网络结构和训练样本数量对缺陷识别结果进行对比分析,发现利用改进的Alexnet网络,采用衰减学习率方式的模式识别框架的平均识别正确率最高,达到了91.32%,相比于传统模式识别算法至少提高了8.97%。该方法具有强大的自适应学习能力,为应用于直流电缆故障诊断的模式识别提供了新的思路。