多维加权密集连接卷积网络的卫星云图云检测

云检测是多光谱卫星云图分析的前提。传统云检测方法不能很好地对多光谱卫星云图进行特征表示,导致了云检测不是很准确。卷积神经网络虽然能有效地提取特征,但训练时会产生梯度扩散,训练效率低,优化困难等问题。针对这些问题,提出多维加权密集连接卷积神经网络模型实现对多光谱卫星云图的云检测。跨层连接能够实现网络中所有层之间的信息流,从而减少训练过程中的梯度消失导致收敛困难的问题。特征图之间连接的权值不同使得网络能够更高效地利用特征信息。通过实验结果对比,该模型可以很好地提取云图特征,提高多光谱云图检测的准确率,具有更好的泛化性能和优化效率。

基于加权密集连接网络和注意力机制的滚动轴承故障诊断

针对当前诊断方法对滚动轴承故障特征表征困难以及在噪声干扰大的环境中检测性能下降的问题,提出了一种基于加权密集连接网络和注意力机制的滚动轴承故障诊断的方法,该方法由特征提取和故障分类两部分组成;在特征提取部分,首先采用加权密集连接网络从轴承振动信号中提取特征,并将不同空间级别的特征进行组合以增强信息的多样性,然后利用注意力机制突出重要信息,获得准确的表征故障特征;故障分类模型以表征的特征信息作为输入,经过Softmax函数输出每种故障类型的诊断结果;实验结果表明,所提模型在加性噪声干扰的情况下具有良好的诊断性能,比其他方法更具优势。

多维加权密集连接网络的流量混沌预测仿真

针对现有多维加权密集连接网络的流量预测方法没有充分考虑网络流量的时变性、混沌性、噪声污染性等特点,使得最终预测结果与真实值之间误差较大,预测耗时较长,提出了基于蚁群优化BP神经网络算法的多维加权密集连接网络流量混沌预测方法,采用小波分析对多维加权密集连接网络信号进行消噪处理,并依据混沌理论对消噪处理后的网络信号进行相空间重构,提取多维加权密集连接网络流量变化规律;在此基础上,建立了一个BP神经网络模型,利用梯度下降法调整BP神经网络参数;将调整后的BP神经网络参数作为蚂蚁的初始位置信息,通过蚁群之间的信息沟通交流和觅食过程中的相互协作获取BP神经网络各层神经元的初始连接权值和相应阈值等最优参数,建立优化预测模型,对多维加权密集连接网络流量进行预测。仿真结果显示,上述研究方法得到的预测结果与真实值拟合度较高,不仅能够有效降低多维加权密集连接网络流量预测误差,而且提高了预测速度。

基于加权密集连接卷积的深度强化学习方法总结

随着社会的发展和科学技术水平的提升,人们在思考一种学习方法的时候不再只从表面层次入手,而是采用新的科技方法进行深度强化学习。基于此,本文以加权密集连接卷积的深度强化学习方法作为研究对象,通过对深度强化学习的整体框架进行分析,分别从密集连接卷积网络、加权密集连接、网络模型的具体实现、经验池回收以及随机批量学习等方面详细阐述基于加权密集连接卷积的深度强化学习方法的探究,从而在不同难度的游戏仿真实验当中得到更加理想的性能。

加权特征融合的密集连接网络人脸识别算法

在非约束条件下人脸识别常受到表情变化、视角偏差、不同程度的遮挡和曝光等各种综合因素的影响;并且深度卷积神经网络几乎都存在参数过多,训练时梯度扩散或消失等问题。针对上述问题,提出了FuseNet网络模型。该模型有效地利用了人的眼睛、鼻子、嘴巴等局部特征信息,同时又包含面部轮廓等全局特征信息,并提出了多损失函数进一步缩小类内特征差距和扩大类间特征距离,有效地增强了非约束条件下人脸识别的鲁棒性。通过使用加权密集连接卷积神经网络来提取人脸的全局特征,密集连接模块可有效地解决深层网络所引起的参数冗余以及梯度扩散等问题。不同的连接权值使得网络能够充分地利用各部分特征。实验结果表明,无论是在闭集的CASIA-WebFace数据集上,还是开集的FLW数据集、MegaFace数据集上,提出的FuseNet网络都具有较好的识别率和泛化能力。