基于区域特征推荐神经网络的数字图像信息识别方法研究

现代技术的进步使得图像信息识别系统快速发展。为了提高对数字图像中信息的识别准确率,并保证用户相关数据信息的安全性,实验提出将区域特征推荐网络应用于数字图像信息识别中。过程中首先利用深度学习对图像信息进行了预处理,接着利用区域特征推荐神经网络完成对图像信息的最终识别。结果显示,研究方法在MNIST数据集与Cifar数据集上进行实验,当迭代进行到第20次与第16次时,研究方法有稳定损失函数值0.0151与0.0163。当所有模型的精准率均为0.800时,得到的RNN、TensorFlow-CNN与研究方法的召回率分别为0.722、0.784与0.902。同时研究方法识别图像时,未出现重叠现象。以上结果说明研究方法具有较高的图像识别精准率,能够为后续图像识别系统的性能提升提供一定的参考,具有较高的应用价值。

融合社交关系和时序特征的图神经网络推荐模型

为解决推荐模型中的用户信息缺失和用户动态偏好问题,满足用户个性化需求,提出一种融合社交关系和时序特征的图神经网络推荐模型。该模型先构建社交关系图,并通过注意力机制得到基于社交关系的用户潜在特征;再构建用户-项目交互图,利用门控循环单元和注意力机制捕获交互信息,分别获得用户的时序特征和项目特征;最后将用户潜在特征与时序特征融合得到新的用户特征,并将其与项目特征进行融合,经过多层感知机得到最终推荐结果。在不同数据集上进行实验,结果表明,该模型能更好地处理用户信息缺失和用户动态偏好问题,进而提升推荐性能。相较于经典的图神经网络推荐模型,该模型的精确率和归一化折损累计增益比分别提高了4.0%和4.1%。

基于多特征的深度神经网络混合推荐模型研究

近年来,深度学习广泛应用于推荐系统领域,并受到了极大的欢迎。然而,将混合推荐与深度学习技术相结合的研究还处于起步阶段。将深度学习技术应用于混合推荐,设计了一个基于多特征的深度神经网络混合推荐模型(MFDH),通过将深度学习技术和多层感知机技术相结合,从多角度自动学习用户和项目之间的交互,更全面地反映出用户的偏好。在两个不同的公开数据集上进行了实验,结果证明,该模型相比基线模型有较高的推荐质量。

基于多特征融合神经网络的遥感影像推荐方法

针对目前遥感用户获取遥感影像时采用的人工查询和订购方式较为低效的问题,提出了一种基于多特征融合神经网络的遥感影像个性化推荐框架。设计遥感影像语义体系实现影像语义提取,结合用户操作记录与职责描述文本构建遥感领域知识图谱。通过嵌入表征方法提取用户与影像的多维度属性特征。设计了一种基于协同过滤的多特征融合神经网络模型,借助神经网络的高维度空间建模能力实现用户与影像多维属性特征的有效融合,达到较好的配对推荐效果。实验结果显示,相较于先前的推荐方法,所提方法的性能获得显著提高,有效提升了遥感数据服务的精准度与时效性。

基于高阶和时序特征的图神经网络社会化推荐算法研究

跨项目社会推荐是一种将社交关系整合到推荐系统中的方法。社会化推荐中包含用户-项目交互图和社交网络图,用户是连接这两个图的桥梁,其表示学习对提升社会化推荐的性能至关重要。然而,现有方法主要使用用户或项目的静态属性和社交网络中的显式朋友关系来进行表示学习,用户和项目交互的时序信息及隐式朋友关系未得到充分利用。因此,在社会化推荐中,如何有效利用时序信息和社交信息成为重要的研究课题之一。文中通过建模用户的隐式朋友和项目的社交属性,提出了一种新颖的基于高阶和时序特征的图神经网络社会化推荐算法(Graph Neural Networks Social Recommendation Based on High-order and Temporal Features)模型,简称HTGSR。HTGSR首先利用门控递归单元对基于项目的用户表征进行建模,以反映用户的近期动态偏好,并定义一个高阶建模单元来提取用户的高阶连通特征,挖掘用户的隐式朋友信息;其次利用注意力机制获取基于社交关系的用户表征;然后提出不同的项目社交网络的构建方式,并利用注意力机制来获取项目表征;最后将用户和项目的潜在表征输入到多层感知机,完成用户对项目的评分预测。在两个数据集上进行详细的实验,并将实验结果与多种类型的推荐算法进行比较,结果表明HTGSR模型在两个数据集上的效果均较优。

自组织特征映射神经网络的区域经济发展聚类分析

自组织特征映射(SOM)神经网络是无教师自组织、自学习网络,具有优良的数据聚类功能。基于选取的区域经济发展评价指标,对2006年我国31个省(地区)的综合经济实力进行聚类分析。结合主成分得分对聚类结果综合评价,实证效果较好。

基于多区域特征的深度卷积神经网络模型

针对现有的深度卷积神经网络模型存在的网络结构复杂、计算量较大等问题,从而无法在实际中有较广泛的应用,该文提出一种基于多区域特征的深度卷积神经网络模型。模型首先对图像进行多区域划分,然后用标准卷积操作得到图像语义上下文信息,接着利用多区域的输入来学习上下文交互特征,通过把全局区域和多个分区域的空间信息级联再输入卷积层,以一种信息补充的方式提取图像的上下文特征信息,最后通过Softmax函数对图像进行分类。实验结果表明,该模型结构简单,参数量较少,且多区域特征融合上下文信息建模比单区域特征建模具有更好的鲁棒性和更高的分类精度。

基于区域特征脉冲耦合神经网络的航空发动机涡轮叶片DR图像融合

针对大厚比的复杂结构件数字射线成像(Digital radiography,DR),单一透照能量不能完整体现全部信息的问题,提出一种基于区域特征的脉冲耦合神经网络(Pulse coupled neural network,PCNN)多幅图像融合算法。以航空发动机涡轮叶片为研究对象,首先在获取多幅递增管电压透照子图基础上,经非下采样轮廓波变换(Non⁃subsampled contourlet transform,NSCT)分解为一个低频子带和多个尺度下的高频子带;其次采用PCNN算法,用各子带的改进空间频率中方向特征最明显的分量调整连接强度;然后低频子带采用区域均方差、高频子带采用改进的拉普拉斯能量和作为外部激励,点火映射图的判决遵循取大原则;最后通过NSCT逆变换得到融合结果图。实验结果表明,以熵、标准差、平均梯度、清晰度和空间频率作为客观评价指标,与基于拉普拉斯金字塔变换等经典融合算法相比均有所提升。本文研究方法性能优越,丰富了融合图像的细节信息,可获得更高质量的DR融合图像。

综合用户偏好模型和BP神经网络的个性化推荐

个性化推荐是目前解决电子商务中产品信息过载问题的有效工具之一。对综合用户偏好模型和BP神经网络的个性化推荐算法进行了研究。具体讨论了如何建立用户偏好模型,采用神经网络训练得到目标用户的偏好模型,通过Movielens数据库验证该模型的有效性。提出了一个基于内容的个性化推荐算法。

基于改进快速区域卷积神经网络的视频SAR运动目标检测算法研究

针对传统视频SAR(ViSAR)运动目标检测方法存在的帧间配准难度大、快速运动目标阴影特征不明显、虚警概率高等问题,该文提出一种基于改进快速区域卷积神经网络(Faster R-CNN)的视频SAR运动目标检测方法。该方法结合Faster R-CNN深度学习算法,利用K-means聚类方法对anchor box的长宽及长宽比进行预处理,并采用特征金字塔网络(FPN)架构对视频SAR运动目标的“亮线”特征进行检测。与传统方法相比,该方法具有实现简单、检测概率高、虚警概率低等优势。最后,通过课题组研制的Mini-SAR系统获取的实测视频SAR数据验证了新方法的有效性。

用神经网络进行散乱点的区域分割

点云的区域分割实质上是根据点的局部几何特性的相似性对点进行分类 ,利用自组织特征映射神经网络 (SOFM)方法可以实现无监督的特征聚类 .使用 SOFM进行反向工程中点云的区域分割 ,选用数据点的坐标、法向量六维向量作为 SOFM的输入 ,通过改进 SOFM的学习算法 ,加入输入权和距离权 ,加速了分割的速度和正确性 .利用 SOFM方法实现点云分割具有以下优点 :不必限定面的类型 ;用户可以控制分区的个数 ;可以处理噪声数据 .

采用脉冲耦合神经网络的改进显著性区域提取方法

由于仅考虑颜色等视觉对比信息的视觉显著性提取模型不符合人眼生物学过程,本文提出了一种基于混合模型的改进显著性区域提取(ISRE)方法。该混合模型由显著性滤波算法和改进脉冲耦合神经网络(PCNN)算法构成。首先,利用显著性滤波器算法获得原图像的初始显著性图(OSM)和亮度特征图(IFM),用IFM作为PCNN的输入神经元;然后,进一步对PCNN点火脉冲输入进行改进,即对PCNN内部神经元与OSM的二值化显著性图进行点乘,确定最终点火脉冲输入,以获得更加准确的点火范围;最后,通过改进后的PCNN多次迭代,完成显著性二值化区域提取。基于1 000张标准图像数据库进行的实验结果显示:在视觉效果和客观定量数据比对两方面,本算法均优于现有的5种显著性提取方法,平均查准率为0.891,平均召回率为0.808,综合指标F值为0.870。在真实环境实验中,所提算法获得了精确的提取效果,进一步验证了本算法具有较高的准确性和执行效率。

基于改进区域卷积神经网络的安全帽佩戴检测

针对已有的安全帽佩戴检测算法对小尺寸目标和部分遮挡目标检测效果较差的问题,在区域卷积神经网络基础上,做出优化用于安全帽佩戴检测。在原始Faster RCNN的基础上使用多层卷积特征融合技术优化区域建议网络产生候选区域特征图,使用在线困难样本挖掘技术训练ROI网络,自动挑选出困难样本使训练更加有效。实验结果表明,相比原始的Faster RCNN算法,所提方法检测精度提高了4.73%,对部分遮挡和小尺寸目标均有较好的检测效果,对环境变化具有更强的适应性。

神经网络模型在根系带土壤水力特征参数空间变异性研究中的应用

经相关分析研究区内各空间点的土壤水力特征参数与土壤物化参数具有统计相关关系、各空间点的土壤水力特征参数之间也有空间相关关系。因此利用学习速率和动量因子自适应的BP神经网络模型,以影响土壤水力特征参数的因子集(土壤物化特征参数)和能反映土壤水力特征参数空间分布特性的各采样点坐标作为输入层节点信息对土壤水力特征参数进行区域估值,并研究其空间变异性。

基于注意力机制交互卷积神经网络的推荐方法

为了捕捉在线购物时用户与商品之间的动态交互关系,提高推荐系统(RS)的准确度,提出了结合用户倾向性和商品吸引力的用户评价预测方法。首先,将评论分为用户评论文本和商品评论文本,分别输入两个交互卷积神经网络(CNN),并结合注意力机制,动态捕捉文本中的语义信息和上下文信息,得到用户和商品的自适应特征;然后,利用交互注意力网络,分析商品特征和用户特征的动态交互关系,计算出用户对特定商品的倾向性和商品对特定用户的吸引力;最后,通过预测模块提供用户对商品的准确评价预测。在数据集上进行实验,结果表明,所提方法取得了最优性能,比其他方法的MAE和RMSE性能分别至少提升了15.1%和13.6%。此外,基于Top-K的统计指标进一步验证了所提方法的商品推荐精准度。

中国可持续发展水平区域差异的人工神经网络判定

本文在对目前区域可持续发展水平度量方法进行分析的基础上 ,提出以人工神经网络 (ANN)作为区分中国可持续发展水平区域差异的模型工具。构建了ANN模型分析中较为先进的自组织特征映射网络 (Self-Organiz ingMaps,SOFM) ,并以中国 31个省市 (自治区 ) 1996年的社会、经济、资源和环境状况作为待分样本 ,用SOFM进行了可持续发展区域差异的判定。网络运行结果表明 ,1996年中国可持续发展水平的区域差异可分成 5类 ,SOFM分类结果与专家的判断基本近似。可见 。

基于改进掩膜区域卷积神经网络的输电线路绝缘子自爆检测

由于背景复杂、目标所占像素比例较小,掩膜区域卷积神经网络(Mask R-CNN)模型对输电线路绝缘子缺陷检测能力不足,该文提出一种改进的MaskR-CNN模型。具体地,首先,在特征提取网络中引入卷积注意力模块(CBAM),分别从通道和空间提升小目标特征保持性;其次,使用全局交并比(GIoU)计算目标间的相似度,提升定位准确性;最后,使用Tversky损失计算掩膜分支的损失,以提升不平衡样本下的检测效果。使用某输电运检中心无人机巡检作业所得具有自爆缺陷的绝缘子照片作为数据集对该模型进行验证,实验结果表明,与原始Mask R-CNN模型相比,该方法的平均精确率AP50:90、AP50和AP75分别提升至0.56、0.79和0.72;与三种经典目标检测算法相比,该算法具有较高的检测精度,模型的分割性能有一定提升,且比原始模型具有更好的鲁棒性,可以满足电力巡检中准确性和快速性的要求。

Mask R-CNN神经网络模型对舌象裂纹严重程度的评价效果

目的基于掩膜区域的卷积神经网络(Mask R-CNN)算法,在裂纹舌识别与提取的基础上探索裂纹舌严重程度的客观评价方法。方法从中国中医科学院西苑医院收集200例裂纹舌与200例非裂纹舌的舌象图片,建立基于神经网络的裂纹舌识别模型,以准确率、精确率、召回率对模型裂纹舌识别效果进行评价。由3名中医专业主任医师对200张裂纹舌图片按照轻度裂纹、中度裂纹、重度裂纹进行严重程度分级标注,通过裂纹识别模型进行裂纹舌的识别与特征提取,选择裂纹面积比(x)、裂纹方向(z)、裂纹条数(n)、主裂纹长度(l)作为裂纹评价指标,以医生标注结果作为分级标准,根据分级结果对各指标进行权重赋值,裂纹严重程度综合权重计算公式:W=(∑w_(i))/4(i=x,z,n,l),计算裂纹多维度指标的分布区间,评价裂纹的严重程度。结果模型识别裂纹舌,准确率为0.945,精确率为0.949,召回率为0.940。舌裂纹的严重程度评价结果:W∈[1,3]为轻度裂纹,W∈(3,6]为中度裂纹,W∈(6,10]为重度裂纹。经验证,裂纹舌总体评价准确率为88.3%,其中轻度裂纹的评价准确率为88.9%,中度裂纹的评价准确率为91.7%,重度裂纹评价准确率为83.3%。结论选择裂纹面积比、裂纹方向、裂纹条数、主裂纹长度作为评价裂纹舌严重程度的指标,可较好地完成辨识任务,实现舌象裂纹程度的定量化评价。

融合语义信息与注意力的图神经网络推荐算法

基于图神经网络的推荐算法通过从图中获取知识生成节点的特征表示,提高了推荐结果的可解释性.然而,随着推荐系统原始数据规模的不断扩大,大量包含语义信息的文本数据没有得到有效利用.同时图神经网络在融合图中邻居信息时没有区分关键节点,使得模型难以学习到高质量的实体特征,进而导致推荐质量下降.本文将图神经网络与语义模型相结合,提出一种融合语义信息与注意力的图神经网络推荐算法.该算法基于SpanBERT语义模型处理实体相关的文本信息,生成包含语义信息的特征嵌入,并将注意力机制引入到基于用户社交关系以及用户-项目交互的影响传播融合过程中,从而实现用户和项目两类实体特征的有效更新.在公开数据集上的对比实验结果表明,本文所提出的方法较现有基准方法在各项指标上均有所提升.

基于多神经网络和改进PMF的视频推荐算法

为从影片简介中获取更丰富的文本特征并考虑短文本的语义依赖性,构建一种基于卷积双向长短记忆神经网络模型(CBiLSTM)的视频文本特征表示模型。根据用户评分行为习惯的相似性和偏向性,基于受偏置约束的概率矩阵分解算法设计一种混合视频推荐算法(CBiLSTM-PMF+),实现评分预测。在真实数据集上结合IMDB数据库视频简介进行实验仿真,实验结果表明了影片文本局部特征和上下文时序特征结合进行评分预测的合理性。