基于卷积网络模型的低照度激光图像特征增强方法

针对当前低照度激光图像特征增强方法在图像增强过程中需进行多次翻转平移处理,造成激光图像特征增强后损失值较大的问题,提出基于卷积网络模型的低照度激光图像特征增强方法。应用激光图像色彩模型以及去噪自编码器,完成低照度激光图像预处理。使用分段性变换方法设计激光图像映射关系函数,得到低照度激光图像增强目标函数。构建卷积神经网络模型以及模型对应损失函数,完成低照度激光图像特征增强。至此,基于卷积网络模型的低照度激光图像特征增强方法设计完成。实验结果表明:此方法增强真实与合成图像特征后的损失值较低,分别为0.245和0.361,其峰值信噪比较高,分别为45.52和48.54,极大地提高了图像的应用价值,且文中方法对图像增强处理的时长最短,在13 s到16 s之间,其应用性能较高。

基于全卷积网络模型的高分遥感影像内陆网箱养殖区提取

为了研究高分遥感影像的内陆网箱养殖区自动快速提取,利用福建省北部内陆水域的GF-1影像和GF-2影像,并对影像中的网箱养殖区进行人工标注,经过旋转、缩放和镜像翻转等数据增强处理后构建了2种影像的内陆网箱养殖区样本库;利用样本库训练内陆网箱养殖区提取的深度学习全卷积网络(fully convolutional networks,FCN)模型并开展精度验证。结果显示,GF-1影像提取结果的F值达到83.37%,GF-2影像提取结果的F值达到92.56%。表明基于FCN的高分影像内陆网箱养殖区提取具有较高的精度,能够进行大规模内陆网箱养殖区提取应用,为内陆水产养殖区的监测提供重要依据。

基于胃组织病理图像数据集的卷积神经网络模型对胃癌的早期预测价值

目的:探究胃组织病理图像数据集的卷积神经网络(CNN)模型对胃癌(GC)的早期预测价值,开发并验证GC早期预测模型。方法:将154例GC患者按照分期不同分为早期组(n=87)和中晚期组(n=67)。采用Logistic回归分析临床协变量;使用卷积神经网络(CNN)特征提取模型,搭建CNN预测模型;受试者工作特征(ROC)曲线评估区分度,校准曲线评估准确度。结果:年龄、基础疾病、幽门螺旋菌感染、红细胞计数(RBC)、白细胞计数(WBC)是GC的独立危险因素。最佳的CNN特征提取模型为3个卷积层、2个池化层和1个全连接层。CNN的各项指标均优于其他模型;校准曲线分析,CNN模型的拟合效果显著。结论:基于胃组织病理图像数据集的CNN模型具有良好的预测性能,临床可行性较好。

求解双曲型方程的半离散卷积神经网络算法

双曲守恒律方程的间断解对数值算法要求严格。通常传统低阶数值算法构造简单,但数值结果的分辨率较低,且依赖于网格。机器学习方法虽不依赖于网格,且适用于处理复杂场景下的问题(如高维问题),但在求间断解时可能出现移位或抹平现象。将机器学习方法与传统低阶格式相结合,在空间上采用低阶有限体积格式,在权重系数优化上采用卷积神经网络,从而实现基于较少节点便可得到高分辨率数值结果。数值算例验证了算法的性能,在求解连续及间断问题时均能得到高分辨率数值结果,且未出现移位、抹平现象。

基于卷积神经网络与ECG信息的多模态疲劳驾驶检测研究

为解决驾驶员疲劳驾驶引发的交通事故问题,本研究致力于设计一款高精度、及时预警的疲劳驾驶检测与预警装置。文章提出了一种基于卷积神经网络与ECG信息的多模态疲劳驾驶检测方法:首先,通过训练数据集获取模型文件,并将其与预设行为进行对比,得出预警结果;接着,结合ECG信号对驾驶员的驾驶状态进行进一步分析,输出最终结果并触发预警。实验结果表明,该方法能够准确识别驾驶员的疲劳状态并及时发出预警,最高检测正确率达到了99%,验证了方法的可行性。

基于注意力卷积长短时记忆模型的城市出租车流量预测

为解决城市交通拥堵和安全问题,提出一种注意力卷积长短时记忆(ConvLSTM)残差(ACLR)模型,该模型通过结合ConvLSTM、注意力机制和残差结构,分别处理出租车流量的时间、空间、和其他特征,挖掘区域兴趣点(POI)数据对出租车流量的影响,有效提升交通时空特征的提取能力。同时,引入专门的学习元件考虑外部因素和POI密度对交通流量的影响,并利用北京市出租车轨迹数据验证。结果表明:ACLR模型在城市交通流预测中的精度高于差分自回归滑动平均(ARIMA)模型、长短时记忆(LSTM)网络、深度时空残差网络(ST-ResNet)、卷积神经网络(CNN)-残差神经单元-LSTM(CRL)循环神经网络、ACFM等模型,在无POI密度和考虑POI密度的情况下,均有助于提升模型的预测性能,ACLA模型的预测值与真实值基本一致,高峰时段也能与真实值较好地吻合,有效提升交通时空特征的提取能力,降低预测误差,使得交通流量预测性能得到优化。

耦合人工神经网络模型在径流预测中的应用综述

人工神经网络(artificial neural network,ANN)模型耦合其他模型或优化算法在径流预测中的应用逐渐增多。从人工神经网络模型与物理模型的耦合、多人工神经网络模型的耦合、分解技术与机器学习方法的耦合、人工神经网络模型与智能优化算法的耦合4个方面进行系统梳理和总结,阐述提高预测精度的原因及各方法的优势。同时,提出当前研究中存在的问题并进行展望,可为径流预测和水资源管理提供支持。

基于改进全卷积网络模型的肺结节检测

针对现有方法在肺结节检测中准确率低及存在过拟合现象的问题,提出一种基于改进YOLACT模型的肺结节检测方法。在模型的主体结构上,采用DetNet替代原始的残差网络,解决了原始模型在小型结节检测上的局限性。在模型训练上,针对原模型在少量肺结节数据上学习困难而引起的过拟合问题,引入迁移学习机制,帮助新模型得到更好的检测结果。使用RReLU激活函数代替原有的ReLU激活函数,减少了原模型可能存在的过拟合现象。在LUNA16数据集上的实验结果表明,所提方法在受试者工作曲线下面积、假阳率、漏诊率及准确率上均取得了一定的提升。

儿童室性期前收缩计算机卷积神经网络模型的建立和评价

目的运用计算机深度学习的方法,初步建立3个儿童室性期前收缩的卷积神经网络模型,比较并评价其对儿童室性期前收缩的诊断价值。方法采集1 200例儿童室性期前收缩的体表心电图作为室性早博组,并以同期性别、年龄匹配的1 200例正常儿童心电图作为正常对照组,男女比例3:2,平均年龄均为(6.5±0.5)岁。剔除个别不适于模型训练的心电图,在两组中随机抽取800例样本,运用计算机深度学习的方法,训练建立3种自动诊断儿童室性期前收缩的计算机卷积神经网络模型。另外在室性期前收缩组及对照组剩余的样本中各抽取200例,以心电图专家小组的诊断作为"金标准",利用统计学方法,评价模型的可靠性和真实性。结果利用心电图波形图像建立二维卷积神经网络模型和V3模型,利用心电图时间序列数据建立一维卷积神经网络模型。其中二维卷积神经网络模型的灵敏度65%、特异度71.5%、漏诊率35%、误诊率28.5%、阳性预测值69.5%、阴性预测值67.1%、准确率68.2%、Kappa值0.365;V3模型的灵敏度82%、特异度85%、漏诊率18%、误诊率15%、阳性预测值84. 5%、阴性预测值82. 5%、准确率83. 5%、Kappa值0. 670;一维卷积神经网络模型的灵敏度87.5%、特异度89.5%、漏诊率12.5%、误诊率10.5%、阳性预测值89.3%、阴性预测值87. 7%、准确率88. 5%、Kappa值0. 770。结论运用计算机深度学习方法建立的V3模型与一维卷积神经网络模型性能良好,其中一维卷积神经网络模型真实性和可靠性最佳,与专家小组的诊断高度一致。

适应多元尺寸长度的卷积神经网络模型在网络入侵检测中的应用

为了实现对网络入侵检测领域深度层次特征的探索,本文将多元尺寸长度的卷积神经网络模型引入,并通过BN算法改善模型在学习率方面的表现,结果表明,卷积神经网络在检测入侵事件方面是完全可行、有效的。

卷积神经网络模型发展及应用

深度学习是机器学习和人工智能研究的最新趋势,作为一个十余年来快速发展的崭新领域,越来越受到研究者的关注。卷积神经网络(CNN)模型是深度学习模型中最重要的一种经典结构,其性能在近年来深度学习任务上逐步提高。由于可以自动学习样本数据的特征表示,卷积神经网络已经广泛应用于图像分类、目标检测、语义分割以及自然语言处理等领域。首先分析了典型卷积神经网络模型为提高其性能增加网络深度以及宽度的模型结构,分析了采用注意力机制进一步提升模型性能的网络结构,然后归纳分析了目前的特殊模型结构,最后总结并讨论了卷积神经网络在相关领域的应用,并对未来的研究方向进行展望。

基于AlexNet卷积神经网络模型的宁夏天然地震和非天然地震识别研究

宁夏回族自治区及周边天然地震和非天然地震频发,精确快速识别天然和非天然地震有利于震后应急响应、科学研究、赈灾救援等工作。基于AlexNet卷积神经网络模型,选取宁夏境内及周边130个地震事件(天然地震80个、非天然地震50个),对其进行了单个台站波形记录地震事件的训练和多个台站波形记录地震事件的测试,并将模型结果与宁夏测震台网人工编目结果进行比对,结果表明单个台站波形记录地震事件的训练结果中,AlexNet卷积神经网络模型对宁夏天然地震和非天然地震的正确识别率为99%;多个台站波形记录地震事件的测试结果中,此模型对宁夏天然地震和非天然地震的正确识别率为97.01%。AlexNet卷积神经网络模型作为人工智能领域的成熟技术之一,可以很好的运用于宁夏天然地震和非天然地震的识别工作之中。

基于Python的卷积神经网络模型分析与构建

随着科学技术的发展,如今,机器学习领域也取得了快速的发展,并产生了诸多神经网络模型。文章将对基于Python的卷积神经网络模型进行相关分析阐述,并通过实例分析的方式,说明基于Python的人脸识别卷积神经网络模型方案,以期能够为业内人士提供理论参考。

基于CNN-LSTM混合神经网络的高速铁路地震响应预测

为了更好地挖掘高速铁路在地震时的响应信息,提高光纤光栅监测的效率及预测精度,该文针对地震响应数据的时序性及非线性的特点,提出卷积神经网络(CNN)和长短期记忆(LSTM)网络的混合神经网络模型预测方法.通过在高速铁路简支梁桥上布设准分布式光纤光栅采集地震时轨道板、钢轨、底座板、箱梁的响应数据,在每根光纤上布置7个光栅,利用两边光栅的响应数据预测中间点的光栅响应,将采集位置、历史数据及地震波形等信息作为特征图输入.利用CNN提取特征,再将提前提取出来的特征数据以时序方式作为LSTM网络的输入数据,最后LSTM网络进行地震应变响应预测.实验结果表明,LSTM网络在3层时效果最好,CNN-LSTM方法具有较高的预测精度,根均平方误差(R_(RMSE))、平均绝对误差(R_(MAE))、决定系数(R^(2))分别达到了0.3753、0.2968、0.9371.

基于卷积神经网络模型数值求解双曲型偏微分方程的研究

人工神经网络近年来得到了快速发展,将此方法应用于数值求解偏微分方程是学者们关注的热点问题.相比于传统方法其具有应用范围广泛(即同一种模型可用于求解多种类型方程)、网格剖分条件要求低等优势,并且能够利用训练好的模型直接计算区域中任意点的数值.该文基于卷积神经网络模型,对传统有限体积法格式中的权重系数进行优化,以得到在粗粒度网格下具有较高精度的新数值格式,从而更适用于复杂问题的求解.该网络模型可以准确、有效地求解Burgers方程和level set方程,数值结果稳定,且具有较高数值精度.

糖熏鸡腿颜色快速精准识别的多层卷积神经网络模型研究

为快速精准识别糖熏鸡腿在熏制过程中产生的所有颜色,基于机器视觉技术,构建Xception-CNN模型用于熏鸡腿颜色的识别,同时应用Res Net-50、Inception和传统卷积神经网络(convolutional neural networks,CNN)等3种模型对比分析Xception-CNN模型对熏鸡腿颜色的识别效果。采集并经过图像预处理后,共得到不同颜色的熏鸡腿图像4 352张,作为4种模型的实验样本,随机选取其中的3 482张作为训练组,剩下的870张作为测试组。结果表明,4种模型的平均识别准确率分别为92%(Xception-CNN)、91%(Res Net-50)、89%(Inception)、87%(传统CNN);测试时间分别为1. 36 s(Xception-CNN)、0. 81 s(Res Net-50)、0. 98 s(Inception)、2. 48 s(传统CNN)。Xception-CNN模型对糖熏鸡腿图像的颜色识别准确率最高,达到92%,测试时间略高于Res Net-50模型和Inception模型,但低于传统CNN模型,仅需1. 36 s即可完成识别,此模型可以实现糖熏鸡腿颜色的快速精准识别,为糖熏工艺参数精准调控、保障产品颜色标准化等提供可靠依据。

霍山县洪涝灾害易发性评价及其与地形因子的关系——基于卷积神经网络的研究

受全球气候变化和山地地形的影响,山区洪涝严重威胁人民的生命和财产安全。根据信息增益率分析指标的重要性,建立评价指标体系,利用卷积神经网络建立洪涝灾害易发性评价模型,对霍山县洪涝灾害易发性进行评价,绘制洪涝灾害易发性图,分析了地形因子对洪涝的影响。结果表明:卷积神经网络模型适用于洪涝灾害易发性评价;霍山县北部较南部洪涝灾害发生概率高,经济开发区和下符桥镇是洪涝灾害易发重灾区,磨子潭镇发生洪涝灾害的可能性低;低海拔、缓坡及低起伏度的地区是洪涝灾害频发区域。洪涝灾害易发性评价可为降低洪涝危害提供科学依据。

改进的卷积神经网络模型在人脸识别中的应用

为了避免传统机器学习算法进行人脸识别时存在的性能差、泛化能力弱等问题,现提出一种基于LeNet-5改进的卷积神经网络模型。该模型包含输入层、三个卷积和池化层、一个全连接层和输出层。每次卷积完,成后,都使用ReLU激活函数进行非线性映射来增强模型的拟合能力;每次最大池化完成后,都使用Dropout方法防止过拟合。运行结果表明改进的卷积神经网络模型对动态采集的人脸图像数据集进行模型训练和模型预测时,训练精度和预测精度都达到了99%,优于传统人脸识别算法,充分验证了改进的卷积神经网络模型的有效性。

改进型CNN-LSTM深度学习神经网络的台区户变拓扑关系识别

针对电力台区内各种数据信息繁多复杂、数据处理能力滞后及用户利用率低下等问题,提出一种新型的台区户变拓扑关系识别方法。通过构建卷积神经网络(convolutional neural network,CNN)和长短期记忆(long short-term memory,LSTM)神经网络模型,将台区内配电变压器的有功功率、无功功率、电压值、电流值和用户侧的多种用电数据信息转换为CNN-LSTM深度学习神经网络模型;并在CNN模型中融入LSTM模块,以将台区户变拓扑宏观数据关系转换为微观数据信息识别,大大提高台区户变拓扑关系识别和应用能力。通过设置CNN-LSTM深度学习神经网络不同的层次,计算台区户变拓扑关系。通过算例分析,大大提高了用户识别能力,为台区户变拓扑关系识别提供了技术思路。

基于改进密集连接网络的土地卫片场景分类方法

为提高土地卫片图像场景识别的效率和精度,本文构建拉普拉斯金字塔-密集连接卷积网络(Lap-DenseNet)模型对土地场景应用进行识别分类,在Lap-DenseNet模型中Lap采用三层金字塔结构,DenseNet模型选用169层结构。将构建好的Lap-DenseNet模型应用到含有6种土地场景的卫片分类中,结果显示:Lap-DenseNet模型训练集的迭代次数不宜过多,否则会因为过拟合现象导致分类效果降低,当迭代次数为200次时分类效果最佳;Lap-DenseNet模型对农村道路分类效果最好,对以绿色背景为主的耕地复耕、未建设用地、农用地复绿分类效果较差,6种场景的平均分类准确率为93.66%;与谷歌卷积网络(GoogLeNet)、快速特征嵌入卷积网络(CaffeNet)、基于密集连接的双流深度特征融合卷积网络(TEX-TS-Net)、基于VGG16的附加资源卷积网络(ARCNet-VGG16)、基于Inception-v3的胶囊卷积网络(Inception-v3-CapsNet)、基于全局上下文空间注意和密集连接的卷积网络(GCSANet)共6种场景分类方法相比,Lap-DenseNet模型的分类效果最好,可在土地卫片场景分类工作中予以合理运用。