反向残差结构的指纹细节点提取轻量型网络模型

针对指纹匹配中细节点信息提取错误和提取不充分的问题,提出一种基于深度学习的端到端轻量型改进多尺度反向残差指纹网络模型(inverted residual network for fingerprint minutiae extraction,IRFingerNet)。该网络模型使用改进的残差结构,建立容易优化的轻量级网络,在增加网络深度时可减少信息丢失;把指纹的脊线、细节点等多种特征融合为联合特征,增强语义信息并提高对细节点的感知能力;运用通道注意力机制,校正联合特征,增大有效特征权重,减少无效特征权重。在NIST 4、FVC 2002、FVC 2004数据库上的实验结果表明,在实际应用中,IRFinger Net可以更有效地完成指纹细节点提取的任务,拥有更高的精准度和回调率,整体的F1得分高达0.87,其效果相较于传统提取方法得到了11%的提升,且达到了每个指纹图像0.23 s的检测速度。

残差修正模型在森林火灾预测中的应用

基于1990-2013年福建省森林火灾发生次数建立残差修正模型,并与BP神经网络模型、马尔科夫链模型、赋权组合预测模型进行比较.结果表明:残差修正预测模型的预测精度达到95.33%,而BP神经网络模型预测精度是87.77%,马尔科夫链模型预测精度为74.85%,赋权组合预测模型预测精度为88.3%,残差修正模型预测效果优于其他3个模型,说明使用其对离散的森林火灾数据进行短期预测是有效可行的.

运用GA-BP算法的BKlob模型优化分析

为了进一步提升北斗卫星导航系统(BDS)克洛步伽(Klobuchar)电离层模型(BKlob)在亚太以外区域的服务性能,提出利用遗传算法(GA)优化反向传播神经网络(BP)对BKlob模型进行改进:对BKlob模型残差进行相关性分析和周期性检测;然后采用遗传算法优化BP神经网络(GA-BP)算法对模型残差进行7、30和150 d的预测,以实现对BKlob模型的改进;最后,分别以全球电离层格网图(GIM)产品为参考和单频单点定位精度提升,评估改正精度。实验结果表明:BKlob模型残差不同格网点处具有较强的相关性,且受地理纬度影响较大,受地理经度影响较小;改进的BKlob模型改正性能有明显提升,在高纬度地区和全球范围,改正率可提升50.0%、30.0%以上;采用改进的BKlob模型进行伪距单点定位(SPP)解算,三维方向均方根误差(RMSE)可提升14.84%,北(N)、天(U)方向定位精度明显提升。

基于改进ResNet的射频指纹识别方法

在无线网络安全和可能存在的射频设备管理应用范围内,针对多个发射同种射频信号的高度相似射频设备的分类识别问题,提出了一种信号双谱与改进的残差神经网络(Residual Neural Network,ResNet)的射频指纹识别方法。首先,将采集到的不同设备的信号做双谱变换得到双谱等高图并打上设备标签,再使用搭建好的改进残差神经网络模型训练双谱等高图,通过反向传播(Back Propagation,BP)与梯度下降来更新网络权重得到最优化模型,最后使用另外一组双谱等高图验证识别性能。实验结果表明,基于信号双谱与改进的残差神经网络算法在实际电磁环境下识别率达到95.2%,是一种有效的射频指纹分类识别方法。

基于相邻风机相关性模型的风速计监测方法

风电机组风速计出现故障的概率较高,对其进行实时监测并及时发现其故障有重要意义。由于相邻多台风电机组的运行工况和风速计测量值的相关性很强,提出了基于相邻风机相关性模型的风速计监测方法。采用粒子群神经网络算法对相邻的多台风电机组风速计正常测量数据进行处理,建立相关性模型,将风速计实时测量风速作为模型的输入,当某台机组的风速计出现测量异常时,其与其他相邻机组风速计之间原有的相关性被破坏,相关性模型对该机组风速的预测残差将会显著增大,预示该风速计出现故障,据此能够实现风电机组风速计状态的实时监测。某风电场的实际运行数据验证了该方法的有效性。

基于GAN指纹库的卷积神经网络室内可见光信道模型

提出一种神经网络算法实现室内可见光信道模型,解决Lambert模型难以计算室内可见光信道的噪声和误差问题。针对指纹库数据量大、难以采集和训练参数多导致迭代速度慢的问题,提出使用生成式对抗网络(generative adversarial network,GAN)生成仿真数据集融合原有的稀疏指纹库,生成满足训练要求数量的指纹库;使用一维的卷积神经网络(convolutional neural network,CNN)提取数据特征,降低训练参数,提高迭代速度。在室内5 m×5 m×3 m环境下采集稀疏指纹库,分别用反向传播神经网络(back propagation netural network,BPNN)和一维CNN室内可见光信道模型进行对比。仿真结果表明:使用GAN生成指纹库的平均绝对误差为0.04,对数据量增广300%;在同一指纹库下,BPNN信道模型误差为3.81,迭代500次收敛;而CNN信道模型误差为0.79,迭代100次收敛。本文提出的GAN指纹库融合CNN的可见光信道模型具有精度高、误差小、速度快、泛化性强等优点,为室内可见光信道模型提供新的研究方案。