结合卷积神经网络与多层感知机的渐进式多阶段图像去噪算法

现有基于深度学习的图像去噪方法中,在网络架构层面存在单阶段网络特征表达能力不足而难以在复杂场景下重构清晰图像,以及多阶段网络内部特征连接不紧密而容易丢失原始图像细节的问题。在基础构建块层面,存在卷积层难以处理较大噪声级别下的跨层次特征,以及全连接层难以捕获图像邻域空间细节的问题。为解决以上问题,从两方面提出解决方法:一方面,在架构层面提出新颖的跨阶段门控特征融合,从而更好地连接一阶段网络的浅层特征与二阶段的深层特征,促进信息流的交互并使得去噪网络内部关联更为紧密,同时避免丢失原始像素细节;另一方面,在基础构建块层面提出结合卷积神经网络和多层感知机特性的双轴特征偏移块,作用于低分辨率多通道数的特征图,从而缓解卷积网络在复杂噪声场景下难以捕获跨层次特征依赖关系的问题,对于高分辨率、少通道数的特征图,使用卷积网络以充分提取噪声图像的空间邻域依赖关系。大量定量与定性实验表明,所提算法在真实世界图像去噪和高斯噪声去除任务中,都以较小的参数量和计算代价取得了最佳的PSNR和SSIM。

基于卷积神经网络融合的彩色傅里叶叠层显微重建

针对彩色傅立叶叠层显微重建存在图像获取时间长、采集低分辨率图像数量多等问题,采用基于卷积神经网络的图像融合方法来实现彩色傅立叶叠层显微重建。该方法基于图像融合原理,将单通道低分辨率图像重建的灰度高分辨率图像与相同视场下的彩色低分辨率图像融合,成功地重建彩色FPM图像。在保证图像恢复质量的同时减少了2/3的采集时间。实验结果表明,所提算法可以获得色彩不失真的彩色FPM图像,定量评价指标方均根误差小于0.01,结构相似性参数大于0.89。

卷积神经网络的半监督层位追踪方法

层位追踪是地震资料解释的关键步骤,通常由解释人员以人机交互方式进行,效率较低。卷积神经网络可以构建地震数据和训练标签的非线性映射关系从而完成层位追踪,由于人工解释结果获取困难,仅由少量标签训练的模型泛化能力较差。为此,提出一种基于卷积神经网络的半监督层位追踪方法,将层位追踪转化为层位断层间区域的图像分割。首先使用自编码器对无标签数据进行训练,之后将部分参数迁移至有监督学习网络后使用少量标签数据进行有监督学习,最后对整个工区的地震数据进行预测,提取分割结果边缘作为层位追踪结果。合成数据和实际数据的测试结果均表明,相较于有监督学习层位追踪方法,该方法具有较少的错误分割,由分割边界提取的层位与人工层位解释结果的误差较小,具有更好的泛化能力。

多元线性回归模型与多层感知器神经网络在铀矿测井泥质含量预测中的应用

在铀矿资源勘探工作中,泥质含量的测定对于确定地下岩层的性质和砂岩型铀矿床的分布具有重要意义。文章旨在避免常规测井解释计算方法受到希尔奇系数选取准确性的限制,提出了利用多元线性回归模型和多层感知器(MLP,Multilayer Perceptron)神经网络对测井数据进行分析与预测的方法。通过选取某地区的测井数据,采用多元线性回归模型和MLP神经网络进行了泥质含量关系模型的构建和验证。结果显示,多元线性回归模型在泥质含量低层位出现过拟合现象,而MLP神经网络则表现出更高的预测准确性,MLP神经网络在泥质含量预测中优于传统多元线性回归模型,为铀矿勘探中泥质含量的准确预测提供了有效工具,并有望改进现有的泥质含量评价方法。这些研究成果可显著提升测井解释的效率和准确性,对后续铀矿勘探开发工作的开展具有积极影响。

基于卷积神经网络的嵌入式视觉感知交互系统设计与实现

针对语音智能助理无法提供周围环境的视觉感知问题,该文设计并实现一个视觉感知交互系统。该系统的基本结构由语音识别、语音播放、图像采集、中央处理控制等模块组成,具备语音交互、目标检测等功能。该系统设计选择语音识别专用芯片、利用卷积神经网络技术完成识别,采用基于图分割截块的算法进行目标分割。实验结果表明,系统性能良好,能够实现对周围环境的视觉感知并进行语音交互。

基于卷积神经网络的网络安全态势感知研究

本文提出了一种基于网络攻击影响的态势量化评估指标,旨在精确衡量网络安全状况。基于此,设计了相应的态势值计算方法,并通过新小型学习-知识发现和数据挖掘(New Smaller Learning-Knowledge Discovery and Data Mining,NSL-KDD)数据集的验证,充分证明了所提出的选择性卷积神经网络模型在攻击识别方面拥有更高的准确度。实验结果显示,其态势评估结果与真实网络环境中的情况更为一致。

基于注意力机制和卷积神经网络的网络安全感知预测

为了提高网络安全防御效果,注意力机制和卷积神经网络成为研究的热点,但传统方案可能带来模型过拟合、计算和内存开销较大且缺乏空间上下文关系建模的问题。针对上述问题,研究基于注意力机制和卷积神经网络的网络安全感知预测方法,通过加深网络结构、添加dropout层、数据归一化、数据融合四个步骤的改进,最终得到改进挤压与激励网络方案。实验结果表明,该方案收敛速度较快,在65轮迭代后收敛,最终准确率收敛于97.3%。在融合五条数据的情况下,准确率达到最高为97.5%,说明研究建立的网络安全感知预测模型具有较高的准确率以及强大的泛化能力。

一种基于卷积神经网络压缩感知的图像加密算法

常规的图像加密算法在进行加密时,往往受到图像数据固有的线性关系干扰,导致加密质量不尽如人意,噪点较少,容易被攻击者利用漏洞进行破解。为解决这一问题,提出了一种基于卷积神经网络压缩感知的图像加密算法。该算法首先提取图像的原始特征,通过对这些特征进行图像滤波扩散处理,进一步增强了图像混淆程度。利用卷积神经网络压缩感知生成混合相位掩码。最后,对图像混合相位掩码进行置换,使像素的排列顺序发生变化,实现原始图像加密。为验证该算法的有效性,进行对比试验,实验结果证明:该算法的加密质量较好,噪点较多,加密效果明显优于传统算法,可以实现对图像的快速加密和解密。

基于残差卷积神经网络的网络安全态势感知方法

由于影响网络安全态势的因素具有多元化的特征,网络安全态势的观察值与预测值也是不断变化的。这种波动导致传统的神经网络在对其进行感知时,对应的收敛误差难以控制。提出基于残差卷积神经网络的网络安全态势感知方法研究。分别从网络自身和攻击状态两个角度,对网络安全态势影响因素进行量化分析;再利用卷积核的权重系数对输入神经网络的整体状态参数进行加权平均,提取各网络安全态势影响因素状态。引入残差损失参数对残差卷积神经网络的池化结果进行约束,输出最终的网络安全态势值。在测试结果中:收敛误差值面对不同类型的网络流量和攻击手段表现出了较高的稳定性,且始终处于较低水平,收敛误差最大值仅为0.0345。

用于视频压缩感知的特征域优化启发及多假设交叉注意力重构神经网络

现有视频压缩感知重建网络通常利用光流网络实现像素域运动估计与运动补偿。然而在重建过程中,光流网络的输入为质量较差的初始估计帧,导致获得的光流不准确,基于光流的像素域对齐与融合操作会造成噪声的累积,导致视频重建帧存在明显的人工效应,影响重建质量。基于特征域多通道信息对干扰噪声具有较强的鲁棒性,文中将特征域优化思想应用于视频压缩感知重构神经网络的设计中,提出了特征域优化启发及光流引导的多假设交叉注意力重构神经网络(FOFMCNet)。为避免光流中的噪声在图像变形时破坏图像结构的问题,文中在特征域设计了光流指导的多假设运动估计模块与基于交叉注意力的运动补偿模块,以实现特征域的帧间运动估计与运动补偿,从而更为充分地利用帧间相关性辅助非关键帧重构。为了在特征优化过程中加强有效信息的复用,提升网络学习能力并缓解梯度爆炸问题,文中设计了特征域优化启发U型网络(FOUNet),并作为FOFMCNet的子网络,通过多个FOUNet的级联,FOFMCNet在特征域实现非关键帧的优化与重建。实验结果表明,文中所提算法在经典低分辨率数据集(UCF-101和QCIF)和新的高分辨率数据集(REDS4)上的重构结果均优于现有的视频压缩感知算法。

基于卷积神经网络多源融合的网络安全态势感知模型

为了准确获取整个网络的安全态势,设计了一种包含流量探测、属性提炼、决策引擎、多源融合和态势评估五大核心环节的网络安全态势感知模型。流量探测指,以网络流量探测器和入侵检测探测器为工具对流量进行监测,分别抓取流量基础特征和恶意活动特征;属性提炼指,以准确地提炼核心属性为目的,重点关注能够刻画恶意活动特征的报警信息、报警类别和连接属性;决策引擎指,以属性提炼生成的各探测器的核心属性数据为输入,以卷积神经网络为引擎识别各种攻击;多源融合指,采用指数加权的D-S融合方法有效地融合各决策引擎的输出结果,提升攻击识别率;态势评估指,借助权系数理论有效地量化威胁等级,利用层次化分析方法准确地获取整个网络的安全态势。实验结果表明,不同探测器探测到的数据对各类攻击识别的差异较大,多源融合算法可将攻击识别的准确率提升到92.76%,在准确率指标上优于多数研究成果,准确率的提升有助于层次化网络分析方法更加准确地计算整个网络的安全态势。

基于VGG⁃19和MMD卷积神经网络模型的国画风格迁移

卷积神经网络因效果强大而被广泛应用于图像识别,在提取图像特征方面有极大的进步。由于风格迁移技术主要是针对西方油画,而国画是一种传统的中国艺术风格,其在风格迁移方向上缺乏广泛的应用。设计以国画代替西方油画作为风格图像,以自然景观照片作为内容图像,探究传统国画经过卷积神经网络后的提取效果。实验依据VGG算法模型并结合TensorFlow 2框架,对采集的数据集进行预处理,采集像素制成数据矩阵,输入VGG⁃19浅层模型进行训练,通过MMD最小化分布特征图差异,增强卷积层的目标效果。该方法取得比较满意的结果,可为风格迁移转换的研究提供更多参考。

基于卷积神经网络的心律失常分类研究

心律失常是引起心肌梗塞、突发性心脏死亡等严重疾病的重要原因,常借助心电图进行早期诊断。然而,传统的心电信号分类方法有着复杂的特征提取任务,计算量大、费时费力。为此通过在经典卷积神经网络的基础上加入Dropout层,设计了一种改进的卷积神经网络模型,该模型可以进一步提升模型的泛化能力、提高准确率。其利用CNN自动提取特征,将经过预处理的心电信号直接作为模型的输入,自动识别5种不同类型的心拍。在MIT-BIH心律不齐数据库上进行实验,准确率达到99.68%,特异性为98.94%,灵敏度为99.76%。实验结果表明,相较于经典卷积神经网络,本文提出的方法能够精确、高效地识别不同类型的心律失常疾病。

应用感知的深度神经网络剪枝方法

神经网络模型面临着参数过多、计算负载高和内存开销迅速增长等问题。为了满足各种应用场景和设备的多样性,有必要针对特定应用优化神经网络模型。鉴于此,提出了一种基于应用类别感知的深度神经网络剪枝方法,该方法分析了在卷积神经网络前向传播过程中,不同滤波器在提取类别特征方面的不同作用。获得了滤波器的重要性及与应用类别之间的关系,针对特定应用中的不同目标类别进行了定制化的剪枝优化,并通过PyTorch深度学习框架进行了设计和实现。实验结果表明,所提出的基于应用感知的神经网络优化方法能够有效地优化卷积神经网络。

应用改进卷积神经网络的客户服务业务中台资源异常信息主动报警

针对客户服务业务中台资源异常信息人工诊断不及时、故障辨识率低等问题,提出一种基于改进卷积神经网络的故障诊断方法。卷积层后引入批量归一化层提高模型的泛化能力,在全连接层引入Droupout函数来缓解过拟合问题,还对数据进行了增强处理以及运用灰狼算法对超参数进行寻优。该模型在Pytorch和Pycharm环境下进行仿真,得出经典卷积神经网络的测试集准确率在85%左右,而改进后的测试集准确率在94%左右,表明所提设计具有明显效果。

基于动态自适应图神经网络的电动汽车充电负荷预测

电动汽车充电站负荷波动的不确定性与长时间预测任务给提升充电负荷预测精度带来巨大的挑战。文中提出一种基于动态自适应图神经网络的电动汽车充电负荷预测算法。首先,构建了一个充电负荷信息时空关联特征提取层,将多头注意力机制与自适应相关图结合生成具有时空关联性的综合特征表达式,以捕获充电站负荷的波动性;然后,将提取的特征输入到时空卷积层,捕获时间和空间之间的耦合关系;最后,通过切比雪夫多项式图卷积与多尺度时间卷积提升模型耦合长时间序列之间的能力。以Palo Alto数据集为例,与现有方法相比,所提算法在4种波动情况下的平均预测误差大幅降低。

基于卷积神经网络模型的电力信息系统安全状态监测

针对当前电力信息系统安全状态受威胁严重的问题,提出一种基于卷积神经网络模型的电力信息安全状态监测系统。系统结合电力信息系统特征,应用安全感知单元、安全状态监测模型和数据防篡改模型保障电力信息系统的稳定运行和数据安全。系统通过加入可视化模块和报警模块来设计安全感知报警单元,采取基于STM32F103VCT6微控制器实现多通道模数转换器的控制和应用,能够对多种传感器输出的信号进行转换,提高了即时监测能力。该系统还利用卷积分解技术和深度可分离技术对卷积神经网络进行改进,构建各个通道之间的数据联系,通过安全状态监测模型发挥卷积神经网络的空间优势。试验结果显示,所提研究系统的采样时延最低为132 ms,安全状态评估准确率最大为100%,可实现高效、精确的系统安全状态监测。

基于改进神经网络的环境烟雾浓度感知自动告警方法

目前基于卷积神经网络的环境烟雾浓度感知自动告警方法,主要通过若干个有序的卷积层的学习识别烟雾。针对环境烟雾浓度感知自动告警方法中存在的问题,提出一种基于卷积神经网络的改进模型,以提高模型的准确性。在此基础上,提出了一种新的分批标准化层次,以及一种新的轻量级卷积结构。该方法使网络具有更小的网络结构和更少的训练参数。通过对训练样本的图像放大,验证了该方法的有效性。

基于卷积神经网络的摄像机姿态感知系统设计

该文设计一种基于卷积神经网络的摄像机姿态感知系统,运用深度学习方法结合传感器技术,获取摄像机实时姿态数据,特别是摄像机运动过程中的姿态数据。系统采用孪生卷积神经网络,通过摄像机采集的环境图像对孪生卷积神经网络进行训练获得摄像机姿态感知模型,在使用时通过将摄像机采集的视频图像输入摄像机姿态感知模型获得摄像机的位姿数据。系统解决可转动式摄像机的实时姿态感知问题,可在公共安全、工厂、交通和矿山等领域广泛推广应用。

基于窄卷积层神经网络轴承剩余使用寿命预测

传统的轴承剩余使用寿命预测方法大多是对原始振动信号进行时域特征、频域特征以及时频域特征的提取,创建轴承的健康指标来建立模型,实现剩余寿命预测.为了简化轴承剩余寿命预测方法及提高预测的准确度,提出一种只保留传统卷积神经网络里的卷积层,且把卷积层改为窄卷积的降维方法.首先,将窄卷积层神经网络对原始输入信号进行特征学习,构建健康指标;其次,采用Adam优化损失函数及加权平均方法对网络输出结果进行降噪处理,得到健康指标,进而根据健康指标反向计算且平滑后得到剩余使用寿命;最后,通过滚动轴承全寿命试验数据仿真证明该方法能够准确预测轴承剩余使用寿命,且与传统卷积神经网络的预测结果进行对比,该方法的寿命百分比误差均值为7.33%,传统卷积神经网络的寿命百分比误差均值为61.65%,该方法的平均误差降低了88.11%,验证了其有效性.