多层非线性局部感受野极限学习机方法用于录井气体分析

随着我国能源需求的不断提升以及钻探环境的日益复杂化,开展高精度的烷烃类气体浓度检测对于提高油气勘探效率具有重要意义。光谱录井技术具有烃类气体检测快速、准确等优势,已成为石油勘探过程中备受关注的研究热点。针对录井气体红外光谱由于饱和吸收、噪声干扰、基线漂移等方面引起的非线性问题,提出了多层非线性局部感受野极限学习机(NM-LRF-ELM)模型。该模型将一维光谱数据转换为二维矩阵格式,利用局部感受野的数据处理方式在输入与隐藏层之间实现非线性特征提取。同时,引入改进的T-sigmoid激活函数,并在全连接层后加入dropout层来降低模型的过拟合风险。模型的特征提取与定量分析呈一体化结构,直接输出定量分析预测值。采集了两组共407个混合烷烃气体样本的红外光谱作为实验数据集,进行定量分析实验。实验结果表明,相较于滑动窗口类与灰狼优化定量分析模型,该模型的训练时间显著减少了90%以上。即使在同系物的非线性干扰下,模型的预测精度仍低于系统误差。因此,提出的方法有助于在现场环境变化复杂的情况下,降低未知气体的非线性干扰,提高对目标气体的红外光谱检测精度。

艾灸刺激穴位局部感受的生物学基础

穴位既是艾灸取得临床疗效的关键环节,也是艾灸作用的始动环节。从穴位局部的源头去探寻艾灸的作用机理,可能是艾灸作用机理研究的重要突破口。本文重点从穴位局部温度、血流、分子事件、免疫、瞬时感受器电位通道、嘌呤信号等环节,初步诠释艾灸穴位局部感受的生物学基础。

局部感受野的宽度学习算法及其应用

为了更快且更准确地对图像进行识别,提出了基于局部感受野的宽度学习算法(Local Receptive Field based Broad Learning System,BLS-LRF),该方法以宽度学习网(Broad Learning System,BLS)为基础模型,与局部感受野(LRF)的思想相结合,从局部特征和全局特征两方面对图像进行特征提取。采用两种图像数据集对网络进行研究,将研究结果和许多传统神经网络进行对比,结果表明BLS-LRF网络的测试精度不仅超过了传统网络的测试精度,而且训练过程所需要的时间有了很大程度的缩短。

空间金字塔与局部感受野相结合的相关熵极限学习机

针对空间金字塔词袋模型中空间特征分布信息利用效率低,各类特征融合不充分的问题,该文提出空间金字塔与局部感受野相结合的相关熵极限学习机(SR-CELM)。在特征提取部分,利用多尺度局部感受野对生成的多层级的字典特征分布图进行卷积,并引入局部位置特征和全局轮廓特征。在特征分类部分,提出一种新的网络以融合各部分特征。同时在传统极限学习机训练方法的基础上利用相关熵准则构建判别性约束,推导出权重更新公式以求解网络的输出权重。为验证SR-CELM的有效性,该文分别在数据库Caltech 101,MSRC和15 Scene上进行实验。实验表明SR-CELM能够充分利用特征中可辨识信息,提高分类正确率。

基于局部感受野和半监督深度自编码的肺结节检测方法

深度学习在肺部影像方面的研究主要集中于肺部CT图像。对肺结节的快速准确检测是肺部疾病治疗的关键步骤。结节检测本身就是一项具有挑战性的工作,且已有的研究均很难得到较高的检测率。针对这样的问题,提出一种改进的深度半监督稀疏自编码的肺结节检测方法。首先,采用局部感受野对肺结节图像进行多层特征提取。然后,利用半监督稀疏自编码自主学习肺部影像中的结节特征。最后,融合多种临床信息实现对肺结节的准确检测。实验结果表明,该方法可以达到准确率90.14%,敏感度89.67%和平均检测率96.64%,明显优于其他方法检测性能,更适用于肺结节的精准检测。

面向图像数据的ConvNeXt特征提取研究

卷积神经网络在计算机视觉任务中已取得诸多成果,无论是目标检测还是分割,都依赖于提取到的特征信息,一些模糊性的数据和物体形状各异等问题为特征提取带来了极大的挑战。传统的卷积结构只能学习到特征图相邻空间位置的上下文信息,无法对全局信息进行提取,而自注意力机制等模型虽具有更大的感受野和建立全局的依赖关系,但存在计算复杂度过高和需要大量数据等不足。为此,提出了一种CNN与LSTM结合的模型,该模型在增强局部感受野的前提下,可以更好地结合图像数据的全局信息。研究以主干网络ConvNeXt-T为基础模型,通过拼接不同大小卷积核以融合多尺度特征来解决物体形状各异的问题,并从水平和垂直两个方向聚合双向长短期记忆网络关注全局与局部信息的交互性。实验对公开访问的CIFAR-10,CIFAR-100,Tiny ImageNet数据集进行图像分类任务,所提出的网络在3个数据集实验中相较于基础模型ConvNeXt-T在准确率上分别提高了3.18%,2.91%,1.03%。实验证明改进后的ConvNeXt-T网络相较于基础模型在参数量和准确性方面都有了大幅度提升,可提取到更加有效的特征信息。

基于局部域超限学习机的石材识别算法

针对日益加快的石材加工及销售速度与缓慢的人工分选速度之间不协调导致的效率低下的问题,急需提出基于视觉的自动化石材识别算法.所提出的基于局部感受域超限学习机(Local receptive field extreme learning machine,LRF-ELM)的石材纹理识别算法包含图像预处理、ELM特征映射和ELM分类器三个模块.其中图像预处理模块首先要经过平滑滤波和图像增强操作降低噪声干扰,接着再进行白化操作,去除数据之间的相关性.相对于基于传统人工设计特征的方法,所提出算法的ELM特征映射模块通过ELM神经网络可自主学习出更接近高层语义的图像特征,显著提高分类的准确性.实验结果表明提出的算法相对于传统算法不仅具备较高的分类精度同时还具备较高的计算效率.

区域渐近增强与感受野结合的多核近似学习网

为充分提取图像中可辨识信息、提高分类正确率,提出多核近似学习网,该网络主要由2部分构成。在特征提取部分,利用二维高斯分布对原始图像进行区域渐进增强,局部感受野和全局感受野被用于充分提取原始图像和区域渐进增强图像中的局部和全局特征,并将其串联以组成代表图像的特征向量。在分类部分,提出多核近似算法,将近似核映射编码出的低秩特征矩阵作为网络的隐藏层,以求解网络的输出权重。为验证该网络的有效性,利用USPS、MNIST和NORB数据集进行实验,实验证明所提出的多核近似学习网能够在局部感受野极端学习机的基础上进一步提取出特征信息,有效提高了分类正确率。

一种用于心电图分类的改进神经网络算法

心血管疾病的死亡率在所有疾病中居于首位,心电图能够反映人体的电信号活动情况,它已成为医生用来诊断心血管疾病的重要依据。随着计算机辅助ECG诊断技术的快速发展,深度学习方法已能够实现ECG信号的特征提取和分类。为了较好地提高ECG信号的分类识别率和处理效率,该文提出了一种新的心电图分类方法。首先,对原始数据进行去噪,提出了基于经验小波变换(EWT)的提升小波阈值去噪方法。然后,重构经过提升小波阈值去噪技术处理过的模态分量。在训练过程中,设计了基于局部感受野的极限学习机(ELM-LRF)和双向长短时记忆网络(BLSTM)结合的神经网络算法,并利用注意力机制优化该算法,提出了LRF-BLSTM-Attention模型。最后,在CCDD和MIT-BIH数据集上对提出算法的性能进行验证,准确率分别达到86.12%和99.87%,证明了该算法在临床心血管疾病智能诊断中的实用性。与其他模型相比,该模型的收敛速度更快,收敛的损失值更小。

深度卷积神经网络在图像识别算法中的研究与实现

深度学习是近些年来人工智能领域取得的重大突破,深度学习与传统模式识别方法的最大不同在于它所提取的特征是从大数据中自动学习得到,而非采用手工设计。现有的深度学习模型属于神经网络,文章引入深度卷积神经网络进行图像识别,该算法在对图像统一转换成固定尺寸后进行处理,具有局部感受野、权值共享和空间下采样等特点,可以有效地提取图像特征。文中使用Python爬虫技术采集的993张图像数据集,对该方法进行测试,平均识别率达到92.50%。实验结果表明,基于深度卷积神经网络的图像识别方法是可行的。

基于2-D范围扫描的室内场景识别方法

对于在室内工作的机器人而言,要完成不同环境的自主导航就必须能够对其所处场景进行有效识别。传统的方法是通过视觉或雷达等传感器对所处环境进行匹配以实现场景识别。提出了一种基于2-D范围扫描的室内场景识别的方法。该方法对激光雷达的范围扫描信息进行特征提取,利用所提取的样本训练基于局部感受野的极限学习机,对多种室内场景进行分类识别。在Gazebo搭建的仿真环境中采集虚拟范围扫描数据,对室内场景识别方法进行了研究。利用DR Dataset提供的测距数据对所提出的方法进行了实验验证。实验结果表明:该方法的室内场景识别准确率高于传统方法。基于2-D范围扫描场景识别的研究也为机器人实现自主导航提供理论依据和实验数据。

利用极限学习机的人脸活体检测方法

针对目前人脸活体检测中手工设计特征方法提取特征单一和传统深度学习算法容易产生局部最小值和过拟合等问题,提出基于局部感受野的极限学习机(ELM-LRF)模型的人脸活体检测方法。模型首先随机生成输入权重,然后采用正则化最小二乘法解析计算出输出权重,有效解决了深度学习算法容易产生的局部最小值和过拟合问题,具有优越的泛化性能。在CASIA-FASD,NUAA数据库上分别以ELM-LRF模型与其他先进的人脸活体检测算法进行了实验对比,ELM-LRF算法具有最高的分类性能。

基于卷积神经网络的手势识别算法设计与实现

为了克服传统手势识别方法复杂的人工提取特征值操作,引入卷积神经网络进行手势识别,该算法可以直接对原始图像进行处理,具有局部感知域、权值共享和池化等特点,可以有效提取图像特征。使用Marcel手势识别数据集对框架进行训练,采用交叉验证的方法对系统进行评估,实验结果表明该方法可以识别经过训练的手势,且精确度高,鲁棒性强。

基于循环谱和ELM-LRF的调制识别算法

针对现有的基于深度学习的调制识别算法训练速度慢、识别率不高和识别调制类型少的问题,提出了一种基于循环谱和局部感受野超限学习机(ELM-LRF)的调制识别算法。首先,提取调制信号的循环谱图并对其进行归一化预处理,然后将处理后的循环谱分成训练集和测试集,我们用训练集训练ELM-LRF,最后用测试集对网络进行测试。对11种数字调制和模拟调制信号进行分类识别,实验结果表明,在信噪比大于0 dB时,本文算法的总体识别率超过了95%,同时相比于基于传统深度学习的调制识别算法,训练时间大大减少,验证了ELM-LRF是一种高效快速深度学习方法,具有较大的研究价值。

基于多模态的在线序列极限学习机研究

单一模态包含的物体信息有限,导致在物体材质识别分类中表现不佳,而传统多模态融合方法在样本训练过程中需要输入所有数据。提出一种多模态的多尺度局部感受野在线序列极限学习机方法。对物体不同模态样本运用改进的特征提取框架,利用多尺度局部感受野感知样本信息提取特征,并将不同模态特征融合后通过在线序列极限学习机进行训练学习。在线序列极限学习机在训练过程中增量式地输入样本进行训练,当有新数据需要训练时无需对所有数据重新训练。在TUM触觉纹理数据库上进行验证,实验结果表明,多模态融合的分类精度高于单模态的分类精度,且改进的特征提取框架可以显著提升分类性能。

一种改进的ELM-LRF图像分类方法

针对局部感受野的极限学习机(ELM-LRF)卷积过程中各个特征图的输入权重随机生成稳定性较差的问题,引入了粒子群算法的思想改进传统ELM-LRF算法,构造一个最优参数的图像分类算法IPSO-ELM-LRF。实验结果表明,相比于传统ELM-LRF算法,IPSO-ELM-LRF不仅提高了算法的稳定性,还充分发挥了粒子群的全局优化能力,大大提高了分类精度。

自然场景下的交通标志识别系统

文中提出一种面向自然场景的新型交通标志识别系统。在分割模块,采用带色彩恢复的多尺度视网膜增强算法对图像增强色彩,并用车道线方法和提出的绿色减除分割算法提取感兴趣区域。在检测模块,运用Gist-RGB特征对5种不同形状的标志进行检测。在识别模块,首先根据颜色信息对标志预分类,再使用基于局部感受野的极限学习机识别网络对43类标志进行识别。实验结果证明,该系统对自然背景下的交通标志图像达到良好的识别效果,并且具有一定的鲁棒性。