基于鲸鱼优化和批量规范化卷积神经网络的振动信号去噪

由于初始权值的随机选取,传统卷积神经网络模型易陷入局部最优解,难以从噪声振动信号中提取纯净信号。针对这一问题,提出鲸鱼优化算法和批量规范化卷积神经网络相结合的振动信号去噪方法。该方法通过批量规范化层对隐层中的参数分布进行归一化,采用鲸鱼优化算法对网络权值参数进行寻优,解决网络模型存在局部最优的问题。将含噪振动信号的幅度谱和噪声信号的时域波形分别作为网络的训练特征和目标,充分利用振动信号在时频域上的分布特性,通过残差学习实现去噪的目的。实验表明,与小波阈值去噪方法、EMD方法和卷积神经网络相比,所提方法有效提升了信噪比,降低了均方误差和平均绝对误差,有效保留了振动信号原始特征,并增强了其去噪能力。

卷积神经网络中批量规范化层的使用对地震数据去噪的影响分析

深度学习算法已广泛应用于地震数据处理分析领域,并在地震数据去噪等方面取得了较好的应用效果.目前业界关注重点在于各种不同深度学习算法和相关的网络结构形式,以及不同标签数据对算法效果的影响,较少关注数据集本身的差异对深度学习算法的应用效果影响.本文以卷积神经网络(Convolutional Neural Network,CNN)算法中批量规范化层(Batch Normalization)对地震数据去噪的影响分析为例,通过理论公式和应用效果的对比分析,提出了基于地震数据特征分析下的批量规范化层的使用建议.批量规范化层的使用依赖于数据集的统计分布特征,只有当训练集的归一化能量分布集中在能量较强的区域,批量规范化层的使用才会提升网络的效果.但通常情况下,在地震数据去噪的应用中,不建议使用批量规范化层.这些特征为深度学习算法在地震数据去噪应用中的网络结构设计提供了有价值的参考.

结合Inception模型的卷积神经网络图像去噪方法

为更有效地去除图像中的噪声,提出一种结合Inception 模型的深度卷积神经网络(Convolutional Neural Network,CNN)图像去噪方法,以完整图像作为输入和输出,利用Inception 结构密集提取原始图像和噪声多个不同空间尺度的特征,并采用多种调优策略,增强网络的整体学习能力。为避免梯度消失,使用线性修正单元(Rectified Linear Unit,ReLU)激活函数;为加速网络的训练,增加批量规范化(Batch Normalization,BN)操作;加入跳跃结构进行残差学习(Residual Learning,RL),提升网络的去噪性能。基于公共数据集BSDS300 的三种高斯噪声等级实验结果表明,与其他图像去噪方法相比,模型在降低计算复杂度、提高收敛速度的同时,视觉效果更好,平均峰值信噪比(Peak Signal to Noise Ratio,PSNR)提升了约1.28 dB。

基于Adam-BNDNN的网络入侵检测模型

针对传统入侵检测算法检测精度低、误报率高等问题,提出了一种融合批量规范化和深度神经网络的网络入侵检测模型;该模型首先在深度神经网络隐藏层添加批量规范化层,优化隐藏层的输出结果,然后采用Adam自适应梯度下降优化算法对BNDNN参数进行自动优化,提高模型检测能力;并使用NSL-KDD数据集进行仿真实验,结果表明该模型的检测效果优于SNN、KNN、DNN等检测方法;整体检测率可达99.41%,整体误报率为0.59%,证明了模型的可行性。

基于改进Faster R-CNN的复杂环境车辆检测

针对复杂环境下的车辆检测,提出了一种改进的更快速区域卷积神经网络(Faster R-CNN)算法。对于传统Faster R-CNN算法应用于车辆检测时具有漏检、错检以及运行速度慢等问题,本研究通过添加更多复杂环境下的车辆数据集,改进原有模型的非极大值抑制(NMS)算法以及融合批量规范(batch normalization,BN)算法对其进行优化。试验证明,改进后的Faster R-CNN相较于Faster R-CNN在数据集上的综合平均识别率提升了4.86%,提升效果较为明显。

结合残差密集块的卷积神经网络图像去噪方法

为充分提取图像特征,有效去除图像噪声,在对多种图像去噪算法研究的基础上,提出一种结合残差密集块(residual dense block,RDB)的深度卷积神经网络图像去噪方法。利用RDB充分提取前面几个卷积层中的特征,在后续卷积层后添加批量规范化层和线性修正单元以加速训练并提高去噪效果,使用残差学习降低网络输出的拟合难度。实验结果表明,该模型能有效去除图像噪声,简化模型结构,降低网络计算复杂度。

FC-CNN:基于卷积神经网络的水果图像分类算法

针对现有基于卷积神经网络的水果图像分类算法均使用池化层进行降维处理会丢失部分特征,导致分类精度有待提高的问题,提出FC-CNN(Fruit Classification Convolutional Neural Network)水果图像分类算法。该算法基于深度卷积神经网络思想,设计了一种由二维卷积层、批量规范化层和激活函数组成的网络结构,利用Sofmax loss和L2正则化进行损失函数设计。算法使用卷积加步长替代池化层,让网络具有自主学习下采样能力,使用批量规范化层用于解决网络过拟合问题。采用Fruits-360数据集进行测试,实验表明,FC-CNN可以识别出48种水果,准确率可达到99.63%。与现有的深度学习水果图像分类算法相比,FC-CNN的识别准确率更高,识别种类更多。

深度残差神经网络高分辨率遥感图像建筑物分割

针对高分辨率遥感图像建筑物分割问题,提出一种Encoder-Decoder的深度学习框架,建立输入图像到分割结果之间的端对端的分割模型。其中Encoder以残差网络为基础,自动提取建筑物的特征;Decoder采用反卷积实现对特征图的上采样,从而完成对建筑物的分割;同时引入批量规范化处理,降低了神经网络权重训练过程中的梯度竞争,从而减小了神经网络的训练难度。实验表明:提出的建筑物分割算法能有效提取建筑物的块状特征和边缘信息,降低复杂道路等干扰的影响,提升建筑物的分割精准度,算法对邻近复杂道路的建筑物、规律性建筑物、单体复杂建筑物等3种典型建筑物的分割精度分别为:0.837、0.892和0.630;F值分别为:0.851、0.879和0.730。同时,多分辨率条件下的分割实验结果表明,该算法对于一定范围内的多分辨率遥感图像具有较好的泛化能力。