基于改进卷积神经网络的机器人避障路径规划

由于机器人在运动过程中,无法及时更新机器人位置方向和坐标,使得目标不是全局最小点,导致机器人无法有效避障。为此,提出了基于改进卷积神经网络的机器人避障路径规划方法。使用基于改进卷积神经网络的双线性内插方法,计算目标点坐标。通过动态窗口法评估函数,计算扩展距离。构建极大值损失函数,通过递减学习,使类别内的特征聚合度和类别间差异性达到最大。通过机器人在环境中的运动来估计机器人位置,计算机器人的平移速度、角速度,并更新机器人位置方向和坐标。构建改进后排斥函数,计算神经元中心点到目标神经元中心点的距离,规划避障路径。实验结果表明,该方法能够避过全部障碍物,且规划的起始点和目标点之间距离与实际距离一致。

基于三维并行多视野卷积神经网络的脑电信号情感识别

利用脑电信号识别情感状态已经成为当前的研究热门。现有的情感识别方法通常提取二维信息作样本,却忽略了包含大脑不同区域重要特征的空间信息。针对这个问题,结合脑电通道间布局和原始脑电信号中的频率相关特征,提出了基于三维并行多视野卷积神经网络(Three-dimensional Parallel Multi-field Convolutional Neural Network, TPMCNN)的脑电情感识别新方法。首先将原始脑电信号划分成多频带,并提取每个频带的微分熵(DE)特征。接着将数据按照电极传感器的位置转变成三维特征矩阵。最后采用TPMCNN网络处理所得到的矩阵。实验结果表明,利用不同频带的微分熵特征构造的三维特征矩阵,能够有效地提取多通道脑电信号中与情感识别有关的特征,所提出的并行多视野卷积神经网络能够充分发挥出深度学习的优势。实验在公开数据集DEAP上进行二分类,在唤醒和效价的准确率分别达到了97.31%和96.72%,四分类的准确率达到了97.17%,证实了所提出的方法对脑电信号情感识别的优越性能。

基于改进小波变换与卷积神经网络的干式空心电抗器红外图像去噪方法

针对传统小波变换法去除干式空心电抗器红外图像中夹带的噪声效果不理想的问题,提出了基于改进小波变换与卷积神经网络的干式空心电抗器红外图像去噪方法。首先利用卷积神经网络中的残差学习对图像中混合特征信息进行提取;然后通过改进小波变换对图像进行小波分解,并将分解后的分量输入至网络中进行训练;进而通过残差学习增强图像纹理细节信息,解决了传统图像去噪方法的不足;最后进行仿真比较。结果表明,所提方法可以降低网络计算难度,加快训练速度,同时具有良好的去噪性能,优于传统图像去噪方法。

基于卷积神经网络的入侵昆虫识别研究

现有昆虫相关识别算法识别种类较少,缺少针对数量庞大种类众多的入侵昆虫分类识别算法,难以为入侵昆虫综合系统的识别功能提供稳定高效的技术支持。该研究对31类入侵昆虫图像进行数据采集,并对图像数据进行处理与数据集划分,基于四种卷积神经网络模型DenseNet121、MobileNetV3、ResNet101和ShuffleNet对其进行训练测试分析讨论。结果表明,在入侵昆虫综合识别系统识别功能后台算法应用上,MobileNetV3表现出更好的综合性能。根据MobileNetV3模型现有缺陷和模型特性,对MobileNetV3模型指定瓶颈层的注意力机制和激活函数进行改进,改进后模型的准确率为92.8%,单张测试集图像的平均识别时间0.012 s,相较于原MobileNetV3模型分别提高0.5%、缩短15.2%,可以很好满足多昆虫识别分类需求。

基于改进卷积神经网络的频谱自适应通信传输

虽然无线通信应用十分广泛,但是无线通信环境越来越复杂,很容易受到各种电磁干扰和电磁攻击的影响,提高其抗干扰性能一直是无线通信关注的重点。针对这一问题,利用认知无线电的电磁频谱感知结果,提出了一种基于改进卷积神经网络的频谱自适应通信传输方法。首先,利用传统的卷积神经网络和改进卷积神经网络对典型干扰类型进行识别,并根据识别结果估计对应的干扰参数,在此基础上结合频谱感知结果,遵循高效频谱利用效率原则自适应选取不受干扰影响的频谱来进行通信传输,以此达到抗干扰通信传输和提升频谱利用效率的双重目的。通过仿真验证了文中所提方法对干扰类型的识别正确率达到了98%以上,干扰参数估计的平均绝对百分比误差低于0.01,最后,利用软件无线电平台开展了实际的频谱自适应通信传输实验,在不同信干比下均能实现正常通信,实验结果表明其抗干扰通信效果显著。

基于改进卷积神经网络的图书馆馆藏图像分区识别

本文基于改进卷积神经网络,针对图书馆馆藏图像的内容分区识别问题,以报纸图像内容分割识别为例进行研究。传统的图像分区方法往往依赖手工设计的特征,无法适应不同图像的变化和复杂性。为了提高识别准确性和效率,本文提出了一种改进的卷积神经网络模型,并在报纸图像上进行了实验验证。实验结果表明,所提出的方法在报纸图像内容分割识别任务中取得了优秀的性能,能够准确地区分出不同的内容分区。

基于改进卷积神经网络的地表覆盖分类方法

卷积神经网络在高分辨率影像分类中对全局上下文信息的精炼能力不足,导致分类精度较低。针对此问题,文章提出基于改进卷积神经网络的地表覆盖分类方法。该方法采用基于自注意力模块的骨干网络增强聚合全局上下文信息的能力,在土地覆盖数据集中取得优于其他对比网络的分割效果。

基于改进U-Net卷积神经网络的数字图像智能分类方法

环境噪声和干扰可能会对数字图像智能分类方法的性能产生负面影响,导致分类速度慢。为此,研究基于改进U-Net卷积神经网络的数字图像智能分类方法。通过去噪、增强和标准化处理,提高数字图像的质量;利用改进U-Net卷积神经网络提高预处理后的图像的维度,使网络能够学习到更丰富的图像信息;采用分割算法将图像划分为多个区域,通过关键点精确定位技术,准确识别出图像中的关键特征点;对比待分类图像与已知类别的图像相似度,实现智能分类。实验结果表明:与传统的分类方法相比,新方法在分类速度更快,实际应用价值更高。

基于改进卷积神经网络的可见光通信系统信道估计方法

为了提升可见光通信系统的通信质量,开展了基于改进卷积神经网络的可见光通信系统信道估计方法研究。首先,建立可见光通信系统信道模型,获取信道增益、LED限制带宽、频域响应的模等参数。其次,从可见光通信系统导频分布与导频间隔两个维度,设计系统导频结构,准确得出系统发送端想要传输的信道信息。利用改进卷积神经网络,开展可见光通信系统信道估计,求解信道估计结果。实验结果表明,该方法的信道估计误码率不存在大幅度波动,最高不超过0.5%,信道传输效果较好。

基于改进全卷积神经网络的体育运动员动作识别方法

传统的体育运动员动作识别方法,直接对运动员动作识别结果进行输出未对运动区域进行提取,识别精度低。该文提出基于改进全卷积神经网络的体育运动员动作识别方法,使用摄像机对体育运动员动作图像进行采集,并对图像进行基于改进全卷积神经网络的运动区域提取,体育运动员动作识别流程,输入动作图像并对结果进行输出,实现基于改进全卷积神经网络的体育运动员动作识别。实验结果表明该研究方法识别精度高,具有一定优势。

基于改进卷积神经网络的水电机组运行状态告警方法

由于现有水电机组运行状态报警方法没有从水电机组的振动信号中抽取特征量,从而导致了漏警率偏高。基于此,本次提出了一种基于改进卷积神经网络的水电机组运行状态告警方法。本次先提取水电机组振动信号特征量,然后基于改进卷积神经网络构建振动信号异常状态指标模型,最后设计异常状态指标计算流程从而确定水电机组运行状态告警阈值,实现水电机组运行状态告警,实验结果表明,该研究方法误报率较低,在水电机组运行状态告警方面具有较高的可靠性。

基于改进卷积神经网络的变压器有载分接开关故障自适应识别方法

常规变压器有载分接开关故障自适应识别多采用改进半监督阶梯网络算法,但由于无法解决网络梯度爆炸问题,最终的故障识别精度较低,因此提出基于改进卷积神经网络的变压器有载分接开关故障自适应识别方法。依据变压器有载分接开关的基本组成结构,利用小波包分解算法与信号的频域识别向量挖掘其中的故障特征参量,采用一维卷积神经网络对特征参量进行融合处理,并引入注意力机制改进与优化网络结构参数,进而构建故障自适应识别模型,通过残差结构解决网络结构的梯度爆炸问题,求取输入样本的故障综合评分,确定样本的所属故障类型,由此实现故障自适应识别。实例应用结果显示,所提方法能够有效识别有载分接开关故障,识别结果与实际一致,并且F1_score最高值达到0.97,因此所提方法具备较高的识别精度。

面向微控制器的卷积神经网络加速器设计

针对目前嵌入式微控制器的性能难以满足实时图像识别任务的问题,提出一种适用于微控制器的卷积神经网络加速器。该加速器在卷积层设计了无阻塞的行并行乘法-加法树结构,获得了更高的硬件利用率;为了满足行并行的数据吞吐量,设计了卷积专用SRAM存储器。加速器将池化和激活单元融入数据通路,有效减少数据重复存取带来的时间开销。FPGA原型验证表明加速器的性能达到92.2 GOPS@100 MHz;基于TSMC 130 nm工艺节点进行逻辑综合,加速器的动态功耗为33 mW,面积为90 764.2μm^(2),能效比高达2 793 GOPS/W,比FPGA加速器方案提高了约100倍。该加速器低功耗、低成本的特性,有利于实现嵌入式系统在目标检测、人脸识别等机器视觉领域的广泛应用。

卷积神经网络研究进展及其在大气科学中的应用

随着计算机技术和大数据的进步,深度学习尤其是卷积神经网络已成为处理网格结构大规模数据的主流技术,特别是在计算机视觉领域。卷积神经网络也开始应用于大气科学领域,针对多角度、多尺度的气象数据进行处理。本文综述了卷积神经网络及其在大气科学中的应用进展,总结如下:通过网络深度、宽度的优化和量级压缩,卷积神经网络的准确率和效率显著提升,成为计算机视觉任务的主流技术;卷积神经网络能高效处理气象数据,已应用于气象目标识别、极端事件检测、数值模式改进及干旱气象事件预报等方面,显示出良好的应用前景;卷积神经网络在大气科学中的应用尚处于探索阶段,且面临气象数据复杂、模型结构改进需求和可解释性差等挑战,需深入研究以推动其发展。

基于并行深度卷积神经网络的图像美感分类

随着计算机和社交网络的飞速发展,图像美感的自动评价产生了越来越大的需求并受到了广泛关注.由于图像美感评价的主观性和复杂性,传统的手工特征和局部特征方法难以全面表征图像的美感特点,并准确量化或建模.本文提出一种并行深度卷积神经网络的图像美感分类方法,从同一图像的不同角度出发,利用深度学习网络自动完成特征学习,得到更为全面的图像美感特征描述;然后利用支持向量机训练特征并建立分类器,实现图像美感分类.通过在两个主流的图像美感数据库上的实验显示,本文方法与目前已有的其他算法对比,获得了更好的分类准确率.

轻量级卷积神经网络的硬件加速方法

为提升轻量级卷积神经网络在硬件平台的资源利用效率和推理速度,基于软硬件协同优化的思想,提出一种面向FPGA平台的轻量级卷积神经网络加速器,并针对网络结构的特性设计专门的硬件架构。与多级并行策略结合,设计一种统一的卷积层计算单元。为降低模型存储成本、提高加速器的吞吐量,提出一种基于可微阈值的选择性移位量化方案,使计算单元能够以硬件友好的形式执行计算。实验结果表明,在Arria 10 FPGA平台上部署的MobileNetV2加速器能够达到311 fps的推理速度,相比CPU版本实现了约9.3倍的加速比、GPU版本约3倍的加速比。在吞吐量方面,加速器能够实现98.62 GOPS。

基于全卷积神经网络的非对称并行语义分割模型

针对RGB图像具有丰富的色彩细节特征,红外图像对目标轮廓、尺寸、边界等外形特征有较高敏感度的特点,提出了一种非对称并行语义分割模型APFCN(Asymmetric Parallelism Fully Convolutional Networks).APFCN上路设计了一个卷积核尺寸非统一的五层空洞卷积网络来提取红外图像目标高层轮廓特征;下路沿用卷积加池化网络提取RGB图像三个尺度上的细节特征;后端将红外图像高层特征与RGB图像三个尺度的细节特征进行融合,并将4倍上采样后的融合特征作为语义分割输出.结果表明,APFCN在像素精度和交并比等方面均优于FCN(输入为RGB图像或红外图像),适用于背景一致下地面目标的语义分割任务.

改进YOLOv2卷积神经网络的多类型合作目标检测

针对大型构件三维精密测量中构件结构复杂、测量环境变化等导致的合作目标检测精度低的问题,提出一种改进YOLOv2卷积神经网络的多类型合作目标检测方法。首先,利用WGAN-GP生成对抗网络扩增合作目标图像样本数量;其次,采用卷积层密集连接代替YOLOv2基础网络的逐层连接增强图像特征信息流,引入空间金字塔池化汇聚图像局部区域特征,构建改进YOLOv2卷积神经网络的多类型合作目标检测方法;最后,采用增强的目标图像样本数据集训练改进YOLOv2卷积神经网络的多类型合作目标检测模型,实现多类型合作目标检测。实验结果表明:采用多类型合作目标图像数据集测试,多类型合作目标检测精度达到90.48%,目标检测速度为58.7 frame/s。该方法具有较高的检测精度和速度,鲁棒性好,满足大型构件三维精密测量中多类型合作目标检测的要求。

基于Im2col的并行深度卷积神经网络优化算法

针对大数据环境下并行深度卷积神经网络(DCNN)算法中存在数据冗余特征多、卷积层运算速度慢、损失函数收敛性差等问题,提出了一种基于Im2col方法的并行深度卷积神经网络优化算法IA-PDCNNOA。首先,提出基于Marr-Hildreth算子的并行特征提取策略MHO-PFES,提取数据中的目标特征作为卷积神经网络的输入,有效避免了数据冗余特征多的问题;其次,设计基于Im2col方法的并行模型训练策略IM-PMTS,通过设计马氏距离中心值去除冗余卷积核,并结合MapReduce和Im2col方法并行训练模型,提高了卷积层运算速度;最后提出改进的小批量梯度下降策略IM-BGDS,排除异常节点的训练数据对批梯度的影响,解决了损失函数收敛性差的问题。实验结果表明,IA-PDCNNOA算法在大数据环境下进行深度卷积神经网络计算具有较好的性能表现,适用于大规模数据集的并行化深度卷积神经网络模型训练。

卷积神经网络(CNN)算法的FPGA并行结构设计

本文进行了CNN算法的FPGA并行结构设计.该设计首先利用CNN的并行计算特征以及循环变换方法,实现了可高效进行并行流水线的卷积计算电路,然后利用能够减少存储器访存时间的双缓存技术,在输入输出部分实现了缓存阵列,用于提高电路的计算性能(GOPS,每秒十亿次运算数).同时本文还对激活函数进行了优化设计,利用查找表和多项式结合的分段拟合方法设计了激活函数(sigmoid)的硬件电路,以保证近似的激活函数的硬件电路不会使精度下降.实验结果表明:输入时钟为150 MHz时,整体电路在计算性能上由15.87 GOPS提高到了20.62 GOPS,并在MNIST数据集上的识别率达到了98.81%.