基于改进LeNet-5网络的数字电表识别

目前在水下等特殊应用场景的电表识别研究中,虽然LeNet-5网络表现良好,但仍存在泛化能力不足、鲁棒性较差等问题。为此,文章基于改进LeNet-5网络的数字电表识别方法,通过增加激活离群值去除,利用dropout算法和ReLU激活函数增强神经网络泛化能力与鲁棒性。实验结果表明:改进的LeNet-5网络模型在学习速率为0.1%和迭代次数为600次时,网络精度达到99.42%。该方法具有较强的运算能力和较高的网络识别精度,可满足水下数字电表识别需求。

基于时频图的改进LeNet-5网络轴承故障诊断

针对现行轴承故障诊断方法难以提取故障信号的细微特征值并且准确率较低的问题,提出基于小波变换和改进LeNet-5网络的轴承故障诊断方法。用小波变换将振动信号转换为二维时频图,并将网络模型中的卷积层构建成两个相对独立的且卷积核数不同的卷积网络支路,通过特征值融合提高提取特征值的效率,提升区分不同故障时频图的能力;选择ReLU作为激活函数,避免梯度消失;添加Dropout层,提高神经网络的泛化性。实验验证结果表明,相对于典型的卷积神经网络,所提方法用于轴承故障分类可以减少所需的迭代次数并提高准确率。

基于改进LeNet-5网络的交通标志识别方法

针对传统LeNet-5卷积神经网络用于交通标志等多种类识别任务中,存在识别正确率低、网络容易过拟合以及梯度消失等问题进行改进。引入Inception卷积模块组来提取目标丰富的特征,同时增加网络的深度。引入BN (batch normalization)层对输入批量样本进行规范化处理;同时改用性能更好的Relu激活函数,并使用全局池化层代替全连接层,合理改变卷积核的大小和数目。研究结果表明,改进LeNet-5网络能够有效解决过拟合和梯度消失等问题,具有较好的鲁棒性;网络识别率达到98. 5%以上,相比CNN (convolutional neural network)+SVM (support vector machine)提高了约5%,比传统的LeNet-5网络提高了3%。可见,改进后的LeNet-5网络图像识别的准确率得到显著提高。

基于改进LeNet-5网络的车牌字符识别

引入了Inception-SE卷积模块组来提升LeNet-5网络的广度与深度,运用SE模块增强了有用的特征并抑制了对当前任务用处不大的特征;使用BN层和Dropout优化网络,防止梯度弥散,提升精度;使用全局池化层(global average pooling,GAP)代替全连接层来减少网络计算参数.研究结果表明:改进后网络的识别精度达到了99.88%,比传统的LeNet-5网络提高了1.71%.

改进LeNet-5网络在图像分类中的应用

LeNet-5卷积神经网络(CNN)虽然在手写数字识别上取得很好的分类效果,但在具有复杂纹理特征的数据集上分类精度不高。为提高网络在复杂纹理特征图像上分类的正确率,提出一种改进的LeNet-5网络结构。引入跨连思想,充分利用网络提取的低层次特征;把Inception V1模块嵌入LeNet-5卷积神经网络,提取图像的多尺度特征;输出层使用softmax函数对图像进行分类。在Cifar-10和Fashion MNIST数据集上进行的实验结果表明,改进的卷积神经网络在复杂纹理特征数据集上具有很好的分类能力。

改进LeNet-5网络用于交通标志识别的方法

为了提高自然交通场景中交通标志的识别精度和检测识别率,提出了一种基于改进LeNet-5网络的交通标志识别算法。该方法对交通标志数据集进行图像尺寸归一化以及数据集增广预处理,增加数据集的多样性,提高了后续模型训练的准确率。对主体LeNet-5网络进行了改进,网络模型使用4层卷积、池化层连接2个全连接层,加深模型的深度;采用ReLU激活函数代替Sigmoid激活函数对卷积运算的结果进行转换,降低算法的计算复杂度;为改善训练神经网络过程中的过拟合现象,在模型中加入Dropout策略;通过实验分析确定算法中的相关参数并与改进前LeNet-5网络进行对比,验证改进算法的有效性。实验结果表明,本研究提出的算法在德国交通标志数据集(GTSRB)上获得99.42%的识别准确率。

基于改进LeNet-5网络的文件编号识别

随着国家“科技强检”战略的实行,分类卷宗材料这种繁杂的工作无疑成为检务人员的负担,于是利用计算机识别文件表面的数字编号来对材料进行分类能提高检务人员的工作效率,同时也能减少由于人工可能导致的失误。由于传统的识别算法在支票、报表、卷宗材料等文件的识别中,识别精度和准确率都有所影响,提出一种基于改进LeNet-5网络的手写文字识别网络,通过对LeNet-5网络各层数据处理之前做一个归一化处理,来提高网络的训练速度,提升网络的学习率。从MNIST手写数字数据集中随机选取3000个训练样本,500个验证样本进行训练,实验证明,改进LeNet-5网络不仅能实现了对手写数字0-9的准确识别,并且相比于传统的LeNet-5网络,在训练数据较少的情况下,识别率也有提升。

基于LeNet-5的手写数字识别的改进方法

手写体识别是计算机视觉的一个重要研究方向。在手写体识别中,常规方法的泛化性能通常较低。相比之下,人工神经网络能够从样本数据中学习特征表达。文章详细探讨了基于LeNet-5和基于卷积神经网络的手写数字识别方法,并设计了图形用户界面(GUI)进行实际测试。测试结果显示,改进后的LeNet-5模型在手写数字识别上相较于传统LeNet-5模型有一定提升。

基于权重分摊的LeNet-5卷积神经网络防御策略

随着神经网络在自动驾驶、医疗诊断等关键领域的应用不断深入,如何确保神经网络的鲁棒性和安全性已成为当前研究的热点和挑战。在对抗攻击、数据中毒攻击、后门攻击等众多攻击方式中,随机翻转攻击是一种对安全性影响极大的攻击,其通过改变模型内部的权重参数来攻击网络,以降低网络性能。为应对此攻击方式,研究了一种基于权重分摊的防御策略。通过计算和分析权重的梯度来确定关键神经元,并为这些神经元添加冗余结构,使错误的权重最终被稀释,以提高模型的容错能力。为了验证这一防御策略,以LeNet-5模型为实验对象进行实验。实验表明,在相同的攻击条件下,经过防御后的模型相较于原始LeNet-5模型,容错精度提升了6.5%,相较于Inception-LeNet-5模型在全连接层上容错精度提升了1.9%。

基于改进YOLO V5S网络的视频图像桥梁施工部件检测方法

利用视频图像进行桥梁施工部件自动检测对提高施工过程管理效率具有重要意义,但施工现场环境复杂,导致检测效率较低。针对上述问题,提出了一种改进YOLOV5S网络的视频图像桥梁施工部件检测方法。首先提出了知识引导的桥梁施工部件数据集构建方法,用于确定多时段数据采集对象;其次,引入了注意力机制SimAM和轻量化模块,融合桥梁部件特征和降低模型参数量,并结合桥梁形态约束对预测框进行优化;最后,建立了桥梁施工部件检测数据集,并与其他经典模型进行对比实验。实验结果显示,该方法的mAP@0.5达到92.46,相对于现有优秀网络模型提高了1.07%~47.13%。同时,模型参数数量比YOLOV5S降低了13.02%,在保证较高检测精度的同时提高了效率。

基于改进蚁群算法的5G通信网络传输系统设计与实现

在现代通信网络技术的发展中,5G通信技术由于其高速、低延迟以及大容量的特性成为关键发展方向。文章论述蚁群算法的基本原理及其在通信网络中的应用,探讨基于改进蚁群算法的5G通信网络传输系统的设计,包括系统架构设计、技术集成、系统优化以及系统评估,并通过应用测试验证所提方法的有效性和优越性。

基于字符分割和LeNet-5网络的字符验证码识别

为了解决传统验证码识别方法效率低,精度差的问题,设计了一种先分割后识别的验证码处理方案;该方案在预处理阶段用中值滤波去噪,再利用霍夫变换对图像字符进行矫正;在字符分割阶段,利用垂直投影算法确定验证码字符块个数,以及字符坐标点,再用颜色填充算法对验证码进行初步分割,根据分割后的字符块数量对粘连字符进行二次分割;在识别阶段,我们对LeNet-5网络进行了改进,修改了输入层,并用全连接层替换了LeNet-5网络中的C5层,以此来对验证码字符进行识别;实验表明,对于非粘连验证码和粘连验证码,单张图片分割时间为0.14和0.15 ms,分割准确率为98.75%和97.25%,识别准确率为99.99%和97.7%;结果表明,该算法对验证码分割和识别都有着很好的效果。

改进卷积Lenet-5神经网络的轴承故障诊断方法

针对滚动轴承微弱信号在强噪声、变工况复杂环境下,难以实现有效的故障诊断问题,提出了一种改进卷积Lenet-5神经网络的轴承故障诊断方法。首先,对采集的一维时域轴承振动信号进行预处理转化成便于卷积操作的二维灰度图;其次,将最基本的Lenet-5模型中的连续单向的传统卷积层改进为Block1模块、Block2模块、Block3模块,提取到更完整、更精准的特征信息;最后,为了防止网络出现过拟合现象,采用L2正则化和Dropout优化网络。为了验证本文所提方法在复杂工况环境的鲁棒和泛化性能,利用滚动轴承数据集和变速箱实验数据集进行实验验证。轴承数据集实验结果表明,本文所提出的方法在变噪声实验中准确率平均值都在99.3%;在变负荷实验中,故障诊断准确率都高于90.26%;在变工况实验中,故障诊断准确率平均值都高于89.01%;在变速箱数据集实验中,抗噪性故障诊断准确率高达96.3%。采用改进的Lenet-5方法对滚动轴承12种故障类型具有更好的分辨能力,在变工况下具有更好的抗干扰性和泛化性能。

基于Lenet-5的卷积神经网络改进算法

在当前语音识别和图像识别领域,卷积神经网络已经取得了很大的成功。现有的Lenet-5卷积神经网络是多层网络结构,但是大量实验表明,从全链接层到输入层的回调影响了最终的精度,特别是在有限数据量的情况下。因此提出了单层回调的Lenet-5算法,即在Lenet-5卷积神经网络的卷积层后添加一个临时输出层,与真实标签进行比较,根据误差函数对层间参数进行回调,并用全球手写数字MNIST数据集进行训练和测试。实验表明,即使在有限数据量的情况下算法的精度仍能得到提高。

基于改进的LeNet-5网络在单通道图像分类中的研究

针对卷积神经网络在进行图像分类时,存在单通道提取特征不充分和收敛慢等问题,提出一种改进的LeNet-5深度卷积神经网络模型。该模型对通道数量、层次结构等进行了改进,并设计局部误差结构,利用算法来增加局部误差产生数量和层间权值的调整次数。实验表明,与传统的LeNet-5网络相比,所提出模型收敛速度更快和分类准确率更高。

基于改进YOLOv5s的航拍红外图像目标识别方法

为了提高无人机在黑暗条件下的识别效率,降低在复杂环境及路况方面存在漏检及延时效果等问题,本文提出了一种改进的YOLOv5s-GN-CB红外图像识别方法,该方法可以提高无人机红外航拍图像对车、人等多类目标识别效率。本文对YOLOv5s的主要改进包括以下3个方面:将Ghost引入到YOLOv5s主干网络中,并将NWD loss损失函数融入至Ghost中;添加注意力机制CA;添加加权双向特征金字塔BiFPN。经验证,改进的YOLOv5s-GN-CB检测模型在InfiRay红外航拍人车检测数据集下目标识别平均精度均值(mAP@0.5)达到95.1%,FPS提高至75.188帧/s。相较于YOLOv5原始模型的平均精度均值和FPS分别提高了4.2%和12.02%。在对同一场景中无人机航拍红外图像目标识别的检测精度有明显提升,延时率有所下降。

基于改进NSA和CNN算法的网络入侵检测方法研究

为了解常规网络入侵问题,基于否定选择(Negative Selection Algorithm,NSA)提出一种网络入侵检测模型。考虑到NSA模型精度问题,引入遗传模型优化检测器,同时对数据进行降维改进检测效果。同时,基于数字识别卷积网络(Convolutional network Le-Net Lene,LeNet-5)构建大规模网络入侵模型,并引入合成数据算法优化。在常规网络入侵检测中,在数据集为20000时,改进NSA模型的分类检测准确率为98.6%,优于另外两种模型。在大规模网络入侵检测中,所提出的大规模入侵检测模型在U2R类型数据集检测中准确率为0.912。可见,所提出网络入侵检测技术具有很好的应用效果,对网络风险预防给出了重要技术参考。

基于改进YOLOv5的无人机遥感图像检测算法探究

为了提高YOLOv5模型对无人机遥感图像的检测性能,本文进行了研究,该模型的主要问题是对小目标的漏检率和误检率较高。通过理论分析,发现其Anchor机制具有一定的优化空间,改进策略为使用NWD损失函数代替IoU损失函数。在性能仿真阶段,对比了4种基准模型的特点,将YOLOv5s模型与改进后的模型进行对比,对无人机遥感图像进行检测。结果显示,改进后的YOLOv5模型在准确度、召回率、多类别平均精确度方面均优于改进前。

基于改进的卷积神经网络LeNet-5的车型识别方法

针对现有车型识别算法的耗时长、特征提取复杂、识别率低等问题,引入了基于深度学习的卷积神经网络(convolutional neural network,CNN)方法。此方法具有鲁棒性好、泛化能力强、识别度高等优点,因而被广泛使用于图像识别领域。在对公路中的四种主要车型(大巴车、面包车、轿车、卡车)的分类实验中,改进后的卷积神经网络LeNet-5使车型训练、测试结果均达到了98%以上,优于传统的SIFT+SVM算法;另外,还研究了改进网络中的Dropout层对车型识别效果的影响。与传统算法相比,经过改进后的卷积神经网络LeNet-5,在减少检测时间和提高识别率等方面都有了显著提高,在车型识别上具有明显的优势。

基于改进的LeNet-5卷积神经网络交通标志的识别

针对目前现有交通标志识别算法耗时长、识别率低等问题,提出了一种改进的LeNet-5卷积神经网络模型(Improved LeNet-5 Convolutional Neural Network,ILN-CNN).首先,对原有的LeNet-5卷积神经网络模型构造2个相对独立的不同卷积核的子卷积网络,用于加快特征提取;其次,增加子网络中卷积核的个数,以增强网络区分不同交通标志的能力;最后,添加激活函数ReLU,增加Dropout层,以达到加快函数收敛,避免CNN过度拟合,降低神经元间互适应的效果.实验结果表明:与传统的系统结构相比,ILN-CNN对交通标志的识别准确率达到93.558%;比BP神经网络模型、支持向量机分类算法分别提高了12.206%和4.018%,并且在识别时间上具有一定的优势.