基于栈式降噪自编码神经网络的车牌字符识别

为解决复杂自然场景下车牌字符受噪声等影响识别困难的问题,提出一种基于栈式降噪自编码神经网络的车牌识别方法。基于降噪自编码模型重构思想自动提取相关特征,通过使用无监督逐层贪婪预训练和有监督微调的方法对深度自编码神经网络进行训练,对复杂环境下低质量的车牌字符图像具有较好的鲁棒性能。与浅层的机器学习算法、传统栈式自编码神经网络和卷积神经网络相比,栈式降噪自编码神经网络有较好的字符识别性能。基于实际道口电子警察采集的车牌图像测试集的实验结果验证了该方法的有效性。

基于OS-ELM和SDAE的Wi-Fi入侵检测方法

为解决大多数Wi-Fi网络入侵检测方法实时性差、误报率高等问题,提出一种基于在线序列极限学习机(OS-ELM)的实时Wi-Fi网络入侵检测系统模型.首先,考虑到实验样本数据中正常与异常数据极不平衡的问题,采用SMOTE算法对数据样本中的异常数据和正常数据进行平衡处理操作,使分类器的分类效果不受样本数据集中多数类样本的影响.然后使用栈式降噪自编码网络(SDAE)对平衡后的数据进行降维,消除无关或冗余特征降低检测建模规模,避免维度灾难.最后,在AWID数据集进行处理并输入到OS-ELM分类器中,结果表明:与其他基于浅层学习算法的检测方法相比,所提方法可有效地精简数据特征,降低了检测时间,同时在检测精度和误报率方面也体现出了更优性能.

基于深度学习的兵棋演习数据特征提取方法研究

为使基于机器学习的兵棋演习战场态势分析理解取得更好结果,围绕兵棋演习数据特征提取问题,以深度学习方法为手段,提出了一种栈式稀疏降噪自编码网络模型,输入真实的兵棋演习数据进行了特征提取实验,通过分类精度表征了方法的效果,并进行了多种不同方法的对比实验,证明了深度学习方法的优势.