基于神经网络的二元混合液体自燃温度预测

自燃温度(Auto-Ignition Temperature,AIT)是防火防爆安全设计的关键临界参数之一。为解决目前多数采用试验方法测量混合物AIT费时费力且有一定危险性的问题,运用定量结构性质关系方法,使用反向传播神经网络(Back Propagation Neural Network,BPNN)和一维卷积神经网络(one-Dimensional Convolutional Neural Network,1DCNN)技术建立二元混合液体AIT预测模型。以二元混合液体的分子描述符为输入、试验测得的AIT为输出,经多种方法对模型的拟合性、稳定性和预测能力评价验证。结果表明,BPNN模型和1DCNN模型均有良好的预测能力,其均方根误差分别为4.780℃和9.603℃,拟合度与5折交叉验证拟合度差值分别为0.058和0.040,表明BPNN模型有更好的拟合能力,1DCNN模型有良好的稳定性。

基于深层卷积神经网络的初生仔猪目标实时检测方法

针对初生仔猪目标较小、分娩栏内光线变化复杂、仔猪粘连和硬性遮挡现象较为严重等问题,提出一种基于深层卷积神经网络的初生仔猪目标识别方法。将分类和定位合并为一个任务,以整幅图像为兴趣域,利用特征金字塔网络(Feature pyramid network,FPN)算法定位识别仔猪目标;对比了不同通道数数据集以及不同迭代次数对模型效果的影响;该方法支持图像批量处理、视频与监控录像的实时检测和检测结果多样化储存。实验结果表明:在数据集总量相同时,同时包含夜间单通道和白天3通道的数据集,在迭代20 000次时接近模型最优值。模型在验证集和测试集上的精确率分别为95.76%和93.84%,召回率分别为95.47%和94.88%,对分辨率为500像素×375像素的图像检测速度为53.19 f/s,对清晰度为720 P的视频检测速度为22 f/s,可满足实时检测的要求,对全天候多干扰场景表现出良好的泛化能力。

基于轻量级深层卷积神经网络的花卉图像分类系统

为解决深层卷积神经网络(Deep convolutional neural network,DCNN)模型在算力弱、存储成本高的AI边缘计算设备上难以高效应用的现实问题,本文利用重量级网络辅助训练轻量级网络,设计了一种基于轻量级神经网络的花卉图像分类系统。首先利用重量级DCNN并结合迁移学习、爬虫技术与最大连通区域分割方法,构建了适用于轻量级网络训练的扩充花卉数据集。然后基于Tiny⁃darknet与Darknet⁃reference两种网络及扩充后的花卉数据集训练得到两种面向弱算力设备的轻量级DCNN模型。训练得到的两种花卉分类网络在Oxford102花卉数据集上的平均分类准确率可达98.07%与98.83%,模型大小分别为4 MB与28 MB,在AI边缘计算设备中具有较好的应用前景。

深度卷积神经网络在医学图像分割中的应用研究

在临床医学影像诊断中,仅靠医生个人经验和传统技术手段难以精准识别医学图像结果,而依托计算机技术对医学图像处理,不仅能提高医生对医学图像的诊断效率,而且能减少医生的主观性判断,有利于提升医学诊断质量。在计算机领域卷积神经网络(Convolutional Neural Network,CNN)对图像分析具有显著优势。基于此,文章分析深度卷积神经网络在医学图像分割中的应用。

基于FastText和多尺度深层金字塔卷积神经网络的中文文本情感分类模型

为提高中文文本情感分类效率,提出一种基于FastText和多尺度深层金字塔卷积神经网络的文本情感分类模型.利用FastText模型构建文本向量矩阵;使用多尺寸过滤器从文本向量矩阵中提取多个特征图;融合多个特征图并输入多尺度深层金字塔卷积神经网络模型进行情感分类.在中文情感挖掘语料库数据集上进行实验,多组实验对比结果表明,与其他算法相比,本文模型能有效提高文本情感分类的准确率.

基于深层卷积神经网络和双谱特征的雷达信号识别方法

针对复杂电磁环境下利用人工提取特征识别雷达信号存在的主观性强、特征冗余的问题,提出了一种基于深层卷积神经网络的识别方法。该方法首先提取雷达信号的双谱信息作为深层卷积神经网络模型的输入,然后利用模型的自学习能力提取深层特征,实现对不同调制样式雷达信号的识别,最后对不同结构网络模型的识别结果进行对比。仿真实验结果表明,相比传统雷达信号识别方法,该方法对于不同调制类型信号的识别效果优异,并且在识别率、抗噪性上都有所提升。

基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。

基于Fisher准则的深层卷积神经网络织物疵点检测

针对当前的算法无法满足具有周期性图案织物疵点分类检测,鉴于此,提出基于Fisher准则的深层卷积神经网络织物疵点检测算法.首先,利用深度可分离卷积设计小型的深层卷积神经网络(DCNN);其次,对DCNN网络的Softmax增加Fisher准则约束,通过梯度算法更新整个网络参数,得到深层卷积神经网络(FDCNN);最后,在TILDA和彩色格子数据集上分类率分别为98.14%和98.55%.实验结果表明:FDCNN模型既可以减小网络参数和降低运行时间,又可以提高织物疵点分类率.

融合注意力机制的混合神经网络文本情感分析模型

以往的文本情感分析模型存在忽略文本边缘信息、池化层破坏文本序列特征的问题,并且特征提取能力与识别关键信息的能力也存在不足。为了进一步提升情感分析的效果,提出了一种基于注意力机制的动态卷积神经网络(Dynamic Convolutional Neural Network,DCNN)与双向门控循环单元(Bi-directional Gated Recurrent Unit,BiGRU)的文本情感分析模型DCNN-BiGRU-Att。首先,利用宽卷积核提取文本边缘特征,采用动态k-max池化保留了文本的相对位置序列特征。其次,构建了DCNN与BiGRU的并行混合结构,避免了部分特征损失问题,并同时保留局部特征与全局上下文信息两种特征,提高了模型的特征提取能力。最后,在特征融合之后引入注意力机制,将注意力机制的作用全局化,提高了模型识别关键信息的能力。将该模型在MR与SST-2两个公开数据集上与多个深度学习模型进行对比,其准确率分别提高了1.27%和1.07%,充分证明了该模型的合理有效性。

基于深层卷积神经网络近视性黄斑病变筛查系统的研究

目的研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法收集安徽省第二人民医院6068张眼底图像构建训练集,并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统,该系统由两级网络结构组成,第一级网络结构用于识别MMD是否存在,第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果Densenet网络模型在MMD筛查任务中表现最优,其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优,其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示,本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征,准确识别弥漫性和局灶性脉络膜萎缩区域。结论基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征,并准确进行MMD筛查及其严重等级判断,可有效辅助临床。

深层卷积神经网络在车标分类上的应用

在目标不够清晰的视频中采集车标样本,通过加噪的方式扩充了样本量,设计3层卷积神经网络,寻求合适的参数,从训练样本中提取特征,充分利用了训练样本提供的信息进行模型训练和分类.实验结果证明该方法在光照变化和噪声污染的情况下仍能保持较高的准确率,能适应恶劣环境,在自有数据集上分类准确率高达99.06%.

基于物联网和深度卷积神经网络的冬枣病害识别方法

针对传统的作物病害识别方法中人为提取的分类特征,对复杂作物病害图像的形状、光照和背景比较敏感等问题,提出一种基于物联网和深度卷积神经网络(DCNN)的冬枣病害识别方法。DCNN由1个输入层、4个卷积层、3个下采样层、1个全连接层和1个输出层组成。利用该方法能够提取冬枣病害图像的有效特征,并识别病害类型,避免了传统作物病害识别方法中繁琐的特征提取过程。在4种冬枣病害果实数据库上进行了冬枣病害识别实验,识别率达到92%以上。试验结果表明,该方法适合利用物联网采集的大规模视频病害图像进行冬枣病害识别。

深度卷积神经网络在心音分类方法中的应用

通过分析心音信号对心脏早期的病理状态进行确诊具有重要的意义。提出了一种基于深度卷积神经网络的心音分类方法。将心音信号转化成具有时频特性的梅尔频谱系数(Mel Frequency Spectral Coefficient,MFSC)特征图,将其作为深度卷积神经网络模型的输入;利用深度卷积神经网络对MFSC特征图进行训练,引入中心损失函数建立最优的深度学习模型;测试阶段,先将心音信号转换成多张二维MFSC特征图,然后利用训练好的深度学习模型对其分类,最后利用多数表决原则判断心音信号的类别。针对人工标注的训练样本有限,导致模型训练正确率不高的问题,以心音的二维MFSC特征图为对象分别从时间域和频率域进行随机屏蔽处理进而扩充训练样本。实验结果表明,该方法在PASCAL心音数据集上进行测试,对正常、杂音、早搏三种心音的分类性能明显优于现有最好的方法。

基于深层卷积神经网络的智能导盲终端设计与应用

提出一种基于深层卷积神经网络的智能导盲终端系统的设计方案。针对卷积神经网络层数较深,计算资源消耗较高的缺点,使用两台搭建Linux系统的中央处理器进行并行计算处理,两个处理器分别用作网络计算和系统控制。其中采用基于Cortex-A53架构的RaspberryPI3作为网络计算加速单元,利用GPU加速深层卷积神经网络的计算,采用基于Cortex-A9架构的I.MX6Q为系统控制单元。硬件配置双目图像采集、GPS定位、4G通信、语音播报、实时求助六大核心功能模块。经系统实测表明,该智能导盲终端在复杂环境中能对常见障碍物的种类及当前场景、警示标志实现准确识别,还具有快速求助、报时、APP应用等多项辅助功能。系统主从结构的并行处理方式,能将深度学习框架直接搭建在前端运行,大大减少了系统反应时间,提高了实时使用效率。

基于一维卷积神经网络的轴承故障诊断方法研究

轴承故障诊断为机械故障诊断领域的研究热点,传统轴承故障诊断方法需要在特征选择的基础上实现信号特征提取,这类方法诊断效率低,且诊断效果依赖于特征参数的选择。因此,为了提高滚动轴承故障诊断效率和准确度,考虑到一维卷积神经网络具有端到端的特点,文章提出一种基于一维卷积神经网络(1DCNN)的滚动轴承故障诊断方法。利用CWRU轴承数据集对方法的性能进行验证,实验结果表明在相同负载条件下的故障诊断准确度为99.59%以上,且该方法在变负载条件下具有强的诊断鲁棒性。

基于改进卷积神经网络的恶意代码检测技术

针对当前恶意代码检测方法中严重依赖人工提取特征和无法全面提取恶意代码深层特征的问题,提出一种基于改进卷积神经网络的恶意代码检测方法。首先,对恶意代码数据进行预处理,读取每个恶意代码样本的二进制数据流,按照每8 bit转化为一个无符号的整型,转换为一个n×n的元素范围为[0,255]的二维矩阵,完成恶意代码的图像化。然后,在卷积神经网络的全连接层前加入空间金字塔池化层,解决卷积神经网络输入数据大小必须相同的问题。最后,将维数不同的矩阵数据输入到改进后的卷积神经网络自动提取恶意代码深层特征,训练恶意代码的分类器。实验结果表明该方法切实可行,相较于次优结果,准确率提高8.92%,误报率降低51.82%。

基于多尺度深度卷积神经网络的故障诊断方法

针对机电装备故障诊断需要大量专家经验、故障特征识别困难的问题,在一维深度卷积神经网络基础上进行改进,构建多尺度一维深度卷积神经网络(M1DCNN),提出基于多尺度一维深度卷积神经网络的故障诊断方法:首先在网络输入层构建多个含有不同尺寸卷积核通道的特征提取层,对一维时序信号中故障特征进行多尺度特征提取,丰富智能体诊断信息,将所提取特征通过输入到包含多尺寸卷积核以及多样池化层中进行特征处理,最后合并多通道所处理的特征,使网络完成自我学习,从而实现故障诊断。将该方法应用到西储大学轴承故障数据及行星齿轮箱的故障数据诊断实验,结果表明该方法具有诊断精度高、鲁棒性强的特点,相较于一维卷积神经网络准确率提高1.25%,与反向传播神经网络、循环神经网络相比准确率平均提高3%以上,对网络特征提取效果进行可视化分析,结果表明该方法特征提取效果与诊断精度优于一维卷积神经网络。

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据,随着高分辨率遥感图像数据的日益增多,迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分,在特征选择上存在一定的局限性。为此,提出一种基于多尺度学习与深度卷积神经网络(deep convolutional neural network,DCNN)的多尺度神经网络(multi-scale neural network,MSNet)模型,基于残差网络构建了100层编码网络,通过并行输入实现输入图像的多尺度学习,利用膨胀卷积实现特征图像的多尺度学习,设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验,总体分类精度达91.97%,并将其与传统全卷积网络(fully convolutional networks,FCN)方法和基于支持向量机(support vector machine,SVM)的面向对象方法进行了对比,结果表明,本文所提方法分类精度更高,分类结果整体性更强。

基于深度卷积神经网络与WPT-PWVD的轴承故障智能诊断

针对轴承故障诊断中人工提取特征依赖经验,且泛化性和自适应能力弱等问题,提出一种基于深度卷积神经网络(DCNN)与WPT-PWVD的智能故障诊断新方法。①利用小波包变换(WPT)将轴承故障信号进行自适应分解以提取有效高频成分并进行重构;②利用希尔伯特算法对重构信号做包络解调并进行伪魏格纳分布(PWVD)以得到能揭示轴承主要故障信息的时频图;③构建DCNN网络对轴承故障时频图自动学习提取故障特征,并通过在DCNN特征输出层后添加的Softmax多分类器进行网络参数微调,将特征自动学习提取与故障分类融为一体,实现轴承故障智能诊断。使用所提方法对不同工况、不同故障程度及不同故障类型的轴承进行诊断,结果证明了所提方法诊断精度高,且泛化能力强。

融合浅层特征的深度卷积神经网络互花米草遥感监测方法

基于2018年10月份黄河口入海两侧的LANDSAT8 OLI影像,提取植被指数和缨帽变换分量共9维光谱特征,构建融合浅层特征的8层深度卷积神经网络(deep convolutional neural network,DCNN)分类模型,开展互花米草(Spartina alterniflora Loisel)遥感监测的方法研究,并从不同的浅层特征来具体分析互花米草的监测结果。结果表明:(1)在分类方法上,DCNN模型的总体分类精度最高,达到90.33%,与支持向量机(support vector machine,SVM)、随机森林(random forest,RF)分类器相比,精度分别提高4.78%、2.7%,互花米草的生产者精度分别提高了2.56%、0.47%,说明在滨海湿地遥感影像分类中,DCNN有着更好的应用潜力;(2)融合浅层特征后,DCNN的总体分类精度和互花米草的识别精度分别提高了0.34%和3.25%,有效提高了对互花米草的监测能力。其中,融合归一化植被水分指数(NDII)浅层特征的DCNN分类方法中,互花米草的识别精度提高最多,为2.56%,比值植被指数(RVI)次之,为2.32%。研究结果可为互花米草的监测与管理提供技术与数据支撑。