基于深度确定性策略梯度的星地融合网络可拆分任务卸载算法

为解决低轨卫星网络中星地链路任务卸载时延长的问题,提出了一种基于深度确定性策略梯度(DDPG)的星地融合网络可拆分任务卸载算法。针对不同地区用户建立了星地融合网络的多接入边缘计算结构模型,通过应用多智能体DDPG算法,将系统总服务时延最小化的目标转化为智能体奖励收益最大化。在满足子任务卸载约束、服务时延约束等任务卸载约束条件下,优化用户任务拆分比例。仿真结果表明,所提算法在用户服务时延和受益用户数量等方面优于基线算法。

基于多域信息融合与深度分离卷积的轴承故障诊断网络模型

针对传统卷积神经网络(CNN)对滚动轴承振动信号的故障识别准确率不高这一问题,提出了一种基于多域信息融合结合深度分离卷积(MDIDSC)的轴承故障诊断方法。首先,利用自适应噪声的完全集合经验模态分解(CEEMDAN)算法对轴承振动信号进行了分解;然后,利用分解出的本征模态函数(IMF)的各个分量构建了多空间状态矩阵,并将该多空间状态矩阵输入该深度分离卷积模型中,进行了卷积训练;同时,在该深度分离卷积模型中添加了残差结构,对数据特征进行了复利用,并对卷积核进行了深度分离,解决了深度模型的网络退化问题;最后,提出了一种空间特征提取方法,对模型参数进行了修剪,采用一种自适应学习率退火方法进行了梯度优化,以避免模型陷入局部最优。研究结果表明:通过对多个轴承故障数据集进行对比分析可知,MDIDSC在轴承故障诊断方面的准确率和稳定性明显优于其他方法,MDIDSC的最高测试准确率为100%,平均测试准确率为99.07%;同时,在测试集中的最大损失和平均损失分别为0.1345和0.0841;该结果表明MDIDSC在轴承故障诊断方面具有一定的优越性。

基于高低频特征分解的深度多模态医学图像融合网络

多模态医学图像融合旨在利用跨模态图像的相关性和信息互补性,以增强医学图像在临床应用中的可读性和适用性。然而,现有手工设计的模型无法有效地提取关键目标特征,从而导致融合图像模糊、纹理细节丢失等问题。为此,提出了一种新的基于高低频特征分解的深度多模态医学图像融合网络,将通道注意力和空间注意力机制引入融合过程,在保持全局结构的基础上保留了局部纹理细节信息,实现了更加细致的融合。首先,通过预训练模型VGG-19提取两种模态图像的高频特征,并通过下采样提取其低频特征,形成高低频中间特征图。其次,在特征融合模块嵌入残差注意力网络,依次从通道和空间维度推断注意力图,并将其用来指导输入特征图的自适应特征优化过程。最后,重构模块形成高质量特征表示并输出融合图像。实验结果表明,该算法在Harvard公开数据集和自建腹部数据集峰值信噪比提升8.29%,结构相似性提升85.07%,相关系数提升65.67%,特征互信息提升46.76%,视觉保真度提升80.89%。

深度融合频域和空间域特征的多粒度动态场景图像去模糊网络

动态场景下的图像去模糊具有高度的不适定性,相机与被拍摄目标之间的相对运动使模糊呈现非均匀性.现有深度学习方法大多集中于空间域而忽略频域对于结构及细节恢复的潜在贡献,导致去模糊效果欠佳.为了解决此问题,文中重新审视频域信息在图像去模糊中的作用,提出深度融合频域和空间域特征的多粒度动态场景图像去模糊网络.首先,提出频域门控的频空特征深度融合模块,充分挖掘空间域和频域信息间的相关性,减少融合后特征的冗余,增强两域之间的互补.然后,构建多粒度去模糊网络,充分利用空间域和频域中的不同粒度信息进行从粗到细的图像去模糊.最后,针对训练和测试时输入特征图尺寸不同导致的频域特征图分辨率不匹配问题,采用频域分辨率自适应的测试策略,保持频率变化的一致性.在合成数据集GoPro、HIDE和真实数据集RealBlur上的实验表明文中网络在重建清晰图像方面表现较优,同时参数量及效率具有一定的竞争力.

基于并行融合深度残差收缩网络的有源配电网故障诊断

针对含分布式电源的配电网故障呈现方式多样化以及故障诊断易受分布式电源类型、输出功率等非线性因素影响等问题,提出一种基于并行融合深度残差收缩网络(P-FDRSN)的故障诊断模型。首先,构建具有故障识别支路和故障定位支路的并行网络结构——P-FDRSN,在残差模块中引入收缩机制,减少网络中噪声或冗余信息的影响,提高网络对噪声的鲁棒性;其次,将故障录波信号波形幅值变化转换为灰度图和时频图,送入深度残差收缩网络进行深度特征提取并在汇聚层中将获取的特征进行融合,以增强故障录波信号的特征学习能力。仿真结果表明:在不同分布式电源类型和不同输出功率下,模型故障定位与识别精度均能保持在98.75%和97.25%以上,即使在噪声干扰的情况下,诊断准确率仍可保持在96.75%以上,模型具有较高的精度和较好的自适应性。

基于联合增强图像对的红外可见光深度展开图像融合网络

受到采集环境的影响,红外可见光融合图像有时会存在亮度不足、细节信息不够的问题。为此,提出了一种基于联合增强图像对的红外可见光深度展开图像融合网络,同时将原始红外-可见光图像对和红外-可见光图像增强对作为输入,提高网络信息融合能力。文中首先提出了一种残差展开模块,在此基础上构建了基于迭代的残差展开卷积网络用于特征提取,使其根据不同的初始化参数提取对应图像的背景和细节信息。此外,在特征融合卷积融合网络中引入了维度拼接操作和上下采样卷积块,实现联合红外-可见光图像增强对的特性汇聚,最大限度地保留源图像的差异特征。同时,优化了损失函数权重设计,以获得最佳的融合结果。在多个数据库上进行了大量实验,结果表明,与现有典型的融合方法相比,所提算法的融合图像在主观视觉和客观指标评价上均具有较好性能,在暗照度环境下优于其他方法。

基于多模态融合的深度神经网络图像复原方法

针对水下图像成像环境复杂常受偏色等因素干扰而影响后续图像分析的问题,提出一种基于多尺度特征与三重注意力多模态融合的深度卷积神经网络图像复原方法.首先,深度卷积神经网络在抽取图像空间特征的基础上,引入图像多尺度变换特征;其次,通过通道注意力、监督注意力和非局部注意力,挖掘图像特征的尺度间相关性、特征间相关性;最后,通过设计多模态特征融合机制,将上述两类特征有效融合.在公开的水下图像测试集上进行测试并与当前主流方法进行对比的实验结果表明,该方法在峰值信噪比、结构相似性等定量对比以及颜色、细节等定性对比上都优于对比方法.

基于多模态数据与融合深度网络的自动睡眠分期方法

准确的睡眠分期是进行睡眠质量评估及相关疾病诊断的重要依据。针对脑电信号(Electroencephalogram,EEG)和眼电信号(Electrooculogram,EOG)在睡眠各阶段存在差异性,提出了一种用于实现自动睡眠分期的基于EEG和EOG的新型特征融合深度网络——MAFSNet。具体地,首先设计两种一维卷积神经网络分别用于提取EEG和EOG信号中的睡眠有效特征;其次,构建自适应的特征融合模块,根据特征的贡献程度赋予其不同的权值,通过增强判别特征和抑制无关特征,得到包含多模态睡眠信息的自适应融合特征;进而,采用双向长短期记忆网络学习睡眠阶段转换规则中的时间序列相关信息;最后,使用公开数据集Sleep-EDF验证所提模型实现五级睡眠分期的有效性。研究结果表明所提方法在睡眠分期中具有较高的分类性能,准确率、Kappa系数和MF1分数分别为94.1%,88.2%和81.9%,其中N1和REM睡眠阶段的召回率分别显著提升到64.6%和93.5%。

基于空–谱融合和深度神经网络的机载高光谱影像作物精细识别

针对目前农作物精细识别中由于没能充分利用影像特征,导致识别精度不足的局限,本文提出了一种耦合空–谱融合框架和深度神经网络的机载高光谱遥感影像作物精细识别方法。该方法首先提取作物的GLCM纹理、形态学轮廓、端元丰度三种空间信息,构建决策级融合模型将这三种空间信息与作物的光谱信息进行融合计算。然后引入基于深度神经网络和条件随机场的混合模型进行高精度作物识别。本研究选择了河北雄安有人机数据集进行实验,结果表明,本文方法能融合生成具有互补性的作物特征数据,并能有效减少识别过程中的噪声影响,保持地物边缘,获取高精度的农作物识别信息。

网络学习空间与农村小学数学深度融合教学实践探究——以“温度”教学为例

农村小学数学教学融合“网络学习空间”,在课前通过“无痕”导学实现思维“有迹”;课中遵循“三不教”原则组织学习活动,转变学习方式,提升课堂质量;课后创新作业形式,如分层、实践性研究、弹性、个性化作业等,延伸学习至线上。实践证明,此举能提高学习自由度、促进学习成果生成,激发学生运用策略性思维积极参与学习。本文探究网络学习空间支持下的小学数学深度融合课堂教学实践,以期提升学生数学核心素养。

基于深度强化学习的异构融合网络接入算法

随着空、天、地各域通信网络的日趋成熟,跨域异构融合技术已成为未来通信网络一体化发展的重要方向。文中在空天地一体化网络向跨域异构融合需求的驱动下,针对异构网络中频谱资源利用率较低的问题,采用深度强化学习方法,通过建立异构融合网络系统模型,设计具有公平尺度的智能体接入算法,以系统吞吐量为最大化目标,选取符合空天地一体化特征的各通信网络制式并提取对应的接入协议。遵照公平原则,设置无量纲的信道参数,建立仿真场景。在仿真中引入多种对比策略,统计系统吞吐量、碰撞率、利用率和信道选择比例等指标。仿真结果表明,跨域异构融合网络的系统吞吐量提高了60%以上,系统信道利用效率提升了20%,业务分组碰撞率维持在10%,验证了文中算法对不同业务场景的适应性。

深度卷积网络环境下基于插值算法的图像融合研究

针对现有图像融合算法融合效果差、效率较低的不足,在深度卷积网络环境下提出一种图像插值算法.先对原始图像进行滤波、分割等预处理,使图像具备融合的可能性;然后构建深度卷积神经网络,为提升训练性能,采用了双卷积层和池化层的结构设计,同时选用Tanh激活函数提升模型泛化能力;基于方差梯度建模,并采用邻域像素法插值,使融合后的图像像素平滑过渡,强化了融合图像的细节并改善图像的质量.实验结果显示:提出算法的图像融合质量评估指标均优于传统融合算法,且处理训练集和测试集的耗时更短.

文旅深度融合中的网络视听

党的二十大报告明确提出:“坚持以文塑旅,以旅彰文,推进文化和旅游深度融合发展”。天津“跳水大爷”、贵州“村超”、淄博烧烤……一系列在互联网空间走红的人、事、物带动相关地域的旅游产业发展,也反映出网络视听在资源的挖掘孵化、产品的运维升级和品牌的营销传播等方面强势赋能文旅融合,推动文旅行业进入新发展阶段。

基于深度神经网络的红外与可见光图像融合算法研究

该文提出并优化了一种基于深度神经网络的红外与可见光图像融合算法,采用感知损失和对抗性训练两种优化策略。经实验验证,优化算法在图像质量上超越传统方法。感知损失提高了融合图像的清晰度和语义信息,对抗性训练增强了真实感和细节保留。这一研究为红外与可见光图像融合领域引入了先进的深度学习方法,为相关领域的技术应用提供了有力支持。

基于深度传播融合生成对抗网络的文本生成图像算法

基于深度融合生成对抗网络(DF-GAN)多个融合模块相互独立,以致网络融合深度较浅并难以得到最优融合结果的问题,本文提出了一种基于深度传播融合生成对抗网络(DPF-GAN)的文本生成图像算法。该算法通过拼接相邻的仿射模块和融合模块,让前面的融合信息传播至后面的融合模块中,从而促进文本和图像更深层次地融合。实验表明,在CUB-200-2011和COCO数据集上,DPF-GAN生成的图像质量要优于DF-GAN,特别是CUB-200-2011数据集的FID指标减少了11.34%。与递归仿射变换生成对抗网络(RAT-GAN)相比,DPF-GAN的空间复杂度更低且推理速度更快。

基于深度卷积网络的多聚焦图像自动融合方法

不同聚焦状态的图像融合易产生模糊的问题,因此提出基于深度卷积网络的多聚焦图像自动融合方法。首先检测图像的多聚焦区域,利用深度卷积网络选择图像块的大小,以便于后续的图像融合。选取好图像块大小后,通过小波变换进一步确定频子带系数。最后,结合深度卷积网络的自动融合方法,融合不同聚焦状态的图像,得到一幅完整、视觉效果好的融合图像。实验证明,在融合过程中使用深度卷积网络的多聚焦图像自动融合方法可以得到清晰的图像,具有良好的应用效果。

基于深度支撑值学习网络的遥感图像融合

该文将深度学习用于遥感图像融合,在训练深度网络时加入了结构风险最小化的损失函数,提出了一种基于深度支撑值学习网络的融合方法.为了避免图像融合过程中的信息损失,在传统卷积神经网络的基础上,取消了特征映射层的下采样过程,构建了深度支撑值学习网络(Deep Support Value Learning Networks,DSVL Nets),DSVL Nets网络模型包含5个隐藏层,每一层的基本结构由卷积层和线性层构成,该基本单元提供了一种多尺度、多方向、各向异性、非下采样的冗余变换,该模型在网络训练完毕之后,取出各卷积层和第5个隐藏层的线性层作为网络模型的输出层.输出层的各卷积层图像融合采用绝对值取大法,得到融合后的各卷积层图像;另外,将线性层图像分别在过完备字典上进行稀疏表示,并对稀疏系数采用绝对值取大法进行融合,得到融合后的线性层图像;最后将融合后的各卷积层和线性层图像重构得到结果图像.文中使用QuickBird和Geoeye卫星数据验证本文所提方法的有效性,实验结果表明,与PCA、AWLP、PN-TSSC和SVT算法相比较,该文所提方法的融合结果无论在主观视觉还是客观评价指标上均优于对比算法,较好地保持了图像的光谱信息和空间信息.

基于多特征融合的深度置信网络图像分类算法

针对现有单一特征描述符及浅层结构分类算法分类正确率较低的问题,基于底层图像特征提出一种针对自然界图像特点的深度置信网络(DBN)图像分类算法。提取样本图像中的颜色、纹理和形状特征,构成多特征融合的权重矩阵,并对特征矩阵进行归一化处理,利用构建的4层DBN分类器进行训练和分类。采用Corel图库,通过训练权重进行测试,结果表明,该算法的平均分类正确率达到85.1%,高于使用单一特征的分类算法和其他主流分类算法。

基于注意力机制与光照感知网络的红外与可见光图像融合

部分图像融合方法未充分考虑图像环境的光照状况,导致融合图像中出现红外目标亮度不足以及整体画面亮度较低,从而影响纹理细节的清晰度.为解决上述问题,提出一种基于注意力机制与光照感知网络相结合的红外与可见光图像融合算法.首先,在训练融合网络之前利用光照感知网络计算当前场景是日间或夜间的概率,将其运用至融合网络损失函数中,用以指导融合网络训练;然后,在网络的特征提取部分采用空间注意力机制和深度可分离卷积对源图像进行特征提取,得到空间显著信息后,输入卷积神经网络(CNN)以提取深度特征;最后,将深度特征信息进行拼接用于图像重建,进而得到最终的融合图像.实验结果表明:本文方法的互信息(MI)、视觉保真度(VIF)、平均梯度(AG)、融合质量(Qabf)与空间频率(SF)较对比方法分别平均提高39.33%、11.29%、26.27%、47.11%和39.01%;融合后的图像能够有效保留红外目标亮度,且包含丰富的纹理细节信息.

基于深度学习模型的无线传感器网络数据融合算法

为了在无线传感器网络中提高数据融合性能,基于深度学习模型,提出一种将层叠自动编码器(SAE)和分簇协议相结合的数据融合算法SAEMDA,该算法在各个簇内构建特征提取分类模型SAEM,通过SAEM对节点数据进行特征提取和分类,之后将同类特征融合并发送给汇聚节点。SAEM的训练既可以采用离线有监督学习也可以采用在线无监督学习。仿真实验表明:和BPFDA,SOFMDA算法相比,SAEMDA在网络能耗大致相当的情况下能将数据融合正确率提高最多7.5%。