基于条件神经域的行为识别研究

以常用的行为识别数据集作为研究对象,利用条件神经域模型进行单人行为识别。首先用鲁棒自适应视觉背景提取算法提取特征,然后使用质心对齐方式截取目标区域并转成一维向量,最后将特征向量进行实验训练与测试,并将测验结果与隐动态条件神经域和支持向量机算法识别结果相对比。结果显示,条件神经域模型算法在识别率和稳定性方面都优于另外两种算法。

基于隐动态条件神经域的在线行为识别方法

针对视频中连续的未分割人体动作识别存在的一些问题,提出一种基于隐动态条件神经域模型(latent-dynamic conditional neural fields,LDCNF)的在线行为识别方法。LDCNF模型含有两个隐层,在潜动态条件随机场(LDCRF)的基础上,增加一层神经网络层,即门层,提取输入数据和输出标签间的非线性关系;增加一种新规则项训练该模型,辨别动作序列隐状态间的差异性。在仿真实验中,针对10种连续的行为动作,将该算法与条件随机场(CRF)、HCRF、LDCRF进行识别效果的对比。实验结果表明,对于联机处理行为序列,该算法相比于CRF、HCRF、LDCRF模型具有更好的识别率。

基于混合型复数域卷积神经网络的三维转动舰船目标识别

在较高海情下,由于舰船目标处于随机摆动的非平稳运动状态,常规合成孔径雷达(Synthetic Aperture Radar,SAR)成像处理会使得目标散焦、方位模糊,从而导致三维转动舰船目标识别准确率低.本文提出一种混合型复数域卷积神经网络(Mix-type Complex-Valued Convolutional Neural Network,Mix-CV-CNN),并推导Mix-CV-CNN前向传播与反向传播算法.三维转动舰船目标经过SAR成像处理后存在剩余相位信息,Mix-CV-CNN能充分利用SAR复数域图像的幅度和相位信息,在不进行目标重聚焦的情况下,较好完成SAR复杂运动舰船目标的识别.实验表明,Mix-CV-CNN相较于具有相同自由度的实数域卷积神经网络(Real-Valued Convolutional Neural Network,RV-CNN)识别性能有所提高,实测数据识别平均准确率提高3.85%.

神经网络域水印信息优化与加密

神经网络模型作为一种数字资产,其版权保护日益受重视,针对目前神经网络域水印信息单一、不直观的问题,设计一种水印信息内容优化的方法,在训练神经网络时嵌入水印,采用正则化的方法防止训练神经网络时参数过度拟合,并进行了水印信息的加密研究。通过分析图像域和神经网络域中有效水印算法的需求,将简单的二进制串信息优化为有视觉意义的二值图像与灰度图像,对于不同水印形式进行了分析对比,并在嵌入前对水印信息进行了典型的加密预处理分析,包括Arnold变换、按位异或加密以及行列像素置乱加密。结果表明:该方法可以在不影响原始任务性能的情况下有效地嵌入水印,并且提取的信息质量更好,采用行列像素置乱的二值图像作为水印嵌入,对神经网络性能的影响最小。

具有反应扩散项的变时滞复数域神经网络的指数稳定性

该文研究了一类具有反应扩散项的变时滞复数域神经网络的指数稳定性.首先在假设复数域激活函数可分解的情况下,将该系统分解为相应的实部系统和虚部系统.利用矢量Lyapunov函数法和M矩阵理论,得到了确保该系统平衡状态指数稳定性的充分条件.该条件不含有任何自由变量,相对现有结论具有较低的保守性.最后通过一个数值仿真算例验证了所得结论的正确性.

一氧化氮合酶1、神经细胞PAS域蛋白4和外中心粒物质1基因型与偏执型精神分裂症表型的关联性

目的探讨一氧化氮合酶1(NOS1)、神经细胞PAS域蛋白4(NPAS4)和外中心粒物质1(PCM1)基因单核甘酸多态性(SNP)与精神分裂症的关联性。方法选择来自豫北地区在河南省精神病医院住院的偏执型精神分裂症患者516例(病例组)和同地区健康正常人516例(对照组),采用荧光定量聚合酶链反应对NOS1、NPAS4和PCM1基因的5个功能SNP位点进行基因分型,分析SNP与疾病的关联性。进一步分析阳性和阴性症状量表(PANSS)因子分与NOS1、NPAS4和PCM1基因多态性的关联。结果 NOS1(rs3782219、rs3782221)、NPAS4(rs7947391)及PCM1(rs445422、rs370429)5个SNP位点基因型和等位基因频率在病例组和对照组中的分布差异均无统计学意义(P>0.05)。病例组与对照组NOS1基因的2个SNP位点(rs3782219、rs3782221)组成3种单体型(A-A、G-A、G-G)及PCM1基因2个SNP位点(rs445422、rs370429)组成3种单体型(A-A、G-A、G-G)频率的差异均无统计学意义(P>0.50)。NOS1基因的rs3782219基因型与兴奋/敌对因子,rs3782221基因型与抑郁/焦虑因子、兴奋/敌对因子的差异有统计学意义(P<0.05);NPAS4基因的rs7947391与阳性因子分的差异有统计学意义(P<0.05);PCM1基因的rs445422与PANSS总分、阴性因子分、认知因子分的差异有统计学意义(P<0.05),rs370429与PANSS总分、阴性因子、认知因子分的差异有统计学意义(P<0.05)。结论 NOS1基因的rs3782219和rs3782221位点、NPAS4基因的rs7947391位点以及PCM1基因的rs445422和rs370429位点可能不是精神分裂症的易感位点,但这些基因SNP位点基因型可能参与了精神分裂症表型特征。

一种基于纹理域神经网络的彩色卫星图像分析方法

描述了一种利用纹理域神经网络 ,通过监督的学习方法来调整和训练权重 ,将预处理后合成的彩色卫星图像中的纹理信息块进行分类 ,从而达到在彩色卫星图像中将有用的色彩块分析出来的目的 .给出了纹理域的预处理过程 ;阐述了对原彩色图像进行颜色映射和量化的目的和方法 ;讨论了纹理域神经网络的构造方法及算法 ;最后给出了用以上方法对彩色卫星图像进行分类的实验结果 .

基于域适应神经网络与联合分布自适应的无监督故障诊断方法

故障诊断对于机械设备的健康管理十分重要,当前,数据驱动的故障诊断方法已成为了本领域研究热点。然而,机械设备的工作状态与条件是不断变化的,这导致故障数据分布不同,故障诊断带来了挑战。针对该问题,提出一种基于域适应神经网络与联合分布自适应的无监督故障诊断方法。首先,将不同数据分布的故障诊断数据通过信号转图像的方法进行数据预处理;然后,使用域适应神经网络生成数据分布相似的特征;最后使用联合分布自适应方法处理所生成的特征。该方法可以有效地解决工作状态与条件发生变化所带来的数据分布不同的问题。所生成的模型可以在无标签的情况下,较为准确地诊断在另一个工作状态下采样的故障数据。最后,利用本领域的经典案例———凯斯西储大学轴承数据集,对所提方法进行了测试验证,实验结果证明了该方法的可行性与有效性。

基于自注意力机制的多域卷积神经网络的视觉追踪

为了解决多域卷积神经网络(MDNet)在目标快速移动和外观剧烈变化时发生的模型漂移问题,提出了自注意力多域卷积神经网络(SAMDNet),通过引入自注意力机制从通道和空间两个维度来提升追踪网络的性能。首先,利用空间注意力模块将所有位置上的特征的加权总和选择性地聚合到特征图中的所有位置上,使得相似的特征彼此相关;然后,利用通道注意力模块整合所有特征图来选择性地强调互相关联的通道的重要性;最后,融合得到最终的特征图。此外,针对MDNet算法因训练数据中存在较多相似但属性不同的序列所造成的网络模型分类不准的问题,构造了复合损失函数。该复合损失函数由分类损失函数和实例判别损失函数组成,首先,用分类损失函数来统计分类的损失值;然后,利用实例判别损失函数来提高目标在当前视频序列中的权重,抑制其在其他序列中的权重;最后,融合两项损失作为模型的最终损失。在目前广泛采用的测试基准数据集OTB50和OTB2015上进行实验,结果表明所提出的算法在成功率指标上相比2015年视觉目标跟踪挑战(VOT2015)的冠军算法MDNet分别提高了1.6个百分点和1.4个百分点,在精确率和成功率指标上优于连续域卷积相关滤波(CCOT)算法,在OTB50上的精确率指标优于高效卷积操作(ECO)算法,验证了该算法的有效性。

面向无人机辐射源个体识别的域适应模型设计

近年来,无人机在军用领域和民用领域得到了广泛的应用,给人们带来极大便利的同时也带来了重大的安全挑战,精准识别无人机的需求日益迫切,其中无人机辐射源个体识别方法得到广泛关注和深入研究。基于深度学习的方法因其卓越性能而受到广泛关注,然而这些方法大多依赖于大量独立同分布的训练数据,而在实际应用中,无人机射频数据的采集和标注充满挑战,训练数据和测试数据之间往往存在较大的分布差异。针对无人机射频数据采集和标注困难、训练数据和测试数据分布差异大等现实应用需求,提出了一种面向无人机辐射源个体识别的域适应模型设计方法。采用自助抽样法对无人机数据集进行重采样,增加数据集中的样本多样性。将Transformer编码器与域对抗神经网络结合,使特征在高斯分布下进行优化。引入最大均值差异作为度量方法来减少训练过程中源域和目标域之间的分布差异。基于权重的加权投票法增强模型的泛化性,提高模型适应新环境的能力。实验结果表明,基于3种典型环境,构建6种域适应场景,本文所提的方法识别率高于现有方法约5%。此外,还研究了源域样本数量和目标域样本数量对域适应效果的影响,在目标域含有少量样本时依然可以达到较高的性能,较好地平衡了无人机辐射源个体识别精确度与泛化性、可靠性的需求。

基于多域卷积神经网络跟踪的动态手势识别

针对传统的手势跟踪方式在复杂环境下跟踪效果差导致动态手势识别准确率不高的问题,提出了一种多域卷积神经网络跟踪框架下的动态手势识别算法。该算法采用多域卷积神经网络实现手势跟踪环节,并根据手势跟踪的特点,精简网络结构,构建全域通用fc6层,增强网络对动态手势跟踪的适用性,提升跟踪效果。其次,采用VGG-19对跟踪网络构建的动态手势轨迹特征图谱进行识别。算法将跟踪问题简化成目标与背景的二分类,采用多域卷积神经网络学习跟踪目标共性,能更好地给出跟踪目标模型,且浅层卷积神经网络的利用更能强化空间信息,从而提高动态手势跟踪和识别的效果。通过两组数据库测试表明,对自建的动态手势库识别率高达97.5%,并在Chalearn Gesture Data国际标准手势数据库取得了93.33%的识别率,验证了算法的有效性。

基于改进域对抗迁移学习的电力系统暂态稳定自适应评估

在电力系统运行方式和拓扑结构频繁变化时,数据驱动的电力系统暂态稳定评估方法在实际系统中的应用效果会变差。针对这一问题,提出了一种基于改进域对抗迁移学习的暂态稳定自适应评估方法。根据电力系统量测数据的特点,设计了深度神经网络,并在运行场景改变后,利用梯度翻转层引入域对抗训练机制,提取源域和目标域之间的公共特征,缩小域间分布差异,减少训练样本需求。同时,同步迁移源域的模型知识并更新特征提取器参数,保证模型更新的快速性和准确性。IEEE 39节点系统和美国南卡罗莱纳州500节点电网测试结果表明,通过合理迁移原始数据以及模型,所提方法可减少目标域训练样本规模,具有快速性、通用性和较强的自适应性。

基于复数域CNN的舰船目标识别算法

随着海洋科学技术发展以及对海监测需求的不断增加,对海洋舰船目标的长期持续监视与高精度识别越来越重要。合成孔径雷达(SAR)作为对海监测的有效手段,具备全天候、全天时和高分辨探测等优势,已在海洋监视领域得到重视。近年来,随着基于深度学习的舰船目标识别技术的发展,SAR图像处理技术在海洋遥感探测领域得以广泛应用。针对目前基于深度卷积网络的舰船目标识别问题,提出了一种基于复数域卷积神经网络(CV-CNN)的舰船目标识别算法。试验表明,该算法提高了舰船目标识别的准确性和可靠性,具有应用价值。

结合ICA和复数神经网络的双麦阵列盲源分离方法

为了降低语音信号盲源分离算法的延时,提高其准确性和稳定性,本文结合传统盲源分离技术和深度神经网络的优势,提出了一种基于独立分量分析(ICA)和复数神经网络的双麦阵列盲源分离方法。本文将复数递归神经网络和ICA方法有机融合,提出一种基于时频域的双通道复数神经网络,同时解决了独立分量分析中的排列问题。所提方法利用复数域神经网络在输入为混合信号的情况下计算初始化分离矩阵,神经网络输出采用复数域形式,利用复数学习标签估计复数矩阵,然后采用ICA方法获得目标分离矩阵。实验数据表明,所提方法相较于ICA方法提高了盲源分离的实时性和准确性。

大鼠脊髓背角神经元痛放电确定性行为的年龄相关变化(英文)

为阐明脊髓背角神经元痛放电的年龄相关的动力学变化,本研究采用非线性预报方法,对两组不同年龄大鼠(成年青龄鼠3-4月龄,老年鼠>22月龄)组织损伤诱发的脊髓背角神经元痛放电峰峰间期序列进行了确定性行为的定量分析。结果显示,皮下注入蜜蜂毒,在两组大鼠均诱发脊髓背角广动力域神经元长时程放电,而老龄大鼠的痛放电峰峰间期序列表现出更高的可确定性。本研究表明,单个神经元的痛放电动力学在整个生命过程中并不是恒定不变的,伤害性神经元活动的年龄相关动力学变化可能是老年人群中多样化痛反应的内在机制之一。

艾斯西酞普兰联合电针治疗对抑郁症患者神经、认知功能等的影响

目的 探究艾斯西酞普兰联合电针治疗对抑郁症患者神经、认知功能的影响。方法 选取抑郁症患者100例,随机将其分为观察组与对照组,各50例。2组均给予抗抑郁药物治疗,观察组同时联合电针治疗。观察并记录2组患者的疗效、神经功能、认知功能、5-羟色胺(5-hydroxytryptamine,5-HT)水平及神经元PAS域蛋白4(recombinant neuronal PAS domain protein 4,Npas4)水平的变化。结果 治疗后,观察组有效率(92.0%)显著高于对照组(68.0%)(P<0.05);2组患者的神经功能指标均明显好转(P<0.05),且观察组的脑源性神经营养因子(brain-derived neurotrophic factor,BDNF)水平显著高于对照组(P<0.05),人神经元特异性烯醇化酶(human neuron-specific enolase,NSE)、S100钙结合蛋白B重组蛋白(recombinant S100 calcium binding protein B,S-100B)水平较对照组降低(P<0.05);观察组的认知水平较同期对照组更高(u=2.530,P<0.05);治疗后2组患者的5-TH水平均明显升高(P<0.05),且观察组显著高于对照组(P<0.05);治疗后2组患者的Npas4水平均显著升高(P<0.05),且观察组显著高于对照组(P<0.05)。结论 艾斯西酞普兰联合电针治疗抑郁症可明显改善患者的神经及认知功能,提高5-HT、Npas4水平,改善临床症状及疗效。

域适应网络与平衡动态分布自适应的轴承变工况故障迁移诊断研究

机械设备在工业现场下的工况复杂多变,导致故障样本分布不均,给传统机器学习带来巨大的困扰。针对上述问题,提出了一种基于域适应神经网络与平衡动态分布自适应的轴承故障迁移诊断方法。首先,利用小波变换改进卷积神经网络的卷积层,并自适应提取轴承样本特征。其次,利用最大均值差异度量和权重正则化在损失函数处理所生成的特征,改善样本分布差异,获取域适应神经网络模型。最后,利用A-distance距离改进平衡分布自适应,使其具备动态特性,进一步改善样本分布差异,通过KNN分类器实现轴承迁移诊断。经过实验验证,所提方法在同试验台和跨试验台案例验证中,能够较为精确地迁移出轴承故障状态,证明该方法可有效解决无标签样本在变工况条件下样本分布不均的问题,具备有效性与鲁棒性。

机理约束下钻井机械钻速智能预测泛化方法

钻井机械钻速的准确预测可辅助油气井钻井前科学配置资源,对制订更加合理的钻井作业方案以及钻井提效、降本增效具有重要现实意义。智能化预测钻井机械钻速已成为行业研究热点,为解决常规智能模型在不同井间迁移能力较差的问题,在对综合录井数据进行降噪、补全等预处理的基础上,利用钻井专业知识构造约束条件,引入了域对抗神经网络(DANN),建立了机械钻速模型在不同井间的迁移机制,结合滑动窗口、增量更新与实时录井数据,形成了机械钻速模型随井下工况的实时更新方法。研究结果表明:(1)数据层约束和网络层约束均可提高智能模型的精度与稳定性,且双机理约束下的BP模型相比于普通BP模型预测精度明显提高;(2)基于域对抗神经网络的机械钻速预测模型可有效地将邻井(源域)数据知识迁移到测试井(目标域);(3)基于增量学习算法建立的双滑动窗口数据更新机制,使模型实时适应地下钻进环境变化,预测精度和泛化能力进一步提升;(4)机理约束、迁移训练与实时更新对模型泛化性能的强化作用具有叠加效应,新井机械钻速预测平均相对误差降低至20.2%。结论认为,建立的机械钻速预测模型及迁移方法相较于传统钻速预测模型,具有更好的迁移性和更高的准确度,减少了迁移过程中重复训练时间,为机械钻速智能预测提供了新的思路和方向。

CLNF在人脸识别中的应用研究

针对人脸特征点定位的精确性对人脸识别系统精确性的影响,本文在受约束的局部模型(constrained local models,CLM)基础上,主要研究人脸特征点定位算法——受约束的局部神经域模型(constrained local neural fields,CLNF)算法。考虑每个patch模型(特征点检测器)的可靠性,CLNF结合局部神经域(local neural field,LNF)的patch模型,在拟合过程中,由原来的正则化特征点均值偏移(regularised landmark mean shift,RLMS)改为采用不均匀的正则化特征点均值偏移方法进行人脸拟合,同时,在人脸数据集Multi-PIE上进行实验,并对比分析两种模型。分析结果表明,CLNF定位算法在平均用时、成功率及误差率方面都具有明显优势,证明CLNF的LNF patch模型在人脸特征点拟合的精确性相对于CLM有明显提高。该技术拟合速度更快,拟合准确率更高,能够使人脸识别技术更加精确,具有更大的优势。该研究具有广泛的应用前景。

基于CLNF与BN模型的疼痛表情识别方法

为提高疼痛表情的识别准确性,将约束局部神经域(CLNF)模型和贝叶斯网络(BN)模型相结合,提出一种疼痛表情识别方法。利用CLNF模型获取疼痛表情的关键特征点,在此基础上得到携带大量疼痛信息的面部活动单元(AU),通过对AU加标签处理得到样本数据集。根据定性专家经验获取BN条件概率之间的约束集合,采用变权重方法将样本数据集与约束扩展参数集相融合以完成BN模型的参数估算,并通过BN推理方法实现疼痛表情的最终识别。实验结果表明,与概率潜在语义分析、局部二值体卷积神经网络等方法相比,该方法可有效提高疼痛表情的识别性能,具有更高的识别精度。