一种基于端到端神经网络的连续血压估计模型

传统基于脉搏波传导时间法及脉搏波特征参数法的血压测量模型存在精度较低及普适性差等不足。构建一种新的连续血压估计模型,通过自动提取必要的波形形态特征及其时域变化,以无创连续的方式估计血压,其由两个层次组成,较低层次使用人工神经网络从光电容积脉搏波(PPG)和心电图(ECG)波形中提取必要的形态特征,较高层次使用长短期记忆网络层来说明较低层次提取特征的时域变化。依据医疗器械发展协会标准,对69名受试者的采样数据进行模型评估,实验结果证明,与基于ECG和PPG特征参数的Deep-RNN血压估计模型相比,该模型具有更高的预测精度。

基于神经网络的基层智慧型融媒体系统传播能力预测方法

随着基层智慧型融媒体系统在各地的应用越来越广泛,为实现系统长期传播能力的预测,设计基于神经网络的基层智慧型融媒体系统传播能力预测方法。基于改进数据集结构设计高效用数据挖掘算法,实施基层智慧型融媒体系统结构、时间、文本、用户信息的挖掘。对于挖掘信息,设计异常事件检测模型对其实施数据异常事件检测,使用差分综合移动平均自回归模型实施单点噪声的修复。构建一种基于上下文依赖的动态图注意网络作为基层智慧型融媒体系统传播能力预测模型,由建模传播动态图模块、时—空依赖学习模块与预测模块构成,其输入为处理后的信息,输出信息为基层智慧型融媒体系统传播规模预测增量。实验结果表明,该方法预测用户列表精度整体较高,最高达到98.95%,预测用户列表召回率整体较高,最高达到97.24%。

基于端到端记忆神经网络的可解释入侵检测模型

目前提出的误用检测和异常检测相结合的算法,大多采用复合模型或组合模型来实现,这些方法通常需要训练不止一个基本模型,学习过程复杂.本文提出一种基于端到端记忆神经网络的入侵检测模型,能够在利用领域知识辅助网络行为数据分类的同时,使用端到端的方式训练模型以降低学习复杂度.模型设计了匹配模块和融合模块,使相关攻击知识项能够在分类模块发挥辅助作用.除检测结果外,模型还能够输出关于检测结果的可解释信息.本文对数据集进行归一化处理,并从数据集中提取出攻击知识项用于辅助分类.实验结果表明,本文方法中领域知识起到了较好的辅助分类作用,模型最终取得较高的检测精度.

基于可变形卷积神经网络的遥感影像密集区域车辆检测方法

车辆检测是遥感图像分析领域的热点研究内容之一,车辆目标的智能提取和识别,对于交通管理、城市建设有重要意义。在遥感领域中,现有基于卷积神经网络的车辆检测方法存在实现过程复杂并且对于车辆密集区域检测效果不理想的缺陷。针对上述问题,该文提出基于端到端的神经网络模型DF-RCNN以提高车辆密集区域的检测精度。首先,在特征提取阶段,DF-RCNN模型将深浅层特征图的分辨率统一并融合;其次,DFRCNN模型结合可变形卷积和可变形感兴趣区池化模块,通过加入少量的参数和计算量以学习目标的几何形变。实验结果表明,该文提出的模型针对密集区域的车辆目标具有较好的检测性能。

基于视图感知的单视图三维重建算法

尽管由于丢弃维度将3维(3D)形状投影到2维(2D)视图看似是不可逆的,但是从可视化到计算机辅助几何设计,各个垂直行业对3维重建技术的兴趣正迅速增长。传统基于物体深度图或者RGB图的3维重建算法虽然可以在一些方面达到令人满意的效果,但是它们仍然面临若干问题:(1)粗鲁的学习2D视图与3D形状之间的映射;(2)无法解决物体不同视角下外观差异所带来的的影响;(3)要求物体多个观察视角下的图像。该文提出一个端到端的视图感知3维(VA3D)重建网络解决了上述问题。具体而言,VA3D包含多邻近视图合成子网络和3D重建子网络。多邻近视图合成子网络基于物体源视图生成多个邻近视角图像,且引入自适应融合模块解决了视角转换过程中出现的模糊或扭曲等问题。3D重建子网络使用循环神经网络从合成的多视图序列中恢复物体3D形状。通过在ShapeNet数据集上大量定性和定量的实验表明,VA3D有效提升了基于单视图的3维重建结果。

基于多频谱特征的音频对抗样本检测方法

音频对抗样本技术是一种通过在音频中添加微小扰动信号来达到特殊目标的技术,该技术甚至可以改变现代自动语音识别系统(ASR)的识别结果,可对语音识别系统造成安全威胁。因此,如何检测音频对抗样本,是一个紧迫的研究课题。现有的音频对抗样本检测方法的检测准确率还有提高的空间,并且缺乏对音频对抗样本特征的研究,在文中,基于音频对抗样本的时域特征和频域特征,提出了一个基于多频谱的检测器来解决音频对抗样本检测的问题。与已有的方法相比,所提出的方法在白盒攻击方法和黑盒攻击方法下生成的短音频对抗样本的检测精度上得到提升,特别是在受到关键词篡改的攻击下,检测精度提高了30%以上。

GTAW熔池激光条纹动态行为与熔透预测方法研究

熔透状态是影响焊缝质量的关键因素之一,可靠传感并实时预测焊缝熔透状态对于提升焊接质量以及焊接智能化水平具有非常重要的意义。利用激光视觉法对低频脉冲钨极氩弧焊(Pulsed gas tungsten arc welding,P-GTAW)不同熔透状态下的反射激光条纹进行了检测,通过建立熔池表面标准模型分析了激光条纹图像动态行为与三种熔透状态熔池自由表面之间(未熔透、临界熔透、全熔透)的相关性,并基于深度学习卷积神经网络建立了GTAW熔透预测模型。研究表明:P-GTAW激光条纹的动态行为与熔池背面熔透状态、熔池表面振荡模式之间存在明确的光学对应关系,所建立从激光条纹图像到GTAW背面熔透状态的端到端卷积神经网络模型能够准确分类未熔透、临界熔透和全熔透三种状态,且分类准确率可达到98.1%,能够实现焊缝熔透状态实时传感及预测。