基于ReLU函数的胎路接触三向力传感器解耦方法

针对轮胎路面接触三向力传感器维间耦合解耦困难的问题,提出基于线性整流函数(rectified linear unit, ReLU)神经网络的解耦算法。以三向力传感器作为研究对象,首先进行单轴加载的静态标定试验,并分析3个方向下单轴加载的耦合力,然后应用基于线性整流函数神经网络解耦算法以及传统的解耦算法对试验数据进行数值解耦。分析比较试验数据,所提算法得到的最大Ⅰ类误差、Ⅱ类误差分别为0.91%、0.87%,而传统算法最大Ⅰ类误差、Ⅱ类误差分别为3.08%、11.95%,进一步提高了三向力传感器的测量精度。

基于改进的卷积神经网络的步态识别

为了提高惯性传感器采集到的序列数据中步态识别的准确率,建立了一个激励层改进的卷积神经网络(CNN)模型。针对三轴加速度传感器对运动太过敏感导致步态周期划分不准确的问题,采用加速度传感器与弯曲度传感器组合获取人体运动信息。将CNN模型中激励层的线性整流函数(ReLU)改进为带泄露线性整流函数(Leaky ReLU),以解决遇到卷积输出数据小于0时神经元被抑制的问题,进而达到提高步态识别准确率的目的。实验结果表明激励层优化的CNN模型在行走、上下楼和上下坡五种步态模式下识别率达到了95.79%,与未采用弯曲度传感器的改进CNN模型和未进行激励层改进的CNN模型相比,步态识别率有所提高。

一种基于DNN的少儿英语口语评分系统的改进

由于目前基于深层神经网络隐马尔可夫模型(CD-DNN-HMMs)自动口语评分系统对少儿口语的兼容性不是很高,存在一定程度的误差,因此提出了DNN的语音识别系统,其主要组成是线性整流函数。实验结果表明,与高斯混合模型(GMM-HMMs)相比,即使该模型训练了8倍以上的数据,但其识别精度也远低于基于DNN的识别方法,而且DNN方法的相对功耗降低了31%。这进一步提高了提取特征的质量和最终的英语口语水平分数,并将整体的自动评价性能提高到了人工的绩效水平,并且在儿童英语语音中常见的嘈杂和/或不清楚反应的情况有了很大的改善。

基于Faster-RCNN算法的轻量化改进及其在沙滩废弃物检测中的应用

由于背景环境复杂,检测物体易受部分遮挡、天气以及光线变化等因素的影响,传统目标检测方法存在提取特征难、检测准确率低、检测耗时长等缺陷.为了改善传统目标检测方法存在的缺陷,实现快速准确的目标检测,提出了一种基于快速区域卷积神经网络(faster regions with convolutional neural network,Faster-RCNN)算法的轻量化改进方法,即针对算法Inception-V2特征提取网络进行轻量化改进,并以带泄露线性整流(leaky rectified linear unit,Leaky ReLU)作为激活函数,解决使用线性整流(rectified linear unit,ReLU)激活函数存在的神经元输入为负数时输出为0的问题.基于上述改进方法,选择沙滩废弃物的检测为案例以验证方法的有效性,并且结合不同特征提取网络在检测沙滩废弃物时的表现,对比了SSD(single shot multibox detector)与Faster-RCNN算法.实验结果表明:所提改进算法在实际检测中有较好的综合性能,且相比原算法Faster-RCNN_Inception-V2,轻量化改进后的Inception-V2特征提取网络卷积计算量减少51.8%,模型训练耗时缩短了9.1%,检测耗时减少了10.9%,各类别AP的平均值(mean average precision,mAP)增加了1.02%,可见所提的改进方法能够有效提高目标检测的准确率,减少检测耗时,并在沙滩废弃物检测上得到成功应用,为海滨城市的沙滩清理维护提供了技术支持与保障.

基于卷积神经网络的手写数字图像识别方法

本文使用深度神经网络算法对手写数字图像进行分类识别.该算法利用20个卷积层提取手写数字图像的特征向量,特征向量经过ReLU激活函数后被20个池化层进一步降低向量维度,最后通过softmax激活函数输出.结果表明,训练数据8000以上时识别率会超过90%,训练次数8次以上识别率高于96%.结论:采用整流线性单元函数作为激活函数,有效解决了梯度消失问题和过拟合问题.

基于卷积神经网络的数字图像特征降维算法

内容针对手写数字的图像特征维度过大的问题,提出了一种改进的深度神经网络算法。该算法利用20个卷积层提取手写数字图像的特征向量,特征向量经过Re LU激活函数后被20个池化层进一步降低向量维度,降维后的数字图像计算量大大降低。采用整流线性单元函数作为激活函数,有效解决了梯度消失问题和过拟合问题。

激活函数LeafSpring的构建及多数据集对比研究

针对神经网络中ReLU激活函数存在返回值非负及神经元未激活等问题,提出了一种全新的类ReLU激活函数——LeafSpring. LeafSpring既继承了ReLU的优势,又可以返回负值,通用性更强. LeafSpring函数的推导及函数性质也会被讨论.该激活函数还引入了刚度系数k,可以通过训练主动调节相邻两层的权重系数.为了减少计算量, LeafSpring可以在一定情况下简化为ReLU或Softplus.为了展现LeafSpring激活函数的性能,还将其与ReLU、 Softplus及Sigmoid在4种不同类型的数据集上进行拟合精度对比.对比结果表明, LeafSpring在不同的数据集上均能兼顾拟合精度和收敛速度且在小网格规模可以更快、更准确地拟合复杂非线性函数.