空间迭代网络转换成时序网络的研究

根据时序网络对被处理信息重复执行相同运算这一特点，提出了用时序网络取代一维空间迭代网络的方法．

基于深度迭代网络的穿墙雷达成像方法

联合墙杂波抑制及图像重建迭代求解方法为当前较前沿的穿墙雷达成像(through-the-wall radar imaging,TWRI)算法,能够同时抑制墙体杂波和重构目标图像,但仍存在收敛速度慢、人工干预过多以及对初值的选取敏感等问题,难以快速精确地进行目标成像.针对上述问题,本文提出一种联合低秩与稀疏分解驱动的可学习深度迭代网络的TWRI方法.该方法利用穿墙雷达场景下墙体杂波的低秩特性以及待重建目标图像的稀疏特性,首先将穿墙雷达成像问题建模为联合低秩与稀疏分解的正则化优化问题,然后采用变分框架和轮换策略将优化问题转化成两个准线性优化子问题并推导其更新公式,最后将上述迭代更新公式映射到网络结构中,展开成深度迭代网络模型并采用端到端学习策略,形成融合物理模型的可学习深度迭代网络框架.仿真结果表明该方法能够有效抑制墙体杂波,相对于其他方法显著提高了目标成像精度和速度.

基于双域迭代残差网络的双能CT图像材料分解研究

针对在图像域将深度学习与迭代重建算法结合的深度迭代残差网络分解得到的材料图像受到噪声和伪影的影响,提出将迭代残差网络扩展到双域,即基于双域迭代残差网络的双能CT图像材料分解方法。该方法集成了两个并行交互的子网络CNN,同时在图像域和投影域进行材料分解操作,通过CNN直接向该网络提供投影数据,在不同域之间进行信息传递和融合,使用CNN丰富双域模型的数据保真度。实验结果表明,双域迭代残差网络相比于只在图像域进行材料分解能够更好地抑制噪声和伪影,提高图像质量和分解精度,做到细节保护。

双小波神经网络迭代的漏磁缺陷轮廓重构技术

在二维漏磁缺陷重构中,建立基于径向基小波神经网络(RWBF)的正演和反演模型,提出了一个反馈形式的双小波神经网络迭代模型,通过迭代使目标函数最小化,实现对缺陷轮廓的快速逼近。用仿真和实验获取的训练样本分别对正演和反演模型的RWBF进行训练。为了提高径向基神经网络的适应性和精度,提出了一种新的训练算法。首先确定最优分解层数,然后利用梯度下降法修正网络的权值。对不同分辨率和不同信噪比下的漏磁信号进行了重构,并与其他方法进行了比较。结果表明,双小波神经网络迭代模型能够实现漏磁缺陷的精确逼近,具有良好的鲁棒性,是有效的二维轮廓重构方法。

基于迭代卷积神经网络的肝脏MRI图像分割

从医学图像中快速准确地提取肝脏组织是精准诊疗的基础.针对腹部MRI中呈现出浸润现象、与相邻器官灰度值相似、边界较为模糊的问题,提出了一种基于深度卷积编解码的迭代网络结构.它将前次分割输出的概率图引入到网络浅层,与来自编码器的低水平特征图融合,弥补下采样时丢失的细节信息,迭代地完成网络参数更新.通过在ISBI 2019 liver-chaos挑战数据集上的验证实验,该方法的分割精度较传统U-Net有明显提高,能够更好地服务于临床工程.

基于迭代启发网络算法的非平稳随机噪声压制

常规滤波方法常常放大了噪声的影响,同时噪声的存在也限制了分辨率的提升,并"平滑"了地震数据中的不连续信息。为此,提出了基于迭代启发网络(IIN)算法的非平稳随机噪声压制方法,利用迭代启发网络压制非平稳随机噪声,网络结构简单、紧凑。IIN由交替方向乘子算法的迭代过程推导而来,利用L1范数优化变分模型。在训练阶段,通过增加一个新的辅助变量,将目标函数的极值转化为增广拉格朗日格式,使用L-BFGS(Large-Broyden Fletcher Goldforb Shanno)算法判别、训练所有网络参数,最终得到最优去噪模型。理论模型及实际资料的去噪结果表明:(1)由训练得到的去噪模型根据有效信号的特征,在去噪的同时可保留同相轴的形状特征;采用的迭代网络简单、紧凑,加快了网络的收敛速度,能够用相对较小的数据集和较短的训练时间快速训练去噪模型,达到预期的去噪效果。(2)所提方法具有较强的适应性,有效地压制了常规地震数据中的非平稳随机噪声。

基于迭代收缩阈值网络的地震数据重构研究

由于复杂地球物理条件的影响,野外采集的地震数据往往存在缺失道、坏道的情况,严重影响后续的处理解释工作。压缩感知理论的提出使得地震数据可以不满足Nyquist频率进行稀疏压缩恢复,但重构效果受限于变换域以及参数的选择。因此,本文通过结合压缩感知凸优化算法迭代收缩阈值算法以及深度神经网络,通过用深度神经网络的每一层表示迭代收缩阈值算法的迭代过程,通过端到端的学习自动更新网络中的参数。将本文的方法应用于Tesseral模拟数据以及实际地震数据的地震数据重构,并与传统的迭代收缩阈值算法进行对比,实验结果表明,基于迭代收缩阈值网络的重构方法精度高,重建所需时间短,可以更有效地恢复地震信号。

基于迭代神经网络的图像结构表示和分类

由于缺少结构化的表示,基于内容的图像分类存在一定的问题,据此提出了一种基于迭 代神经网络的自然图像表示和分类的方法。利用Berkeley分割算法将图像分割成不同的区域,采用 基于人工的多叉树或基于邻接区域的二叉树的方法进行区域合并,同时提取区域统计特征,得到图像 的树型结构表示。根据BPTS算法对网络进行训练,训练好的网络就具备了图像分类的功能。实验 结果表明,基于迭代神经网络的结构表示和分类方法具有很强的结构学习能力,同时人工生成的多叉 树涵盖更多的语义信息且能得到较好的分类结果。

加权迭代六边形网络的谱分析

网络的结构特性和动态方面的许多信息是由标准拉普拉斯谱来衡量的.文章建立了一类加权迭代六边形网络,基于网络的自相似结构探寻标准邻接矩阵的特征值和特征向量在相邻两代之间的递推关系,得到标准邻接矩阵特征值的解析式,最后根据标准邻接矩阵和标准拉普拉斯矩阵的联系,得到加权迭代六边形网络的标准拉普拉斯谱的结构式.

多元迭代矩阵网络架构下的乡村激活新模式初探

本文基于作者所做＂乡村聚落在城镇化进程中的演化研究＂,尝试借用城市发展、城镇发展与经济发展的理念融合,在产业互动、生态宜居的大目标下,从公共设施建设、产业模式优化与生态环境营造三个方面尝试构建一种可协调共生的多元迭代矩阵网络发展架构,以推动资源要素在乡村地区的自由流动、相互交换与合理配置,助力乡村激活。

甘肃黑方台滑坡滑距参数的BP神经网络模型

在甘肃黑方台,由于台塬大面积提水灌溉导致台塬边滑坡频繁发生,对当地居民生命财产安全造成危害。文章以黑方台75处滑坡(含53处黄土滑坡与22处黄土-基岩滑坡)为研究对象,基于BP神经网络模型,优化建立了迭代BP神经网络模型,全方位研究分析了滑坡滑距同滑坡体体积参数与地形地貌参数之间的关系,其中黄土滑坡迭代99次,黄土-基岩滑坡迭代256次。最优模型返回相关系数为0.976(黄土滑坡)与0.978(黄土-基岩滑坡),结果具有较高的可靠性。选取模型结果最优的几组迭代方案分析可知,影响黄土滑坡滑距的重要参数为滑坡体积、滑源区纵向长、滑坡落差、滑坡坡角、黄土厚度,次要参数为滑源区横向宽与滑坡壁高;影响黄土-基岩滑坡滑距的重要参数为滑源区纵向长、滑坡落差、滑动方向、基岩倾角、滑坡坡角,次重要参数为滑坡体积与岩层倾角,次要参数为滑源区横向宽与滑坡壁高。该研究为黑方台地区滑坡滑距以及滑坡危险范围的研究提供参考与指导。

离散互馈神经网络并行稳定性控制

证明了离散互馈Hopfield神经网络动力过程与线性方程组迭代求根过程具有同构关系,进而给出由线性方程组系数矩阵和增广矩阵生成离散互馈神经网络权值矩阵和阈值向量的方法。得出当线性方程组迭代收敛时,可依据方程组系数矩阵和增广矩阵构造出神经元连接权值矩阵和阈值向量使得离散互馈神经网络并行演化稳定,且对非对称有理数权值矩阵和阈值向量下离散互馈神经网络亦是稳定的。当线性方程组收敛点各分量绝对值大于1时网络的初始状态稳定于方程组收敛点的符号模式。最后给出算例验证此构造方法,对离散互馈神经网络并行演化稳定的控制作用,推广了离散互馈神经网络权值矩阵和阈值向量的形式,为更一般情况下离散互馈网络稳定性设计提供理论依据。

神经网络用于反演微波亮度温度分布

将神经网络用于反演目标的微波亮度温度分布,提出了视在温度的神经网络迭代反演法。该方法利用神经网络正向模型提供反演误差对输入的梯度信息,利用该梯度信息进行迭代得到最优反演结果。利用该方法对水面在35GHz频段的视在温度进行反演所得的结果显示,该方法优于Holms反演法及HFR反演法。从视在温度中剔除散射辐射温度得到目标的亮度温度。

智能在线空间下网络社会治理路径初探

智能化与网络化融合迭代催生的智能在线空间,在深度重塑网络社会空间结构和运行模式的同时,也给网络社会治理带来了一系列涉及隐私保护、国家安全、行为习惯、社会伦理等方方面面的不确定性远甚于传统社会的严峻挑战。本文在阐释智能在线空间技术特性与形成机理的基础上,系统分析了其所带来的各种治理挑战的性质和具体含义,并对可能的应对之策作出了初步的探讨。

融合空洞卷积神经网络与层次注意力机制的中文命名实体识别

该文针对现有的命名实体识别(named entity recognition,NER)模型未考虑到文本层次化结构对实体识别的重要作用,以及循环神经网络受其递归性的限制导致计算效率低下等问题,构建了IDC-HSAN模型(Iterated Dilated Convolutions Neural Networks and Hierarchical Self-attention Network)。该模型通过迭代的空洞卷积神经网络(ID-CNN)充分利用GPU的并行性大大降低了使用长短时记忆网络的时间代价。然后,采用层次化注意力机制捕获重要的局部特征和全局上下文中的重要语义信息。此外,为了丰富嵌入信息,加入了偏旁部首信息。最后,在不同领域数据集上的实验结果表明,IDC-HSAN模型能够从文本中获取有用的实体信息,和传统的深度网络模型、结合注意力机制的命名实体识别模型相比识别效果有所提升。

基于新型卷积神经网络构建矿山灾害事件检测模型

事件检测属于自然语言处理的核心任务及难点之一,使用长短时记忆网络(LSTM)和卷积神经网络(CNN)进行的相关研究越来越广泛,但面对篇章级别的事件文本时,参数量庞大的LSTM与语义缺失明显的CNN导致模型检测准确性和收敛性均欠佳。该文结合迭代空洞卷积神经网络和高速神经网络,提出基于混合特征的高速迭代空洞卷积神经网络,力图优化深层模型训练中常见的梯度消失与爆炸现象,提取性能更优的篇章级文本特征。实验结果表明,该方法与当下主流的LSTM和CNN模型相比,矿山灾害事件检测效果更为理想,收敛性及训练效率也表现更优。

RIB-NER:基于跨度的中文命名实体识别模型

命名实体识别是自然语言处理领域中诸多下游任务的重要基础。汉语作为重要的国际语言,在许多方面具有独特性。传统上,中文命名实体识别任务模型使用序列标记机制,该机制需要条件随机场捕获标签的依赖性,然而,这种方法容易出现标签的错误分类。针对这个问题,提出基于跨度的命名实体识别模型RIB-NER。首先,以RoBERTa-wwm-ext作为模型嵌入层,提供字符级嵌入,以获得更多的上下文语义信息和词汇信息。其次,利用IDCNN的并行卷积核来增强词之间的位置信息,从而使词与词之间联系更加紧密。同时,在模型中融合BiLSTM网络来获取上下文信息。最后,采用双仿射模型对句子中的开始标记和结束标记评分,使用这些标记探索跨度。在MSRA和Weibo 2个语料库上的实验结果表明,RIB-NER能够较为准确地识别实体边界,并分别获得了95.11%和73.94%的F1值。与传统深度学习相比,有更好的识别效果。

基于词嵌入的中文命名实体识别研究

针对中文命名实体识别模型存在的语义信息不明和实体边界模糊的问题,该文提出一种基于深度学习的中文命名实体识别方法:先将预训练模型中提取的字符特征结合词典信息构成文本的词汇特征,再对特征信息进行提取并识别上下文语义特征及全局语义特征,最后解码层输出实体识别的最优结果。在Resume数据集和Weibo数据集上进行实验的结果表明,该模型相较于经典的实体识别模型有更好的表现。

淀粉蔗糖酶AcAS的工作机理与去折叠性质研究(英文)

淀粉蔗糖酶(amylosucrase,AS)是一种葡萄糖基转移酶(E.C.2.4.1.4),隶属于糖苷水解酶13家族.当体系中存在葡聚糖时,AS可以蔗糖为唯一底物催化合成直链葡聚糖.与AS相比,其他拥有合成直链淀粉样多糖的酶都需要利用昂贵的核苷酸激活糖来进行合成.这使得AS成为一种具有工业应用潜力的工业酶.尽管具有较大应用潜力,但是较弱的稳定性严重影响其在工业上的应用.本工作中,以NpAS和DgAS的晶体结构为模板,对氯酚节杆菌(Arthrobacter chlorophenolicus)中发现的一种新型AS(AcAS)结构进行了模建.通过对AcAS与其他AS结构进行详细的比较,推断出AcAS的工作机理.随后,利用高斯网络模型(GNM)对其功能型运动进行了分析.根据GNM的结果,发现AcAS可分为两个运动方向相异的部分.最后,利用迭代高斯网络对AcAS的去折叠性质进行了研究.这些结果对随后的淀粉蔗糖酶的工业开发有一定帮助.

复杂混沌背景中弱谐波信号检测研究

弱谐波信号通常湮没在电力噪声与混沌噪声合成的复杂混沌背景中,考虑到此前纯净混沌背景检测方法的不足,该文提出了新的混沌检测方法.根据Takens定理中嵌入空间吸引子不变性,提出基于相空间重构理论的交替迭代神经网络预测算法和相应的弱电量信号检测及恢复模型,并进行了复杂混沌背景中微弱正弦信号检测验证.首先,依据重构原则,在原始相空间中进行非线性映射拟合,对混沌背景建模:然后利用输出结果进行相空间重构,掌握原始相空间和嵌入相空间的近似演化规律;最终达到提取待测信号的目的.理论与数值仿真实验表明,该文方法应用于复杂混沌背景中弱谐波信号的检测:具有比以往方法更简洁、更灵敏、收敛速度更快的优点,同时也证明了该方法应用于电力系统小信号分析领域的实用性.