基于集成改进卷积注意力块的SAR图像目标分类算法

在合成孔径雷达(Synthetic Aperture Radar,SAR)图像中,目标的轮廓和细节通常比较复杂。传统的卷积神经网络(Convolutional Neural Network,CNN)只使用单一均值参数进行无差别的特征提取,不能很好地区分SAR特征之间的差异。为了解决此问题,文章提出了1种基于集成改进卷积注意力块(Improved Convolutional Block Attention Module,ICBAM)的SAR图像目标分类算法ICBAM_CNN。首先,该模块通过引入方差参数至传统CBAM模块中,设计了1种改进的CBAM注意力机制,有助于分类识别网络更好地学习SAR图像不同目标卷积层输出与通道注意力之间的差异信息,提升不同SAR目标特征的可分离性;然后,ICBAM设计了1种中心坐标注意力机制,能更好地捕捉SAR图像中目标的中心分布特征,有效抑制杂波对SAR目标分类影像的干扰;最后,为了提高效率,将改进后的ICBAM模块集成到CNN网络中,实现SAR图像目标分类。ICBAM_CNN深度融合了SAR图像目标的多层级特征,提升了SAR目标特征的可分离性,可实现SAR图像目标的高精度、高效率识别分类。通过MSTAR数据集进行实验,结果表明,相比于传统CBAM方法,改进ICBAM方法的精确率提升了2.44%,召回率提升了2.24%,F1-score提升了2.34%。

一种基于集成卷积神经网络的SAR图像目标识别算法

针对合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别问题,提出了一种基于集成卷积神经网络(Convolutional Neural Network,CNN)的SAR图像目标识别方法。首先对原始数据集进行数据增强的预处理操作,以扩充训练样本;接着通过重采样的方法从训练样本中获取不同的训练子集,并在训练各基分类器时引入Dropout和Padding操作,有效增强了网络泛化能力;然后采用Adadelta算法与Nesterov动量法结合的思想来优化网络,提高了网络的收敛速度和识别精度;最后采用相对多数投票法对基分类器的分类结果进行集成。在MSTAR数据集上进行的实验结果表明,集成后的模型识别准确率达到99.30%,识别性能优于单个卷积神经网络,具有较强的泛化能力和较好的稳健性。

基于1D CNN-BiLSTM网络联合集成学习的心律失常智能诊断系统

为提高心律失常智能诊断的准确率,本研究提出了一种多网络融合模型和Stacking集成学习算法,用于八种心律失常疾病的智能诊断。使用1D CNN-BiLSTM融合网络提取单导联信号的高维特征和时域相关性特征,将十二个导联的心电信号特征融合,得到高维的特征张量,采用Stacking集成学习算法训练得到泛化性更好的诊断模型。通过比较准确性、精确性、召回率、F1-Score四个诊断性能指标,验证了利用十二导联融合特征作为最终诊断特征,准确率有显著提升,且Stacking集成学习算法较单一机器学习算法有更好的性能。本研究通过将机器学习、神经网络、集成学习算法有效结合,训练得到的心律失常智能诊断模型有较高的准确率,为基于心电信号的心律失常智能诊断提供了一种新方法。

面向限价指令簿趋势分析的网络集成模型

为了更好地分析限价指令簿(LOBs)的趋势,文中提出面向LOBs趋势分析的网络集成模型(NEM-LOB).模型融合2个长短期记忆(LSTM)子模型和1个卷积神经网络(CNN)子模型.一个LSTM子模型可通过LOBs的分布信息捕捉全局时间依赖性,另一个LSTM子模型可通过LOBs和订单流的动态信息捕捉全局动态性.CNN子模型通过LOBs的事实信息提取局部特征.最后,结合3个子模型,提取特征以获得预测结果.在FI-2010数据集上的实验表明NEM-LOB通过引入订单流信息,能对LOBs进行更好的趋势分析.

基于小波变换和人工智能的电力系统故障诊断

针对电力系统故障诊断的问题,研究了一种基于小波变换和人工智能的方法。先介绍了电力系统故障诊断方法的基本框架,随后重点研究了基于小波变换的时频域特征提取和基于卷积神经网络的集成学习方法。在实验中,利用MATLAB平台构建了一个模拟数据集,并对传统卷积神经网络(Convolutional Neural Network,CNN)和该方法在准确率、召回率以及F1值上的性能进行了比较。结果表明,新方法相对于传统CNN在所有指标上均取得了显著的提升,表明其在电力系统故障诊断中具有更高的正确性和有效性。

雷词盘点——当代网络流行语集成

做人不能太CNN 2008年3月17日，CNN网站使用了一张描述一辆军车正向两名平民驶来的图片，虽然图片说明是“藏人向军车投掷石块”，但图中却看不见这个场景。事实上，当时军车旁约有10名暴徒向军车投掷石块。当这张照片出来后，网友很快上传了原照片，图片清楚显示右面本来还有一些参与打砸抢烧的恐怖分子向军车投掷石块。空中飞过的石头、

面向高分遥感影像提取光伏板模型的构建方法

针对由光伏板复杂特征导致的已有遥感自动提取光伏板方法精度较低的问题,该文利用高分辨率遥感影像基于CNN及U-net神经网络提出一种并行集成网络模型用于光伏板提取。通过多种精度评价指标对2021—2022年不同时间场景下模型识别结果进行精度验证。实验结果表明,相比传统单一网络模型,该文提出的并行集成网络模型拟合速度更快,模型稳定后精度及损失函数均达到最优水平,不同时间场景中,该文模型识别光伏板像元数更接近真实像元数,识别误差最小。因此,该文提出的模型具有更好的泛化能力及可靠性,可为实现自动高效识别提取光伏板信息提供新思路。