基于改进非全连接神经网络的站点客流预测模型

在地面公交运输中,站点客流量数据是公交线网规划最重要的基础数据之一。站点周边兴趣点(POI)的类型、数量以及距离会导致站点客流量出现不同的趋势。神经网络是研究客流预测的常用方案,然而由于POI对客流的影响存在相互独立性,这一重要特征并未在传统全连接神经网络的结构中得以体现,易使预测效果不尽人意。基于POI与客流量关系的特殊性,改进全连接神经网络的基本结构,构建一种特定的非全连接神经网络,利用所有公交站点客流量的历史数据及各类POI分布,实现对站点各时间段的客流量的模拟及预测。模型设定一种连接矩阵实现特定的连接方式,并根据客流量的性质额外赋予部分隐藏层实际意义,构造组合误差传递函数,增强神经网络的可解释性。该模型可以快速收敛至全局最优解,改进传统全连接神经网络的收敛速度慢、拟合效果差、易陷入局部最优解等问题。实验结果表明,该模型单位时间内的客流量预测偏差在50人以内的概率达到88%以上,对比其他常见预测模型均有优质表现,并且能准确模拟每日客流的变化趋势。

基于卷积神经网络的人脸表情识别算法

人脸表情识别是图像识别的一个重要领域。传统人脸表情识别主要基于人工提取特征,由于人脸表情丰富、背景复杂、差异范围大等问题,其存在算法鲁棒性较差、易受人脸身份信息干扰等问题,以及传统卷积神经网络易发生过拟合、梯度弥散、梯度爆炸等问题的现状,因此本文提出一种多层特征融合非反向传播稠密卷积神经网络的人脸表情识别算法。该算法应用了改进的HSIC (Hilbert-Schmidt Independence Criterion,希尔伯特–施密特独立性)-bottleneck来代替传统反向传播(Back Propagation, BP),具有诸多独特的优点。在特征提取过程中,为了充分利用得到的特征图像,将卷积层稠密连接并引入attention机制,最终通过softmax分类器分类,得到分类结果。在FER2013数据集上进行了多次实验,与传统BP算法的卷积神经网络算法相比,不仅有效减轻过拟合现象,并且在模型收敛速度上更快、计算量更小、内存占用更小,证明了在人脸表情识别问题中非反向传播稠密卷积神经网络模型结构有效、提出的分类优化方法可行。

一类多轴突非自治神经网络的全局指数稳定性分析

在激励函数全局Lipschitz连续的条件下,通过构造恰当的Lyapunov泛函并结合不等式技巧研究了一类具有时变时滞,以及同时具有时变时滞和无穷分布时滞的多轴突非自治神经网络的全局指数稳定性.得到一系列系统全局指数稳定的充分条件,并举例验证了方法的有效性,推广了相关文献的结果.

非自治时滞神经网络的全局指数稳定性分析

利用微分不等式,并结合均值不等式以及Young不等式研究了一类具有时变时滞的非自治神经网络系统的全局指数稳定性,给出了一系列系统全局指数稳定的充分条件。由于去掉了激励函数单调有界、时变时滞函数连续可微等限制条件,因此结论具有更低的保守性,推广并改进了相关文献的结果。举例说明了方法的有效性。

以神经网络法预测非均质土石混合料最大干密度

应用BP人工神经网络模型,结合击实试验成果,预测非均质混合土最大干密度,进而评价其压实性。结果表明,该方法预测精度高且行之有效。

基于非显式小波神经网络的通信信号调制识别方法研究

用非显式小波神经网络的组合分类来实现通信信号调制识别,并拟对非稳定、低信噪比的通信信号实现复杂调制类型信号识别,计算机仿真结果证实此方法的可行性。

基于PM扩散的红外焦平面阵列神经网络非均匀校正算法

该文针对红外图像中含有非均匀性噪声和高斯噪声的退化模型,提出了一种基于各向异性(Perona Malik,PM)扩散的神经网络非均匀校正(PM-NN-NUC)算法。建立了关于非均匀校正的极小化模型。通过对新模型的最陡下降方程和偏微分方程的推导,可以看出PM-NN-NUC算法利用了神经网络校正和PM扩散在滤波过程中的相似性,不仅直接用于产生神经网络校正的期望值,还作用于计算迭代步长,而校正系数又反作用于PM的扩散过程,更好地将PM扩散和神经网络校正统一地结合在一起。通过对实际含噪红外图像进行实验,证明新模型可抑制非均匀噪声,并防止图像产生退化。

变时滞非自治神经网络的有界性和全局指数稳定性

主要研究了一类变时滞的非自治神经网络的一致有界性、最终一致有界性和全局指数稳定性.通过构造恰当的Lyapunov泛函并应用广义泛函微分方程的有界性原理和Young不等式给出了多变时滞非自治神经网络解的有界性和稳定性的新的充分条件.文中无需考查模型平衡点的数目,同时也不要求激活函数可导、单调或是有界,所得结果更具有一般特性和新颖性,改善了相关文献的理论结果.通过举例进一步验证了所得结果的有效性.

具有变时滞非自治递归神经网络有界性和全局指数稳定性

目的研究变时滞的非自治递归神经网络的有界性和全局指数稳定性。方法利用广义的Halanay不等式和Lyapunov泛函方法。结果给出了保证变时滞非自治递归神经网络的全局指数稳定性的充分条件。结论文中无需考查模型平衡点的数目,也不要求激活函数可导或是单调,同时也摆脱时滞项可导的要求,所得结果具有一般特性和新颖性,改善了相关文献的理论结果。2个实例及其相应的数值仿真进一步验证了所得结果的有效性。

基于卷积神经网络的地震数据去噪方法

由于地球物理勘探环境的复杂性,采集的地震数据常被现场的随机噪声覆盖,如何对地震数据去噪成为关键问题,为此将基于卷积循环生成对抗网络(CycleGAN:Cycle Generation Adversarial Network)引入地震数据去噪中,该方法的关键是构建良好的生成器与判别器的结构并且优化合适的网络参数。该网络输入数据与标签数据是双向生成,形成环状网络结构,故而能引入循环一致性损失使网络参数训练的精度更高;将非局部神经网络模块作为CycleGAN生成器的残差链接以提高特征提取能力。以实际地震数据进行实验,通过对数据可视化、峰值信噪比和均方误差的对比,验证该方法的可实行性。结果表明,与普通生成对抗网络(GAN:Generation Adversarial Network)、残差神经网络(ResNet:Residual Network)去噪效果相比,该方法在不同噪声水平下去噪性能更好,峰值信噪比较高,数据成像更清晰,对实际生产工作有一定的指导意义。

精密定位工作平台的神经网络辨识

研制的精密运动平台同时具有死区与迟滞的特性,普通的辨识算法难以有效处理。本文设计了一种具有特殊激励函数和结构的神经网络,可以同时描述精密运动平台的非光滑死区和迟滞特性,并引入广义梯度的概念来改进L-M训练算法,实现对所构建神经网络的建模训练。实际辨识结果表明所提出的辨识方法取得了令人满意的结果。

改进的Libra区域卷积神经网络的脑动脉狭窄影像学检测算法

针对断层面上血管的多形性和检测过程中出现的采样不均衡的问题,提出一种改进的Libra区域卷积神经网络(R-CNN)的脑动脉狭窄影像学检测算法,用于检测计算机断层扫描血管造影(CTA)图像的颈内动脉和椎动脉狭窄。首先,在目标检测网络LibraR-CNN中以ResNet50为骨干网络,并分别在骨干网络的3、4、5阶段引入可变卷积网络(DCN),通过学习偏移量提取血管在不同断层面的形态特征;然后,将从骨干网络中提取的特征图输入至引入非局部神经网络(Non-localNN)的平衡特征金字塔(BFP)中进行更深度的特征融合;最后,将融合后的特征图输入至级联检测器,并通过提高交并比(IoU)阈值优化最终检测结果。实验结果表明,改进的LibraR-CNN检测算法相比Libra R-CNN算法,在脑动脉CTA数据集中平均准确率(AP)、AP_(50)、AP_(75)和AP_(S)分别提升了4.3、1.3、6.9和4.0个百分点;在公开的结肠息肉CT数据集中,AP、AP_(50)、AP_(75)和AP_(S)分别提升了6.6、3.6、13.0和6.4个百分点。通过在LibraR-CNN的骨干网络中加入DCN、Non-localNN和级联检测器,进一步融合特征从而学习脑动脉血管结构的语义信息,使得狭窄区域检测结果更精确,且改进算法在不同的检测任务中具有泛化能力。

基于可感知网络模型的多尺度特征图像重构研究

为重点解决深度重构模型多尺度特征表示不足和自适应性处理能力不强问题,本研究设计了压缩感知多尺度图像重构深度网络模型。以引入深度卷积神经网络模型提取图像特征为前提,利用空间金字塔池化提高多尺度特征描述能力,设计噪声滤波器强化噪声控制,改进非局部神经网络结构以提高模型的自适应性能。对比实验结果表明,本研究设计的图像深度重构模块,压缩编码后解码重构图像的方差、变异系数和信噪比控制良好;图像相位一致性特征和梯度特征质量评价较高;在采样率为50%~60%时,峰值信噪比值最高;初始图像和解码重构图像之间的相对范数l_(2)误差在0.16左右,峰值信噪比大于46dB,图像余弦相似度评价的余弦值为0.91左右、余弦夹角值为0.13°左右,特征相似性为0.80左右,结构相似比值为0.86左右,说明该模型提取的图像多尺度特征准确性和精细性较高,深度重构模块自适应性较强,误差控制准确,组成模块之间实现了高度融合。

基于改进的UFS网络车道线检测算法

为了解决车辆行驶中面对各种复杂环境车道线检测算法精度不高的问题,提出一种基于改进的UFS网络检测算法(Ultra Fast Structure-aware Deep Lane Detection,UFS).首先,采用改进的Gamma校正对待检路面图像进行校正,降低光照、阴影等的影响,以提升夜间图像纹理特征。然后引入非局部神经网络模块(Non-Local Block),充分提取图像全局特征,以提高检测可靠性。最后对改进后的算法使用Tusimple、CULane数据集进行测试。结果表明:改进后的模型在物体遮挡、光照变化、阴影干扰等复杂场景下,提升了对复杂噪声与多元场景的处理能力,车道分割的准确率有所改善,具有较好的鲁棒性。

基于可变形非局部三维卷积网络的视频超分辨率重建算法

视频超分辨率(VSR)技术的目标是找出从相应的低分辨率(LR)视频序列重建高分辨率(HR)视频的最佳重建方案。提出了一种新颖的可变形非局部三维卷积网络(DNL-3DCNN)能有效地利用时空信息和参考帧与相邻帧之间的全局相关性。具体来说,非局部结构(Non-Local)同时增强了输入帧的时空信息中所需要的精细细节。此外,残差可变形三维卷积(R3D)获得了卓越的时空建模能力和运动感知建模的灵活性。此外,残差密集连接网络(RRDB)再进行重建处理,以充分利用输入到重建模块的层级特征。在基准数据集上进行的定量和定性实验表明,与现有的较为先进的VSR方法相比,所提方法在PSNR指标上提高了1.19db,在SSIM指标上提高了约5.95%。消融性实验确认提出的三个模块均带来了一定的性能增益,实验结果验证了所提算法在视频超分辨率时空信息重建领域的有效性。

基于双域非局部网络的图像超分辨率重建

针对现有图像超分辨率重建算法在学习图像更深层次特征时面临难以捕捉全局化特征的问题,提出一种新的双域非局部(dual domain non-local,DDNL)深度神经网络。DDNL网络包含2个分支,即用于图像超分辨率重建的主分支和提供图像双域非局部信息的先验分支。先验分支通过非局部模块获取图像域和梯度域的非局部特征后,以多层通道注意力模块处理,使特征在空间维度和通道维度均得到增强;设计非局部残差密集连接结构,将先验分支提取的双域非局部特征融合进主分支,指导网络学习深层特征并降低网络捕捉全局化特征的难度。实验结果表明,DDNL网络能够获得更好的客观评价指标和主观视觉效果,对图像纹理细节的恢复更为清晰、准确。

非周期神经网络及平移网络在L_w^p中的逼近

设s≥d≥1为整数, 1≤p≤+∞,借助于正交多元代数多项式系而构造了一类s维网络算子,并用于逼近Lpw[-1,1]s中的函数,给出了逼近的上界以及当此算子为平移网络算子及神经网络算子时的导数型估计.

时变时滞非自治神经网络的全局指数稳定性

在激励函数仅满足全局Lipschitz连续,时变时滞函数有界、连续可微且导数小于1的条件下,通过构造一个恰当的Lyapunov泛函并结合Young不等式,利用Lyapunov稳定性理论,首先研究了一类具有时变时滞的多轴突非自治神经网络系统的全局指数稳定性问题,得到一系列在实践中易于验证的、保证系统全局指数稳定的充分条件。作为特例,还得到了具有定常时滞的多轴突非自治系统以及一般的非自治系统的全局指数稳定性充分条件。其次,还得到了一类同时具有连续时变时滞和无穷分布时滞的多轴突非自治神经网络系统的全局指数稳定性充分条件。本文去掉了关于激励函数有界、可微等限制条件,推广并改进了相关文献的结果。本文的结果也适合自治神经网络系统。最后举例说明了本文方法的有效性。

最优权组合预测法在路基沉降变形预测中的应用

文章以成熟的等间隔GM(1,1)灰色模型与BP神经网络模型为预测单模型,通过最优权算法分别计算出每个单模型的权重,构建组合预测模型。以某在建铁路工程路基沉降实测数据为例,分别建立了组合预测模型与两种单模型的预测结果比对。结果表明,在预测初期或末期,组合模型的预测精度各项指标均高于非等间隔灰色模型与BP神经网络模型,证明了最优权组合预测方法在路基沉降预测中的可行性与适用性。

非线性控制技术提高聚合物生产率

传统的先进过程控制解决方案难以管理聚合物生产，尤其是聚合物牌号切换时的复杂工艺行为。为此，美国艾斯苯(AspenTech)公司开发出一套基于非神经网络的非线性过程控制技术--有界微分网络技术。它在拥有神经网络所有功能的同时，确保网络微分(一阶导数)的有界性。