基于WBP-CNN算法的LDPC译码

针对低密度奇偶校验(low density parity check, LDPC)码在相关噪声条件下译码误比特率上升的问题,结合传统译码算法与卷积神经网络(convolutional neural network, CNN)设计了新的译码器。该译码器在置信传播(belief propagation, BP)算法中引入加权比特翻转(weighted bit-flipping, WBF)算法,生成加权BP(weighted BP,WBP)结构以解决码字临界处误比特率较高的问题。然后通过CNN降低噪声,在WBP和CNN之间迭代处理接收信号,使信号估计值不断逼近真实值以降低相关噪声的影响。通过仿真发现,与BP算法相比,所提算法能够有效降低相关噪声条件下LDPC译码的误比特率。

基于GRU-CNN双网络输出构建BP模型的径流预测方法

提高径流预测精度是避免洪水灾害发生的重要手段,由于预测阶段并无已知有效样本,给预测工作带来难度,因此,提出以双网络输出为预测阶段提供数据参考,结合训练阶段双网络输出与真实值之间的关系,对预测阶段采用二次多变量建模实现径流预测。首先,构建GRU和CNN深度学习网络,同步输出2条径流预测序列;其次,在已知时段内,构建2条预测结果与实测值之间的多变量BP模型;最后,基于双网络输出预测值,通过确定的BP模型输出径流预测结果。经测试,该方法给预测时段提供了可靠的先验样本,高效学习了网络输出与真实值之间关系,预测精度显著提升。

SP-DSTS-MIMO Scheme-Aided H.266 for Reliable High Data Rate Mobile Video Communication

With the ever growth of Internet users,video applications,and massive data traffic across the network,there is a higher need for reliable bandwidth-efficient multimedia communication.Versatile Video Coding(VVC/H.266)is finalized in September 2020 providing significantly greater compression efficiency compared to Highest Efficient Video Coding(HEVC)while providing versatile effective use for Ultra-High Definition(HD)videos.This article analyzes the quality performance of convolutional codes,turbo codes and self-concatenated convolutional(SCC)codes based on performance metrics for reliable future video communication.The advent of turbo codes was a significant achievement ever in the era of wireless communication approaching nearly the Shannon limit.Turbo codes are operated by the deployment of an interleaver between two Recursive Systematic Convolutional(RSC)encoders in a parallel fashion.Constituent RSC encoders may be operating on the same or different architectures and code rates.The proposed work utilizes the latest source compression standards H.266 and H.265 encoded standards and Sphere Packing modulation aided differential Space Time Spreading(SP-DSTS)for video transmission in order to provide bandwidth-efficient wireless video communication.Moreover,simulation results show that turbo codes defeat convolutional codes with an averaged E_(b)/N_(0) gain of 1.5 dB while convolutional codes outperformcompared to SCC codes with an E_(b)/N_(0) gain of 3.5 dBatBit ErrorRate(BER)of 10−4.The Peak Signal to Noise Ratio(PSNR)results of convolutional codes with the latest source coding standard of H.266 is plotted against convolutional codes with H.265 and it was concluded H.266 outperform with about 6 dB PSNR gain at E_(b)/N_(0) value of 4.5 dB.

面向煤矿混合气体检测的神经网络算法研究进展

煤矿气体传感器用于混合气体检测时测量信号之间有交叉干扰,难以保证检测准确性。对于相同的待识别气体,传统气体识别算法的识别精度低于基于神经网络的气体识别算法,神经网络通过调整其网络层、每层神经元的数量、神经元的激活函数和各层网络之间的权重等来实现更高的气体识别精度。介绍了煤矿混合气体检测系统结构,通过构建气体传感阵列,利用其多维空间气体响应模式,并结合特定的气体识别算法,实现对混合气体的定性定量识别。重点分析了几种面向煤矿混合气体检测的神经网络算法并进行了对比分析,主要包括反向传播(BP)神经网络、卷积神经网络(CNN)、循环神经网络(RNN)、径向基函数(RBF)神经网络:BP神经网络通常可以达到较高的分类精度,然而需要训练大量的参数,训练时间长,通常为了减少时长和提高精度,可以将BP神经网络与其他算法相结合;CNN可以自动提取数据特征,精度和训练速度都优于BP神经网络,但其易于陷入局部最优;RNN可以使用更少的数据并提取更有效的特征,但容易出现梯度消失等问题;RBF神经网络具有较强的鲁棒性和在线学习能力,但其通常需要大量数据完成模型训练。神经网络算法的应用将大幅提升煤矿混合气体的检测精度,保障煤矿智能化的实现。

基于卷积神经网络的轮胎花纹噪声值预测

利用图像处理和卷积神经网络(CNN)搭建轮胎花纹结构与轮胎花纹噪声值之间的数学模型,分别采用CNN模型和BP神经网络对轮胎花纹噪声值进行预测,并对比预测精度。结果表明:采用CNN模型,轮胎花纹噪声的预测值与实测值的平均绝对误差为0.591 dB,平均相对误差为0.81%;采用BP神经网络,轮胎花纹噪声的预测值与实测值的平均绝对误差为0.713 dB,平均相对误差为0.95%;相较于BP神经网络,CNN模型对轮胎花纹噪声值的预测精度更高。

洪湖水质富营养化评价方法比较

为科学评价水体富营养化程度,在对比分析各种富营养化评价方法基础上,引入卷积神经网络(CNN),建立卷积-富营养化(CNN-E)模型。根据洪湖2014~2019年月尺度水质及藻类监测数据,采用综合营养指数法、BP神经网络法与CNN-E模型评价其富营养化程度,并采用平均绝对误差、均方根误差、决定系数和纳什效率系数评价神经网络模型性能。结果表明,洪湖长期处于轻度富营养状态,富营养化程度不断加重。模型性能方面,CNN-E模型四种评价指标分别优于BP神经网络0.166、0.098、0.078与0.087。CNN-E模型可为湖泊水体富营养化预防及综合治理提供技术支持。

基于Mask R-CNN与改进BP神经网络联合算法的变压器套管红外热故障诊断

为解决传统图像类算法在变压器套管状态诊断时存在的效率低、准确度不高以及复杂背景下变电设备目标识别困难等问题,提出了将Mask R-CNN与改进BP神经网络相结合的套管红外图像状态诊断方法。首先,利用Mask R-CNN解决套管红外图像背景复杂时分割困难的问题;其次,基于灰度特征的特征量提取方案,实现对红外伪彩图特征量的提取;最后,引入粒子群优化BP神经网络(PSO BP)算法对变压器套管特征进行分类识别。实验结果表明,该方法对红外图像中套管的运行状态具有较好的检测效果,对套管中介质损耗故障、接头故障和漏油故障的故障诊断准确率分别可达100.0%、88.9%和96.3%,平均准确率达到93.518%,优于传统BP算法和支撑向量机(SVM)算法。

机器学习及其算法和发展研究

目前,机器学习领域的研究与应用取得了巨大进展,我们有必要对机器学习有个全面的认识。为此,本文对机器学习进行了较为系统的介绍,从机器学习的概念开始,综述了机器学习的发展简史及其分类,然后重点分析了机器学习的经典算法,接下来阐述了机器学习的最新研究进展、愿景及应用,最后探讨了机器学习面临的挑战。

基于混合预测模型的交通标志识别方法

随着高级驾驶辅助系统(advanced driver assistance systems,ADAS)和无人驾驶技术快速发展,交通标志识别方法成为一个重要的研究方向。为了辅助驾驶员实现安全驾驶,减少交通事故的发生,将AdaBoost-SVM和卷积神经网络(convolutional neural network,CNN)相结合,构建一个混合预测模型(mixed forecasting model,MFM),通过该模型识别交通标志。将卷积神经网络作为可训练的特征提取器,AdaBoost-SVM作为识别器。采用卷积层和下采样层构建两组隐层结构,将预处理的图像作为CNN模型的输入,利用反向传播算法(backpropagation,BP)对CNN模型进行训练直至收敛,最后将测试集的高维特征提取出来,采用AdaBoost-SVM分类器进行分类识别。实验结果表明,该MFM对交通标志具有很高的识别率和鲁棒性,且识别率和收敛时效都优于其他传统算法,对提高辅助驾驶和无人驾驶的安全性具有重要意义。

基于卷积神经网络的多字体字符识别

采用随机对角Levenberg-Marquardt算法有效改进了Simard卷积网络的收敛速度,分析了样本类别数、全局学习率对网络收敛速度的影响,并成功地把Simard网络推广到对百度验证码等多字体小字符集的识别,达到98.4%的单字符识别率和93.5%的整体识别率.实验表明:改进后的Simard网络具有前期预处理少、泛化能力强、收敛速度较快的优点,可以胜任多字体小字符集的识别工作.

卷积神经网络支持下的低空摄影测量DEM修补

针对低空摄影测量DEM生成大多需要人工后处理存在自动化程度较低的问题,结合深度学习算法,提出卷积神经网络支持下的低空摄影测量DEM自动修补方法。该方法构建卷积神经网络低空遥感分类模型识别DEM修补目标区,采用高差能量衰减函数寻找最优的关联高程数据集,利用抗差径向神经网络高程曲面拟合法修补目标区高程值,以实现低空摄影测量DEM自动修补。实验验证了该方法可达到人工后处理DEM的精度,且显著提高了DEM修补的自动化程度。

基于卷积神经网络的SAR图像目标识别研究.

针对合成孔径雷达(Synthetic Aperture Radar,SAR)的图像目标识别应用,该文提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)的SAR图像目标识别方法。首先通过在误差代价函数中引入类别可分性度量,提高了卷积神经网络的类别区分能力;然后利用改进后的卷积神经网络对SAR图像进行特征提取;最后利用支持向量机(Support Vector Machine,SVM)对特征进行分类。使用美国运动和静止目标获取与识别(Moving and Stationary Target Acquisition and Recognition,MSTAR)SAR图像数据进行实验,识别结果证明了所提方法的有效性。

基于深度学习的智能电网稳定性预测

基于深度学习算法,构建智能电网稳定性预测模型。选取BP神经网络及卷积神经网络CNN算法作为分类学习器,并对其进行参数调优、优化算法选择、迭代预测。输出模型预测结果和模型评价指标,并结合机器学习预测结果,对深度学习模型准确性及性能等方面做对比分析。最终确定Adam优化器下的CNN模型效果最优,迭代80次的精确度为0.979 0,所需时间为28.398 7 s。该模型对提高智能电网预测的准确性、实现高效配电具有重要意义,有效帮助电力系统提前预警,降低安全隐患。

基于卷积神经网络(CNN)的泥质烃源岩TOC预测模型——以鄂尔多斯盆地杭锦旗地区为例

总有机碳含量(TOC)是烃源岩评价的重要指标。传统的TOC预测模型有ΔlogR和BP神经网络,但是ΔlogR的拟合精度较低,BP神经网络容易陷入局部最优。针对这些问题,提出一种基于卷积神经网络(convolutional neural network,CNN)预测烃源岩TOC的方法。以鄂尔多斯盆地杭锦旗地区上古生界泥质烃源岩为研究对象,通过对比实验验证该方法的有效性。实验结果表明,CNN可用于TOC预测,且预测精度高于ΔlogR和BP神经网络。利用CNN对108口钻井的山1段和太原组泥岩的TOC值进行预测,并结合沉积微相做出TOC平面图,发现研究区的东南部和中部的沼泽沉积微相的TOC值较高,分流河道沉积微相的TOC值较低。TOC值的平面分布与沉积微相分布在整体上具有良好的匹配关系,显示了CNN方法计算TOC的可行性。

基于星载红外高光谱观测用机器学习算法反演大气温湿廓线

星载红外高光谱垂直探测仪GIIRS(Geostationary Interferometric Infrared Sounder)能够实现大气温度和湿度参数高垂直分辨率的观测,为数值天气预报提供精度更高的初始场。基于GIIRS观测辐射值采用BP神经网络(Back Propagation Neural Network)法和深度学习的卷积神经网络(Convolutional Neural Networks,CNN)法反演大气温度、湿度垂直廓线,重点在于CNN法模型的构建与参数的优化,得到反演精度最高的网络模型配置。将训练样本根据不同地表类型和是否有云的影响分为三种方案(方案一:不分类、方案二:陆地/洋面分类、方案三:晴空/有云分类),分别进行建模、反演和检验。结果表明两种反演算法都有较好的反演精度,相对而言CNN法在所有高度层上反演偏差、均方根误差和平均相对误差均较小,反演精度更高。CNN法温度反演在高层10~200 hPa改进较大,三种分类方案改进的最大值分别为1.15 K、1.06 K和1.02 K;湿度反演在对流层低层500~1000 hPa改进较大,三种分类方案分别平均改进了0.43 g/kg、0.41 g/kg和0.34 g/kg。BP神经网络法方案三时(即分晴空和云时)温度和水汽混合比廓线反演精度最好;CNN算法方案一时(即不对样本数据进行任何分类)反演精度最高。

基于改进Faster R-CNN模型的SAR图像溢油检测方法

SAR(synthetic aperture radar)图像溢油暗斑准确识别对海上溢油应急工作具有重要的意义。为减少SAR图像特征提取、特征选择过程中人为因素对溢油检测精度的影响,本文将Faster R-CNN卷积神经网络模型引入SAR图像溢油检测并进行了改进。针对溢油暗斑形状多样及SAR图像背景复杂的特点,选用结构一致且实用性强的VGG16卷积网络获取图像特征,并使用软化非极大值抑制算法(Soft-NMS)进行优化。同时基于相同的数据集,提取常用的SAR图像几何特征、灰度特征和纹理特征,构建反向传播(backpropagation,BP)人工神经网络溢油检测方法并与Faster R-CNN方法进行对比。实验结果表明,基于改进Faster-RCNN模型的溢油检测方法溢油检测率达到0.78,且溢油检测虚警率低于0.25,相比BP人工神经网络溢油检测方法样本识别率、溢油检测率分别提高了4%和5%,溢油虚警率降低了5%。

基于深度学习分位数回归的电力负荷区间预测方法

常规的短期负荷预测方法得到的都是确定的负荷预测序列,事实上,电力系统包含着各种不确定因素,决策工作因而面临着一定的风险。针对这一问题,提出一种基于深度学习分位数回归的电力负荷区间预测方法,预测结果能使决策者认识到未来负荷的不确定性和风险性。首先,将输入数据划分成负荷特征部分和时间天气特征部分,分别传入卷积神经网络和反向传播神经网络训练,再拼接输出后传入全连接层构成深度学习模型;然后,将该模型与分位数回归结合起来,并行生成预测负荷的多个分位数结果;最后,利用某地实际负荷数据进行了仿真。仿真算例结果表明该方法不仅可以获得更高精度(平均绝对百分误差小于1%),甚至可获得某一置信水平下的负荷预测曲线的包络线。

基于混合神经网络的图像复原方法

针对传统图像复原方法对先验知识的依赖性问题,提出一种基于混合神经网络的图像复原方法。混合神经网络由卷积神经网络(Convolutional Neural Network)与BP神经网络组成。首先,通过训练卷积神经网络初步建立退化图像与真实图像之间的非线性映射关系,再利用训练好的卷积网络模型提取特征向量作为BP神经网络的输入。最后,通过训练BP神经网络实现图像复原。实验表明,该方法具有较高可行性,在小尺度的模糊核上的复原效果优于现有方法。

基于卷积神经网络的林火烟雾识别

基于传统的人工神经网络(Artificial Neural Network, ANN)提出了一种算法用来进行森林林火烟雾的图像识别。应用卷积神经网络(Convolutional Neural Network, CNN)结合反向传播法(Backpropagation, BP),选取适当的激励函数,训练神经网络。同时通过适当的池化方法大大提高了算法的效率,从而有效地通过神经网络对目标图像的特征学习,识别出烟雾图像。在对图像识别学习前对图像进行灰度化,并且在对图像进行二值化之后,再进行学习训练,排除了所需识别目标之外图像引入的干扰,从而提高了图像识别准确率。

基于卷积神经网络的超宽带信道环境的分类算法

针对非视距(NLOS)状态鉴别需要已知信道类型的分类的问题,提出了一种基于卷积神经网络(CNN)的信道环境分类算法。首先,对超宽带(UWB)信道进行采样,构建样本集合;然后,利用样本集合训练CNN,对不同的信道场景特征进行提取;最终实现超宽带信道环境的分类。实验结果表明:所采用的分类方法的总模型准确率约为93.40%,能有效地实现信道环境的分类识别。