利用深度学习预报美国东北部日降水分布

现阶段降水预报主要依靠数值天气预报模式。但受物理参数化、计算资源等因素的影响,基于数值模式的降水预报还存在非常大的不确定性。近年来,深度学习在天气预报领域显示出巨大优势和潜力。本文通过构建神经网络预报美国东北部日降水分布,探讨神经网络模型基于低分辨率气象场(ERA-Interim, 0.7°)预报高分辨率降水(CPC,0.25°)的能力,并比较3种主流网络框架(VGG,ResNet, GoogleNet)在该任务中的表现。结果表明,3种网络框架都对美国东北部日降水分布具有一定的预报能力(VGG框架表现最优),但三者的均方根误差(RMSE)均高于ERA-Interim 24-h(ERA24)的降水预报。3种神经网络的集合预报结果优于ERA24预报,且这三者与ERA24预报结果的集合平均能够显著提高ERA24对不同季节、不同强度降水的预报。

IAA-Net:一种实孔径扫描雷达迭代自适应角超分辨成像方法

实孔径雷达(RAR)通过天线扫描工作,以获取大范围探测区域内目标的观测信息。但是,由于雷达天线尺寸小,受天线衍射机理限制,与距离分辨率相比,其角分辨率通常较低。角超分辨处理方法,可利用天线方向图与目标散射间的卷积关系,通过求解卷积反演问题,以提高扫描雷达角分辨率。但是,由于测量矩阵的低秩特性,传统角超分辨处理方法,存在正则化参数选择难、迭代更新慢等问题,并且在低信噪比条件下,角超分辨处理性能明显下降。针对上述问题,该文提出了一种基于深度网络的迭代自适应实孔径扫描雷达角超分辨成像方法。首先,该文将实孔径扫描雷达的卷积反演问题转化为回波自相关矩阵反演求解问题,以改善求逆矩阵的病态性;其次,将可学习的修正矩阵引入到迭代自适应求解方法中,以实现迭代自适应求解方法与深度网络的结合;最后,通过迭代学习更新回波自相关矩阵,降低噪声对反演结果的影响,提高实孔径雷达的角分辨率。仿真及实测数据结果表明,所提方法可避免传统算法中的手动参数选择和迭代更新慢等问题。同时,由于深度网络的学习拟合能力,所提方法可在低信噪比条件下保持良好的角超分辨性能。

基于神经网络的文本情感分类模型研究

情感分类作为近年来自然语言处理领域的热门研究方向,旨在识别文本中的情感态度,如积极、消极或者中立等,对社交媒体、新闻、评论和用户反馈等大量文本数据进行挖掘并分析其情感极性对于研究者和政府来讲具有十分重要的意义。传统的情感分类算法通常使用基于统计的特征提取方法,如词袋模型,再结合机器学习算法,如支持向量机(SVM)和朴素贝叶斯分类器等来进行分类。在基于对神经网络的研究下实现文本情感分析,对文本数据集进行预处理操作后建立情感分析模型,使用Keras框架搭建循环神经网络以识别情感倾向,定义相关函数后进行模型训练,并采用一系列方法指标来进行模型评估检验模型性能,比较传统机器学习算法提高了情感分析的精度和效率。

基于集成深度学习框架的新型冠状病毒感染治疗药物活性预测

目的 建立预测新型冠状病毒感染治疗药物活性的集成深度学习框架。方法 采用卷积神经网络(CNN)和递归神经网络(RNN)从简化分子线性输入规范(SMILES)字符串序列信息中筛选出代表性的特征标识,以深度神经网络(DNN)从离散特征信息中提取更高级别的抽象特征,均以网格筛选法生成1个主框架模型和7个离散特征模型的最优结构,构成8种架构的127种可能组合。通过准确率(ACC)、F、召回率(Recall)、精确度(PRE)和马修斯相关系数(MCC)5个标准指标评估模型的预测性能。建立和维护最终框架。结果 最终建立了1个以BiLSTM为集成深度学习框架的核心架构和4个不同的离散特征模型组成的集成深度学习模型,训练集ACC为72.84%,F为69.70,Recall为72.21%,PRE为68.03,MCC为0.456 9;测试集中成功预测了23种可能对新型冠状病毒感染有治疗作用的药物。结论 集成深度学习框架相较于单个模型具有更强的预测能力,该研究为新型冠状病毒感染治疗药物的筛选提供了新的选择。

分布式深度学习框架下主动式网络安全性能感知系统设计

主动式网络在数据传输过程中容易受到黑客的攻击,威胁网络整体安全性能,为此,在分布式深度学习框架下设计主动式网络安全性能感知系统。基于分布式理论加速训练深度学习算法获取最佳参数集合,应用训练好的深度学习算法——卷积自动编码器提取安全性能感知数据的重要特征,以此为基础,分析影响网络安全性能的关键因素。选取感知指标,并应用模糊层次分析法计算其权重数值。构建网络安全性能感知模型,制定网络安全性能等级判定规则,即可确定网络安全性能感知结果。实验数据显示,设计系统应用后主动式网络安全性能感知误差最小值为0.4%,保障了主动式网络安全运行。

基于卷积神经网络的深度学习技术在软件缺陷检测中的应用

探讨了卷积神经网络(CNN)在软件缺陷检测中的应用。采用深度学习技术,模拟图像识别中的模式识别能力,对代码进行自动分析,以识别潜在缺陷。实验结果显示,该方法的缺陷检测正确率达到了94.28%~97.51%,说明利用CNN进行软件缺陷检测能够有效提升检测速度和准确性,对于降低开发成本、提高软件质量及可靠性具有重要意义。

三维点云语义分割:现状与挑战

随着获取点云数据成本下降以及GPU算力的提高,众多三维视觉场景如自动驾驶、工业控制、MR/XR对三维语义分割的需求日益旺盛,这进一步推动了深度学习模型在三维点云语义分割任务中的发展.近期,深度学习模型在网络架构上持续创新,如RandLA-Net和Point Transformer,并突破性地以更低的计算成本提高了分割准确率,但已有的三维点云语义分割综述介绍的研究工作包含大量早期以及被舍弃的方法,没有系统地整理这些新型高效的方法,不能很好地体现研究现状.此外,这部分综述以输入网络的不同数据类型分类各点云语义分割方法,不能有效地体现各方法的演进关系,也不利于对比不同方法的分割性能.针对以上问题,本文面向近3年的研究成果和最新的研究进展,重点归纳了三维点云语义分割中基于不同网络架构的方法、面临的挑战及潜在研究方向,并从3个层面对三维点云语义分割进行了系统地综述.通过本文,读者可以较系统地了解三维点云语义分割的数据获取方式、常见数据集及模型的评价指标,对比基于不同网络架构的三维点云语义分割方法的发展过程、分割性能和优缺点,并进一步认识三维点云语义分割现存的挑战和潜在的研究方向.

稀疏统计学习及其最新研究进展综述

稀疏性意谓可以仅用少数位于低维子空间的参数(特征变量)近似表示高维空间的复杂物理过程,是实际应用中普遍存在的性质.稀疏统计学习旨在探索高维数据的稀疏性,并进行统计建模和推断.文章综述了基于回归分析的稀疏统计学习模型及其最新研究进展.主要介绍了各类带有凸或非凸正则项的稀疏回归模型,特别是L_(1/2)正则化框架的算法和应用.近10年来,深度学习取得革命性进展,结合传统稀疏统计学习模型与深度神经网络的研究逐渐受到了广泛的关注.文章主要介绍了基于稀疏建模的深度学习方法和数据驱动的稀疏统计分析方法,前者包括深度网络展开等,后者则包括深度哈希学习及深度典型相关分析.最后,文章进行了总结,并展望了未来可能的研究方向.

利用Encoder-Decoder框架的深度学习网络实现绕射波分离及成像

利用单纯绕射波场实现地下地质异常体的识别具有坚实的理论基础,对应的实施方法得到了广泛研究,且有效地应用于实际勘探。但现有技术在微小尺度异常体成像方面收效甚微,相关研究多数以射线传播理论为基础,对于影响绕射波分离成像精度的因素分析并不完备。相较于反射波,由于存在不连续构造而产生的绕射波能量微弱并且相互干涉,同时环境干扰使得绕射波进一步湮没。因此,更高精度的波场分离及单独成像是现阶段基于绕射波超高分辨率处理、解释的重点研究方向。为此,首先针对地球物理勘探中地质异常体的准确定位,以携带高分辨率信息的绕射波为研究对象,系统分析在不同尺度、不同物性参数的异常体情况下绕射波的能量大小及形态特征,掌握绕射波与其他类型波叠加的具体形式;然后根据相应特征性质提出基于深度学习技术的绕射波分离成像方法,即利用Encoder-Decoder框架的空洞卷积网络捕获绕射波场特征,从而实现绕射波分离,基于速度连续性原则构建单纯绕射波场的偏移速度模型并完成最终成像。数据测试表明,该方法最终可满足微小地质异常体高精度识别的需求。

沉积相智能地震识别技术研究及应用

通常利用地震反射同相轴的几何形状、横向连续性、振幅、频率和层速度等参数描述沉积相类型。传统的沉积相地震识别方法利用人工解释目标沉积体,受限于解释人员对目标工区的地质认识,工作强度大、效率低,存在多解性。在很多地震勘探工区只能够标定少量标签,这些标签不足以支撑完成强监督学习,此时小样本学习可以作为好的解决方案。为此,以小样本学习为切入点,主要研究碳酸盐岩丘滩体沉积相预测方法,探讨了基于小样本学习方法在沉积相识别方面的应用效果。在小样本弱监督学习方面,首先根据地震反射构型以及钻井信息建立了典型地震剖面地震相标签库,在川中地区灯影组地震数据中共解释了14条地震剖面作为训练标签,占总数的2.8%。其次,基于层序地层格架控制的沉积相智能分类方法,利用地震层序格架构建隐式标量场,引入地震层位的空间变化信息,避免了深度学习在地震相预测过程中未引入地质信息的缺陷,提高了沉积相智能预测精度。利用所提方法刻画了四川盆地川中地区灯影组碳酸盐岩微生物丘滩体,结果表明:礁体受控于台地边缘斜坡,对礁体边界等的预测结果与地震信息高度吻合,符合地质规律;在平面上,礁体呈条带状分布,与台地边缘的分布基本吻合,与沉积相一致。

基于改进K-Means和DNN算法的电力数据异常检测

为获取较高的数据辨识效率,结合Spark架构理论,该文提出了一种基于改进K-Means和深度神经网络(DNN)算法的电力数据异常检测技术。首先,利用改进K-Means聚类算法对初始聚类中心的选取和样本权值进行适应性改进,实现各聚类子类的并行运算,从而提升异常数据的辨识效率。其次,该文建立了基于DNN算法的电力异常数据的修正模型,对辨识出的异常数据进行修正,针对现有聚类算法和异常值检测算法的参数难以控制且算法的随机性欠缺等问题,该文在DNN训练层中增加了反馈关联层,并使用改进粒子群算法对该算法的网络模型中的权值空间进行深度优化。最后,以某调度中心的监控与数据采集(SCADA)系统数据为样本开展算例验证,仿真结果说明该文方法能高效处理电网运行大数据的异常情况,数据成功修复率可维持在91%以上,对数据修复后预测的准确率平均达到95.2%。

神经网络预测模型在轮胎骨架材料市场预测的应用

神经网络模型具有很强的非线性映射能力,特别适合于各种数据的处理和预测;胎圈钢丝、钢帘线的产销量与汽车产量、轮胎用量、国内GDP、盘条产量等因素具有较强的正相关性,通过建立DEEP神经网络模型,组织样本数据,利用神经网络的黑箱特性进行了预测尝试,得出未来5年中国轮胎骨架材料的需求处于缓慢增长的平台发展期。

基于Android的多模态情感识别APP的设计与开发

在团队自建的中文多模态情感识别语料库的基础上,训练了多模态情感识别深度神经网络模型,能综合视频中图片、音频和文本三个模态信息进行情感识别。基于该情感识别模型,设计并开发了一款基于Android平台的移动应用程序,捕获视频中人物的话语文本、声音和面部表情,识别出人物的情感状态,以支撑后续共情聊天机器人的研发。

预测金属有机骨架甲烷和氢气输送能力的迁移学习建模

基于深度神经网络(DNN)和迁移学习(TL),使用少量数据建立TL模型,精准预测了金属有机骨架(MOFs)的甲烷和氢气输送性能.首先,使用8414个MOFs在298 K/65 bar~298 K/5.8 bar(1 bar=0.1 MPa)条件下的甲烷输送数据训练一个决定系数(R^(2))为0.973的DNN[源任务(ST)模型].随后,将ST模型的部分参数冻结,使用100个MOFs在233 K/65 bar~358 K/5.8 bar条件下的甲烷输送数据和100个MOFs在198 K/100 bar~298 K/5 bar条件下的氢气输送数据分别微调ST模型,进行TL建模.结果表明,两个TL模型的R2分别为0.968和0.945,均高于其它5个传统的ML模型.所开发的TL模型在预测小数据集时具有高精度与高稳定性.最后,使用排列特征重要度方法来计算描述符重要度,明确了模型之间的“知识”共享情况,并在此基础上探讨了重要描述符和输送能力之间的关系.

基于改进贝叶斯的知识图谱关联查询算法仿真

知识图谱的不确定性导致节点之间的语义关联性不高,抽取出的文本存在较多冗余和噪声,无法准确捕捉用户的查询意图。为解决上述问题,提出改进贝叶斯框架的知识图谱关联查询算法。通过将知识图谱中的文本输入深度卷积神经网络,编码处理获得文本表示,并在非对称映射的基础上获得结构表示,以此获得知识图谱关系与实体之间的关系。采用低秩矩阵映射补全知识图谱中的尾实体和头实体。优化贝叶斯推理框架对实体量化处理,挖掘知识图谱中存在的数据集,并计算关系关联度和属性关联度,根据得分排序查询结果,完成知识图谱的关联查询。实验结果表明,所提算法的F1值在0.8以上,且准确率和召回率高,说明具有良好的查询性能。

基于M-SegNet算法的羊群密集计数应用研究

羊群计数是监测草原过度放牧和大规模牲畜保险理赔的重要环节,传统的人工计数方法费时费力。本文针对利用深度学习的方法对羊群进行密集计数的问题,使用基于卷积神经网络的M-SegNet(Modified SegNet)模型对密集羊群的图像进行计数,通过与M-SFANet(Modified SFANet)模型进行对比实验,结果表明,M-SegNet在羊群密集计数中取得了更好的计数效果,其密度图平均绝对误差(MAE)为6.84,均方误差(MSE)为9.48,计数平均相对误差(MRE)为3.65%,满足监测过度放牧和牲畜保险理赔的要求。为了提升牧场羊群密集计数的管理能力,构建了基于Django框架的羊群密集计数应用系统,系统采用Python语言和轻量级数据库SQLite实现了用户注册与登录、用户管理、计数查询和操作历史查询等功能。

基于深度学习的情感识别开放平台

为降低开发者的开发和推广成本,加快开发者的开发速度,把情感识别技术广泛应用到互联网及其它场景,提出一个基于深度学习的情感识别开放平台,把情感识别关键技术及服务封装成应用程序编程接口开放出去。研究平台的需求和采用的关键技术,据此进行平台设计与实现,重点阐述平台采用的关键技术:Struts2+Spring+JPA框架、卷积神经网络、OpenID+OAuth认证授权等。案例验证了该平台的可行性及算法的有效性。

基于循环卷积神经网络的缺陷图像评判分级系统

为了解决当前实际场景缺陷图像难识别、缺陷图像库数据庞大而导致标记工作难度大的问题,本文基于自主开发软件标注算法,对大数据缺陷样本库进行半自动标记,并在自主开发软件内完成标记。本文方法基于循环卷积神经网络框架,对标记结果进行学习训练,形成精准识别机制,使其不依赖第三方标注软件。首先,采集大数据缺陷图像,为缺陷识别做好数据训练准备。然后,结合传统视觉检测技术中的图像对比和图像阈值分割,实现初期检测。最后,比较多种深度学习框架的特性,开发了深度学习模型,并将其集成到本文系统中,建立深度神经网络缺陷识别算法。实验测试结果显示,本文系统具有更高的缺陷识别精度与鲁棒性,可为智能缺陷识别设备奠定算法基础。

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.

基于DNN网络结构的学院转专业生源研究

针对目前高校转专业分配效率低,需要提前预测报考情况的问题,提出一种基于DNN(Deep Neural Network)网络结构下的预测模型。并以吉林大学2003年-2017年热门学院学生转专业情况建立预测模型;引入DNN深度学习网络结构,在谷歌研发的Tensorflow框架下建立高校热门学院转专业生源数量预测模型;最后,采用训练已有15年的数据对2020年的热门学院转专业生源数量进行预测分析。数据分析结果表明,所提方法较好地解决了热门学院转专业报考人数预测的问题,对后续工作开展具有一定的指导意义。