基于完全反传播神经网络(FCNN)的数字水印新算法

数字水印对于保护和鉴定多媒体信息是一项重要技术,它可以在非法复制和篡改中保护数字媒体。数字水印的嵌入与检测涉及到复杂的程序,其中包括对水印的随机化,选择水印的嵌入位置和检测位置,将随机水印嵌入到特殊位置并在此位置上检测水印等。本文设计了一个完全反传播神经网络方法,水印通过特殊的完全反传播神经网络嵌入于检测水印。区别于传统的方法,水印嵌入到FCNN的神经元上代替了嵌入在宿主图像上,因此数字水印图像几乎与宿主图像一样,大部分攻击不可能降低嵌入水印质量。实验结果表明,此方案能够达到鲁棒性、不可见性与真实性。

FCNN的全局稳定性

研究了 Ｆ Ｃ Ｎ Ｎ（ 模糊细胞神经网络） 的全局稳定性，应用 Ｌｙａｐｕｎｏｖ 函数，建立了 Ｆ Ｃ Ｎ Ｎ 全局稳定的充分条件。

基于FCNN和ICAE的SAR图像目标识别方法

近年来,基于卷积神经网络(Convolutional Neural Network, CNN)的合成孔径雷达(Synthetic Aperture Radar, SAR)图像目标识别得到深入研究。全卷积神经网络(Fully Convolutional Neural Network, FCNN)是CNN结构上的改进,它比CNN能获得更高的识别率,但在训练过程中仍需要大量的带标签训练样本。该文提出一种基于FCNN和改进的卷积自编码器(Improved Convolutional Auto-Encoder, ICAE)的SAR图像目标识别方法,即先用ICAE无监督训练方式获得的编码器网络参数初始化FCNN的部分参数,后用带标签训练样本对FCNN进行训练。基于MSTAR数据集的十类目标分类实验结果表明,在不扩充带标签训练样本的情况下,该方法不仅能获得98.14%的平均正确识别率,而且具有较强的抗噪声能力。

一种基于改进的FCNN网络模型的学习算法

本文给出了基于模糊聚类神经网络的新的网络模型及相应的学习算法,该算法可以有 效地克服FCNN算法的不足。

基于全连接神经网络的地铁车站响应分析与地震强度指标优选

为了降低随机地震响应分析的计算成本,将人工神经网络方法用于构建概率地震需求模型(PSDM),以预测地铁车站结构的地震响应,并对适用于地铁车站结构响应预测的地震强度指标(IM)进行了优选。首先选取了200条实测地震动,计算IM,并对典型的三层三跨地铁车站结构进行有限元建模,将IM与最大层间位移角作为输入与输出训练全连接神经网络模型(FCNN),得到了最大层间位移角的预测模型。最后基于训练后FCNN输入层到隐含层中的权重矩阵与传统方法对IM进行优选,得出了对最大层间位移角影响最大的IM。研究结果表明:训练后FCNN能以0.95的精度预测地铁车站最大层间位移角,且计算耗时仅为数值模拟的1/5;针对矩形地下结构最大层间位移角,速度型和速度反应谱型指标的影响明显高于其他类型指标,其中速度谱强度(VSI)对最大层间位移角的影响最大。

基于RIS的元素分组面状全连接网络

针对神经网络全连接层在训练中参数量多、所占内存多、易产生过拟合问题,从智能超表面(reconfigurable intelligence surface,RIS)结构特征出发,提出了一种基于RIS的元素分组面状全连接神经网络(RIS-based element grouping areal fully connected neural network,RGFCNN)。借鉴RIS的结构特征,在传统全连接神经网络上进行优化。设计了透射面注意力机制用于数据有效特征提取,相比于传统的全连接网络,该网络没有对数据进行一维排列,而是提出了一种运用于神经网络构建的元素分组策略,直接对二维面状数据进行分组全连接处理,各组处理输出进行数据串联。实验结果表明:在公开的具有IQ数据特征的通信信号数据集上,RGFCNN在信噪比大于0 dB时具有更好的识别精度,而训练参数是原来的大约1/6。

基于全卷积神经网络的钻孔瞬变电磁法岩层富水性预测研究

巷道掘进前方采用钻探或地球物理方法进行超前探测含水层的位置及富水性,提前做好防治水工作对煤矿安全生产至关重要。利用钻孔瞬变电磁法(BTEM)进行超前探测优势明显,目前解释方法是根据计算的电阻率进行岩层富水性的定性分析,还无法实现对含水层富水性等级进行预测。提出利用钻孔瞬变电磁法探测,采用全卷积神经网络(FCNN)方法进行钻孔外围含水层富水性等级的准确预测。首先,依据阿尔奇公式、Kozeny–Carman公式、导水系数公式和单位涌水量公式,建立砂岩含水层单位厚度的电阻率与按钻孔单位涌水量划分的含水层富水性4个等级的对应关系;其次,建立全空间条件下不同富水性岩层的地质–地球物理模型,采用三维时域有限差分法(FDTD)进行全空间瞬变电磁场数值模拟;为了接近实际情况,在正演结果中加入了5%~15%的随机噪声,提取与岩层富水性等级关联的特征参数,采用全卷积神经网络(FCNN)进行了岩层富水性等级预测的训练和仿真测试,测试集预测的富水性等级平均准确率为91.8%;最后,利用某矿煤层水力压裂后的钻孔瞬变电磁法实测数据进行煤岩层富水性等级预测,检验FCNN方法预测效果。研究结果表明:采用全卷积神经网络预测钻孔附近岩层富水性是可行和有效的,可以实现钻孔径向方向岩层富水性等级的准确预测,提高了钻孔瞬变电磁法对钻孔外围岩层富水性的探测精度,该方法将在超前探测岩层富水性方面发挥重要作用。

基于模糊聚类神经网络的语音识别方法

提出了一种基于模糊神经网络的语音识别方法.该方法以模糊系统模型为基础,利用改进的模糊聚类辨识算法,构成一种新型的模糊聚类神经网络(FCNN),并将其作为概率密度函数的估计器,对每个状态的输出进行预测.它不仅能有效地在语音识别中引入帧间相关信息,而且能克服状态输出概率密度函数为混合高斯分布的束缚.通过对非特定人汉语孤立词和连续音节的语音识别实验,证实了该方法的有效性.

基于全连接神经网络的在线学习行为分类判别

针对教育者难以对学习者多样化的学习行为进行监测和预警问题,提出一种基于全连接神经网络的网络学习者学习行为分类模型,来探究不同学习者的学习特点。首先提取智慧树平台收集的学习者活动数据,剔除当中个人信息部分,选取在线学习行为数据形成数据集;然后进一步清洗数据并对学习行为相关数据进行数据标准化处理;最后搭建全连接神经网络进行学习行为判别。实验结果表明,该模型对于智慧树不同课程中的学习者学习行为分类准确率保持在95.6%以上,与其他神经网络模型相比,该方法在准确率和耗时上均有显著提升,具有很好的应用价值。

模糊细胞神经网络的稳定性

本文研究了模糊细胞神经网络（ Ｆ Ｃ Ｎ Ｎ）的稳定性。

模糊神经网络提高光栅传感器分辨力

针对当前提高光栅传感器分辨力方法的一些不足,对用模糊小脑神经网络提高光栅传感器分辨力进行了研究。研究表明,通过少量样本点的学习,用神经网络拟合出光栅传感器的传输特性,对任意输入值,经神经网络泛化后,产生高分辨力的输出值,并通过仿真验证了该研究的有效性。

基于复合神经网络的多元水质指标预测模型

长江流域在我国水资源配置体系中具有重要地位,对其进行水质预测尤为重要。基于现有研究结果,结合循环神经网络(recurrent neural network,RNN)中的门控循环单元(gate recurrent unit,GRU)模型与全连接神经网络(fully connected neural network,FCNN),提出了改进的多元水质指标预测(MWQPP)模型,并用其预测长江流域水体的pH、溶解氧(DO)、高锰酸盐指数(CODMn)、氨氮(NH_(3)-N)。基于长江流域2011—2018年23个水质监测点7 566条原始数据,经对比实验,证明了用MWQPP模型预测得到的均方根误差(RMSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和决定系数(R^(2))均优于传统水质预测模型,有效提升了水质预测的精度,具有较好的鲁棒性,为水质预测和流域管理提供了科学支撑。

基于深度学习的自动驾驶车辆运动规划研究

针对交通状况的复杂性和边缘情况的不确定性,很难设计一个通用的自动驾驶车辆运动规划系统,采用深度学习的方法,提出了一个时空LSTM(长短期记忆网络)的运动规划模型,它能够根据提取的时空信息产生实时处理。该模型有三个主要结构,依次完成,基于Conv-LSTM(卷积长短期记忆网络)提取连续图像数据的隐藏特征。然后,基于3D-CNN(3D卷积神经网络)提取多帧特征信息中的时空信息以及FCNN(全连接神经网络)构建车辆自动转向角的控制模型。最后,对提出的LSTM时空网络模型方法和经典方法在数据集上进行性能评估。实验结果表明,该方法能够为自动驾驶车辆生成实时鲁棒准确的视觉运动规划,可以达到99%的准确率。

基于欧式距离的实例选择算法研究

近邻分类法在训练分类器时需要存储训练集中所有的数据。这种缺点会导致程序在运行时需要大量的存储空间和运行时间。提出了两种新的实例选择算法:迭代类别实例选择算法(ISCC)和基于同类和异类的迭代实例选择算法(IISDC)。两种算法分别提出分类能力评价函数来度量每个实例的分类能力,挑选分类能力强的实例,删除分类能力弱的实例。经分析得出两个算法的时间复杂度均为O(n2)。在真实数据库上的试验结果表明,ICIS和IISDC算法在压缩比、分类精度上优于FCNN、ICF、ENN等经典算法。

基于模糊细胞神经网络的彩色图像形态学重构

利用彩色图像的 Ｒ Ｇ Ｂ空间分解，在模糊细胞神经网络上实现了彩色图像数学形态学的基本算子，并讨论了该实现相对于常规串行计算机算法的优越性和局限．进一步地利用按分量的灰度重构，实现了彩色重构算法．最后讨论了该重构算法在抑制彩色图像高频噪声中的应用．给出的仿真结果对于推广模糊细胞神经网络在彩色图像实时处理和硅眼等模拟逻辑系统中的应用有着重要的意义．

模糊细胞神经网络在书法碑帖汉字重构中的应用

模糊细胞神经网络作为一种模拟逻辑可编程并行网络，可以用来实时实现数学形态学的全部基本算子．文中基于加性模糊细胞神经网络结构，应用数学形态学的重构算法，研究中国书法碑帖在自然腐蚀噪声环境下的去噪和汉字提取问题，并给出了算法的伪代码描述和数字计算机仿真结果．该方法可应用于书法碑帖的汉字处理和实时重构．

面向场景解析的空间结构化编码深度网络

为了研究有效的特征提取和精确的空间结构化学习对提升场景解析效果的作用,本文提高出基于全卷积神经网络空间结构化编码深度网络,网络内嵌的结构化学习层有机地结合了图模型网络和空间结构化编码算法,算法能够比较准确地描述物体所处空间的物体分布以及物体间的空间位置关系。通过空间结构化编码深度网络,网络不仅能够提取包含多层形状信息的多维视觉特征,而且可以生成包含结构化信息的空间关系特征,从而得到更为准确表达图像语义信息的混合特征。实验结果表明:在SIFT FLOW和PASCAL VOC 2012标准数据集上,空间结构化编码深度网络较现有方法能够显著地提升场景解析的准确率。

带有离散滞后时滞和非线性脉冲效应的模糊细胞神经网络的指数同步

研究了具有离散滞后时滞和非线性脉冲效应的模糊细胞神经网络的指数同步,通过Lyapunov函数方法和不等式方法,利用p-范数得到了新的指数同步的充分条件,最后举例说明结论是有效的.

基于生成式对抗网络的遥感影像云检测方法

针对目前遥感影像云层检测中出现的漏检、误检等问题,提出了一种基于生成式对抗网络的遥感影像云检测方法。在生成网络中,考虑了云本身的形态特征,使用全卷积神经网络对图像中的云进行检测。为了获得更为精细、准确的检测结果,使用对抗网络对检测结果进行判别,并将结果反馈给生成网络,使之调整网络参数,优化检测结果。以GF-1号原始遥感影像进行检测实验,并与传统的Otsu方法和全卷积神经网络进行对比,结果表明该方法检测准确率较高,漏检现象较少。

语义信息引导下的显著目标检测算法

针对现有显著性检测方法在凸显目标完整性和背景噪声抑制方面性能较差的问题,提出一种显著目标检测算法。构建改进的全卷积神经网络,捕获图像中的语义信息,生成高层语义初步显著图。利用语义知识引导流形排序进行优化,实现显著目标的边缘传播。融合不同尺度下的显著图,完成显著目标检测。在ECSSD、DUT-OMRON、SED2数据集上进行实验,结果表明,与最大对称环绕、主成分分析等算法相比,该算法检测出的显著目标更加完整,在复杂场景下检测结果鲁棒性更好。