基于CNN-SVM模型的鸡蛋外观品质检测

[目的]提高鸡蛋外观品质检测的精度,建立CNN-SVM模型的鸡蛋外观品质检测模型。[方法]结合CNN的自适应特征提取功能和SVM的超强泛化分类性能,通过6层卷积神经网络结构处理提取全连接层的特征,采用CNN-SVM混合模型替代传统CNN+softmax,构建一个基于CNN-SVM模型的鸡蛋外观品质检测方法。[结果]与SVM模型、CNN模型和KNN模型相比,CNN-SVM模型在准确率、精确率、召回率和F1分数方面表现优异,分别为97.97%,98.10%,98.10%,98.00%。KNN模型在鸡蛋外观品质检测上的精度最低,其准确率、精确率、召回率和F1分数分别为77.46%,79.44%,76.75%,76.90%。[结论]CNN-SVM模型具有很强的鲁棒性和抗噪声能力,可以有效提高鸡蛋外观品质检测的准确性和适用性。

卷积神经网络的图像识别算法研究与实现

文章通过研究卷积神经网络(Convolutional Neural Networks,CNN)的架构、卷积和池化操作以及全连接等,搭建并配置五种不同的CNN模型(LeNet、AlexNet、VGGNet、InceptionNet、ReNet),利用两个数据集的训练集和测试集分别训练和测试五种模型的效果,最后使用准确率和交叉损失熵评估五种模型。

基于三维卷积神经网络的遥感影像变化检测

随着卫星传感器技术和深度学习技术的蓬勃发展,基于深度学习的变化检测研究已成为遥感变化检测领域中的主流方法。针对现有深度学习方法特征提取和融合不充分的问题,提出了一种基于三维卷积神经网络的遥感影像变化检测方法。在特征编码阶段,首先利用三维卷积的内部融合特性同时提取和融合双时相影像特征。在特征解码阶段,为有效利用影像特征的全尺度信息,采用全尺度跳跃连接机制将不同尺度的特征信息在时间维度进行结合,最终产生具有高精度的变化结果。实验结果表明,该方法在两个基准数据集上的精度均显著优于其他先进的深度学习变化检测方法。

基于全连接神经网络的三维人体姿态估计

人体姿态估计是计算机视觉领域的重要分支,在实践中有广泛应用,例如:智能交通、安防监控、影视娱乐、司法分析等。现有的三维人体姿态估计算法大多来源于二维人体姿态估计算法的扩展,其识别结果是以三维关节点、线的形式来体现,无法展示更多的人体细节信息,且表达形式比较抽象,难于理解。为解决这个问题,本文引入了参数化人体模型(SMPL),该模型可以实体化的展示三维人体姿态。本文通过二维图像预测人体的三维姿态,该过程分为3个阶段,首先从多角度二维图像中预测人体关节点的二维坐标,然后基于全连接神经网络实现二维关节点到SMPL模型参数的映射,最后根据这些参数构建三维SMPL模型,以展示三维人体姿态。实验表明,本文通过从图像中提取二维关节点坐标,并以此为全连接神经网络的输入,可以快速、准确的估计出人体三维姿态。相比从二维图像直接估计三维人体姿态的方法,本文的模型降低了训练参数,简化了网络结构,加快了模型训练的速度,节约了训练成本。

基于全连接循环神经网络的局域网异常流量检测技术

针对局域网异常流量检测,提出了一种基于全连接循环神经网络的检测技术。全连接循环神经网络不仅考虑到神经元当前时刻的状态,也顾及到相邻时刻的神经元状态对模型数据训练产生的影响,确保神经元状态的连续性。为避免模型训练中梯度出现损失过快的情况,基于小批量梯度下降算法调整数据训练的收敛方向;当中间隐含层级神经元过多而增加系统消耗和模式复杂度时,利用GRU替代神经元保持神经网络的性能,并改善模型的训练和预测性能。实验结果显示,提出的检测技术的模型损失函数值与目标值趋近,且检测率指标值、假阳性率指标值和检测精度指标值都要优于现有检测技术。

基于深度学习的雷达目标航迹起始方法

本文提出了一种基于深度学习的雷达目标航迹起始方法,将目标航迹起始问题转化为深度神经网络模型二分类问题-"真实航迹"类和"虚假航迹"类。首先对空间配准后的目标点迹进行环形波门粗关联,得到粗关联暂时航迹;对粗关联暂时航迹进行特征向量建模,获得深度神经网络模型输入向量;利用仿真系统雷达数据,提取神经网络模型训练样本,设计深度全连接神经网络结构,训练网络模型得到优化的模型参数;使用训练好的模型参数实时计算目标起始航迹。仿真试验证明了该算法的有效性。

基于多特征融合的评论文本个性化情感分类新方法

现有的情感分类研究未能充分考虑用户个人历史评论中蕴含的个性特征对情感分类结果的影响,且未能综合考虑用户社会关系、个人属性、历史评论与当前评论等诸多因素的共同作用。为此,提出一种基于多特征融合的评论文本个性化情感分类新方法。首先,利用大量无标注的用户历史评论挖掘用户个性表达,结合用户历史评论和用户属性信息提取得到用户特征向量;然后,利用node2vec算法在获得图节点表示方面的优势对用户社会关系网络进行学习以得到用户的社会关系向量,并利用预训练的word2vec模型获得用户当前评论向量;最后,将用户特征向量、社会关系向量和有标注的当前评论向量输入全连接神经网络中进行训练以得到最终的分类模型。在从中文股吧爬取的真实数据集上的实验结果表明,与支持向量机、朴素贝叶斯、TextCNN、Bert等典型方法相比,所提方法能够有效提高情感分类的准确率和F 1值,验证了其在改善情感分类表现方面的有效性。

基于Lenet-5的卷积神经网络改进算法

在当前语音识别和图像识别领域,卷积神经网络已经取得了很大的成功。现有的Lenet-5卷积神经网络是多层网络结构,但是大量实验表明,从全链接层到输入层的回调影响了最终的精度,特别是在有限数据量的情况下。因此提出了单层回调的Lenet-5算法,即在Lenet-5卷积神经网络的卷积层后添加一个临时输出层,与真实标签进行比较,根据误差函数对层间参数进行回调,并用全球手写数字MNIST数据集进行训练和测试。实验表明,即使在有限数据量的情况下算法的精度仍能得到提高。

从全连接网络到卷积神经网络的教学探讨

在深度学习课程的学习中,从全连接神经网络到卷积神经网络是一个大的跨越,初学者首次接触卷积、权值共享、特征提取、池化等很多陌生的概念往往没有头绪,也很难从前面的学习内容中顺畅过渡,需要设计一条前后衔接和呼应、贯穿始终的明确主线,使学习曲线变得平缓。以经典的MNIST手写字符识别案例为引导,以识别精度提升为目标,用设问的方式,逐步深入,理解解决问题的逻辑,同时也掌握核心概念,并提炼出一条从单个神经元的最简单全连接网络到卷积神经网络的学习路径。

一种高精度LSTM-FC大气污染物浓度预测模型

大气污染已经严重影响到人们的生活和健康,大气治理势在必行,探究大气污染物浓度变化的规律,实现污染物浓度预测,对指导大气治理工作具有重要意义。文中构建了一种基于长短期记忆神经网络(Long Short-Term Memory,LSTM)和全连接神经网络(Full Connected,FC)的混合神经网络模型,并提出了数据桶划分的训练方式来解决由于训练数据与预测数据存在较长时间间隔导致精度下降的问题,进而实现大气污染物浓度的预测。该模型具有较好的通用性和精度,充分结合了长短期记忆神经网络和全连接神经网络的优点,能够在多种污染物数据上实现精确预测。以天津市2013-2019年大气污染物数据实现模型的训练和预测,结果表明,混合神经网络模型在PM_(2.5),PM_(10),NO_(2),SO_(2),O_(3),CO 6种污染物浓度的预测上均可以达到R2>0.90,平均百分误差小于15%的效果,LSTM-FC模型在大气污染物预测中具有明显的优势,具有较高的实用价值。

基于全连接和LSTM神经网络的空气污染物预测

在空气污染日益严重的情况下进行空气污染物的预测工作是十分必要的。针对城市的空气污染物预测,提出了一种基于神经网络的混合模型方法:通过全连接神经网络方法,结合长短期记忆网络(Long Short-Term Memory,LSTM)方法,将历史空气污染物数据与大气数据进行空间与时间上的挖掘分析。运用全连接和LSTM两种神经网络方法混合的形式,与传统的单一模型方法相比,不仅能摆脱单一模型特征空间的局限性,还能提高预测的精度,具有更大的应用性和操作性。最后,以武汉市为例通过实验证明该混合模型较单一模型在空气污染物预测上具有更高的精度。

基于深度神经网络的可编程超表面智能波束形成

通过在超表面单元上加载二极管等有源器件,可编程超表面可实现对电磁波的实时灵活调控。通常利用全波仿真软件计算可编程超表面的辐射场,但该方法需要消耗大量的时间,因而降低了设计效率。为了实现准确高效求解给定编码序列计算辐射场,该文首先设计了辐射场自动测试系统,利用该测试系统实测了少量的编码和辐射场数据,其后提出了一个正向深度神经网络,基于实测的数据训练该神经网络,最终实现了给定编码准确高效预测辐射场。对于给定辐射场求解编码的逆问题,该文提出了一个逆向深度神经网络。基于正向网络生成的数据训练所提出的逆向网络,最终实现了给定辐射场实时准确求解编码。该文所提出的方法为雷达波束形成提供了一种新可选方案,在雷达智能波束形成、微波成像等领域有一定的应用价值。

一种基于CNN的航拍输电线路图像分类方法

输电线路场景的复杂程度较高,经典卷积神经网络对输电线路场景数据集的分类效果较差。为了解决这一问题,利用卷积神经网络的优势,提出了一种基于VGG-19的优化网络结构,并将此优化网络应用在输电线路场景数据集的分类中,优化网络的分类准确度为95.1%。实验结果表明本文提出的优化网络相较于经典的卷积神经网络有更好的分类效果。

高噪声环境下的生成对抗网络人机语音增强技术

在复杂环境下,传统的语音增强技术存在泛化能力弱、性能表现不足等缺点。近年来,生成对抗网络技术在语音信号处理领域有着重大突破。通过改进传统的生成对抗网络模型,提出了基于深度完全卷积生成对抗网络的高噪声环境下人机语音增强方法。该方法将语音信号语谱图作为生成器输入,判别器根据纯净语音信号指导生成器生成高质量的语音信号,滤除噪声信号。实验表明,通过语谱图和客观质量评分评估,可以发现所提方法可以明显改善语音质量,减少语音失真,增强系统的鲁棒性。

基于深度学习的米波雷达低仰角估计方法

米波雷达在探测低空目标时存在严重的多径效应,直达波和反射波相当于距离较近的两个强相干点源,目标回波信号协方差矩阵存在噪声子空间与信号子空间相互渗透的问题,经典的超分辨物理算法仰角估计精度会急剧变差。为解决上述问题,文中基于米波雷达经典镜像多径反射模型,利用深度神经网络和全连接网络构造了一个深度学习网络用于低仰角目标波达方向(DOA)估计,将子空间相互渗透的原始协方差矩阵数据实部、虚部及相位特征作为深度学习网络输入,利用智能学习方法解决了多径反射条件下DOA估计问题。相比于基于子空间分解或信号拟合类的超分辨估计方法,文中所提方法仰角估计精度更高且计算量更小。仿真实验验证了新方法的优越性和有效性。

基于密集注意力网络的视网膜血管图像分割

视网膜血管的结构信息对眼科疾病的诊断具有重要的指导意义,对视网膜血管图像进行高效正确的分割成为临床的迫切需求。传统的人工分割方法耗时较长且易受个人主观因素的影响,分割质量不高。为此,提出一种基于密集注意力网络的图像自动分割算法。将编码器-解码器全卷积神经网络的基础结构与密集连接网络相结合,以充分提取每一层的特征,在网络的解码器端引入注意力门模块,对不必要的特征进行抑制,提高视网膜血管图像的分割精度。在DRIVE和STARE眼底图像数据集上的实验结果表明,与其他基于深度学习的算法相比,该算法的敏感性、特异性、准确率和AUC值均较高,分割效果较好。

用于图像分类的模糊策略学习率ResNet

ResNet深度神经网络用于图像分类时,全连接层训练算法收敛性差降低了分类效果。针对此不足,提出一种模糊策略梯度算法训练ResNet。推导出ResNet全连接层权重的迭代公式,用历史梯度信息修正当前一阶小批量梯度,用模糊策略学习率更新权重,通过上下边界函数处理学习率的过大或过小而引发的迭代振荡,改善训练算法收敛性。在CINIC-10和CIFAR-100数据集上的实验结果表明,所提算法训练的ResNet分类效果优于相比较算法。特别是在综合性分类指标Kappa系数上,所提算法训练的ResNet较最新的AdaBound算法平均提高了9.29%,改进效果显著。

基于DropWeight算法在图像分类中的研究

针对卷积神经网络在采用Dropout算法随机选取神经元时,忽略神经元的作用能力有强有弱的局限性,提出一种DropWeight算法。首先在全连接层上,通过伯努利分布按一定概率来随机选择神经元是否激活,然后引入了一个神经元激活程度值变量。它是为未被激活的神经元们赋予较小的激活程度值,使得更新神经元的连接方式发生变化,来丰富网络的多样性和增强网络的鲁棒性。通过Mnist和Cifar-10两个标准数据集进行实验,与加入Dropout层进行比较,DropWeight层在所对应网络当中上都可找到一个最优的激活程度值,并可使图片分类的识别率分别提升0.18%和0.78%。结果表明,DropWeight层在一定程度上提高了网络的泛化能力,具有提高图片分类识别率的效果。

基于改进的区域全卷积神经网络和联合双边滤波的图像着色方法

为了解决传统的卷积神经网络着色方法带来语境混淆、边缘模糊和细节信息丢失度高等问题,设计了一个改进的基于密集神经网络的区域全卷积神经网络(R-FCN)和基于局部特征网络的双分支神经网络模型.通过DenseNet可准确提取信息,产生易于训练和高参数效率的密集模型,采用全连接的条件随机场优化分割结果来提高分割的准确率.验证阶段采用联合双边滤波对图像进行处理,弥补图像边缘模糊的缺点.实验结果表明:与现有着色方法相比,该方法有效地解决了细节丢失度高、颜色不饱和及边缘模糊的问题,能够产生更真实、更合理的彩色图像,取得了优异的效果.