基于改进SKNet-SVM的网络安全态势评估

为提高网络安全态势评估的准确率,增强稳定性与鲁棒性,提出一种基于改进选择性卷积核卷积神经网络和支持向量机的网络安全态势评估模型。首先,使用改进选择性卷积核代替传统卷积核进行特征提取,提高卷积神经网络感受野变化的自适应性,增强特征之间关联性。然后,将提取的特征输入到支持向量机中进行分类,并使用网格优化算法对支持向量机中的参数进行全局寻优。最后,根据网络攻击影响指标计算网络安全态势值。实验表明,基于改进选择性卷积核卷积神经网络和支持向量机的态势评估模型与传统的卷积神经网络搭建的态势评估模型相比,准确率更高,并且具有更强的稳定性和鲁棒性。

基于选择性卷积核CNN的声学温度场重构插值

锅炉温度反应了炉内燃烧情况。精准定位炉内高温区域,对提高燃烧效率,识别故障情况起到重要作用。传统声学温度场重构插值依赖于声波换能器的布置与径向基函数的选择,难以实现高分辨率温度场重构。为了解决该问题,本文设计基于选择性卷积核CNN的温度场重构插值网络(TRIN)对声学温度场重构中的插值问题进行优化,实现了对温度场的高精度插值。为了验证模型的有效性,在仿真温度场数据集和锅炉厂实测数据上开展实验,取得了良好的结果。

基于SKNet的增强型Pix2pixHD图像去雾方法

针对采用去雾算法处理后图片仍存在色彩失真、残雾遗留等问题,提出一种基于SKNet的增强型Pix2pixHD去雾方法,即在增强型Pix2pixHD网络的增强模块中引入SKNet网络,实现了不同尺度特征的选择和融合,提高了算法对图像特征的利用率。此外,在SKNet网络前添加可变形卷积,使得卷积核产生自由形变,以适应不规则的目标物体,增强了模型的可变换能力,达到了很好的去雾效果。较现有的去雾方法,文章提出的网络更好地利用了图像各个尺度的特征细节,提高了图像去雾的效果。

基于SASK和双分支结构的服装图像识别方法

服装图像具有明暗不一、尺度各异的特性,这使得已有识别方法表现不佳。为解决此问题,本文基于空间注意力选择核(space attention selective kernel, SASK)模块和双分支结构搭建神经网络模型对服装图像进行识别。首先,结合跳跃连接、稠密连接和多尺度、通道拆分的思想,设计双分支神经网络,充分提取服装对象的整体特征。其次,基于空间注意力机制,设计SASK模块,使网络可以更多地关注服装对象的形态特征信息,从而提升识别效果。实验结果表明,本文所提方法不但在典型服装数据集上能够取得优于现有主流方法的识别精度,而且在具有明暗不一、尺度各异特性的其他图像数据集上同样表现良好。

基于Epanechnikov核与最优窗宽组合的中期电力负荷概率密度预测方法

利用神经网络分位数回归获得预测当天在不同分位点上的电力负荷预测值,将Epanechnikov核函数与不同的最优窗宽选择方法相组合,得到中期电力负荷概率密度估计函数以及在所有分位点上连续的概率密度曲线图。此外,通过选取概率密度曲线峰值处的点预测值,比较不同窗宽组合方法。相对于传统高斯核密度估计方法的组合方式,Epanechnikov核函数的组合方式较优。最后将获得的最优方法与现有的预测方法进行对比,结果表明通过选取最优窗宽可以提高预测精度,更好地反映中期电力负荷的波动性。

基于改进Faster-RCNN的绝缘子检测算法

为了提高高压输电线路巡检效率,提出改进Faster-RCNN的绝缘子检测算法。首先,在特征提取网络中添加具有注意力机制动态选择机制网络(SKNet),从而使网络着重学习与绝缘子特征相关通道;其次,借助滤波器响应归一化(FRN)层替代原批归一化(BN)层,以避免模型陷入梯度饱和区域;最后,使用距离交并比(DIoU)代替原交并比(IoU)方法,以精确表达特征候选区域框位置。对开源航拍绝缘子数据集进行平移、旋转、Cutout和CutMix等操作来进行增强,将数据集扩充到3000张并从中随机选择2500张作为训练集,其余500张作为测试集。相较于原Faster-RCNN算法,所提算法平均准确率提高了3.46个百分点,平均召回率提高了2.76个百分点。实验结果表明:所提算法具有较高检测精度和稳定性,可满足电力巡线绝缘子检测应用场景需求。

基于选择性搜索和卷积神经网络的人脸检测

针对复杂背景下存在的光照变化及多姿态的人脸检测问题,提出一种基于Gabor优化的卷积神经网络与选择性搜索策略相结合的算法进行人脸检测。首先采用选择性搜索策略检测出图像中可能存在人脸的目标候选窗口,将候选窗口中的图像子块作为训练好的改进卷积神经网络的输入,经过一系列卷积和池化操作后,提取窗口图像的特征信息并进行分类,确认候选窗口中是否包含人脸。算法在LFW人脸数据库上取得了较高的检测率及检测速度。实验结果表明,融合Gabor特征的卷积神经网络用于人脸检测时可避免传统手工提取特征造成的不确定性,具有更好的泛化能力及鲁棒性。

SKASNet:用于语义分割的轻量级卷积神经网络

多数语义分割模型中的每个卷积层仅采用单一大小的感受野,不利于模型提取多尺度特征。为此,使用选择核卷积构建一个新的残差模块SKAS,通过调节感受野的大小获得多尺度信息。同时,提出一种逐层分组卷积并构建轻量级网络结构SKASNet,在连续的SKAS模块中分别使用不同的分组数,从而以相对平滑的方式降低网络参数量并增强不同分组之间的信息交流。在Cityscapes数据集上的实验结果表明,该网络模型仅有1.7 M的参数量,分割精度达到68.5%,与SegNet、ICNet和PSPNet等模型相比,其能够在大幅降低网络参数量的同时取得良好的分割效果。

基于小波核支持度变换的图像融合改进方法

为更有效地提取图像的显著特征,提高多聚焦图像融合的性能,针对高斯核不完备基的缺点,其生成的滤波器不能有效提取图像显著特征,利用小波核近似正交和信号局部分析的优点,构造支持度变换,经过支持度分解后的低频信息使用PCNN的融合规则,高频信息使用绝对值最大选取的规则进行图像融合,实验数据和理论分析表明:该方法有效地改进了图像的显著特征,与高斯核构造的支持度变换图像融合方法相比,信息熵等评价指标结果均有提高,并且视觉效果有所改进。

基于HardSoftmax的并行选择核注意力

注意力被广泛地运用在卷积神经网络中,并有效地提升了卷积神经网络的性能。同时,注意力是非常轻量的,且几乎不需要改变卷积神经网络原来的架构。提出了基于HardSoftmax的并行选择核注意力。针对Softmax包含指数运算,对于较大的正输入很容易发生计算溢出的问题,提出了计算更安全的HardSoftmax来替换Softmax。不同于选择核注意力将全局特征的提取和转换放在特征融合之后,并行选择核注意力将全局特征的提取和转换单独放在一个分支,与具有不同核大小的多个分支构成并行结构。同时,并行选择核注意力的全局特征转换使用分组卷积,进一步减少参数量和计算量。并行选择核注意力通过HardSoftmax注意来关注不同核大小的多个分支。一系列的图像分类实验表明,只是简单地用HardSoftmax替换Softmax,也能保持或提升原注意力的性能。HardSoftmax的运行速度在实验中也比Softmax更快速。并行选择核注意力能够以更少的参数量和计算量追平或超越选择核注意力。

PSO-RBF应用于航空和卫星遥感影像的纹理分类

粒子群优化算法(PSO)是基于群体智能的新型进化计算技术,将核函数参数选取问题转换为优化问题,用PSO来进行处理,并将PSO与RBF联合(PSO-RBF)应用于航空和卫星遥感影像的纹理分类,实验结果验证了此方法的有效性。