带有特征信息卷积神经网络的人脸识别算法

图像分类中,卷积神经网络在人脸识别中取得了较大的进展。在卷积提取人脸图像特征信息操作时,当卷积核数目有限的情况下,可能提取到的特征值,如头发、纹理等,并不能很好的代表该人的主要特征,从而导致识别率降低,而增加卷积核数目又会导致识别时间增加。针对这一问题,提出了一种基于特征信息卷积神经网络的人脸识别方法。该方法在图像处理过程中,使用奇异值分解,选取前4个奇异值代表人脸的主要特征,快速滤除大部分无用的特征信息,形成新的图像特征模板库。利用卷积网络在提高网络感受野的同时不丢失特征图信息的优势,融合最具有代表性的特征信息,最大程度地捕捉图像信息。采用卷积神经网络模型和基于奇异值分解的特征融合的结构模型实现人脸识别,仿真实验结果表明,这种方法减少了算法的训练时间,提高了人脸识别的准确性。

基于CNN-LSTM-LOF的过程故障预测模型

在现代工业过程中,故障预测可以及时预测设备的潜在故障,减少事故的发生以及降低经济损失,因此故障预测对于过程系统至关重要。由于过程系统的复杂性以及运行数据集分布不均,使用正常数据集离线预测运行状态的方法没有较好的泛用性,且不太准确。针对以上问题,将卷积神经网络(CNN)与长短期记忆网络(LSTM)相结合,用于提取设备运行数据的特征,在线预测之后的运行状态;随后将预测结果送入在离线状态下训练好的局部异常因子(LOF)模型中,计算预测出时间序列的异常值;最后将异常值与离线状态下训练出的故障阈值进行比较,大于阈值则认为存在潜在故障。将模型用于田纳西-伊斯曼(TE)时间序列进行验证,并与传统的故障预测方法进行比较,实验结果表明:本文所提模型对于多故障以及单故障预测相比传统故障预测方法均具有更好的效果,可以提前1个采样窗口检测到数据异常,有应用于工业故障预测的潜力。

基于毫米波雷达的三维特征自适应融合人体动作识别算法

目前基于毫米波雷达的人体动作识别方法存在人体动作特征利用不足导致识别精度低,与多维特征融合方式简单导致模型参数量增加的问题。针对以上问题,提出了一种基于毫米波雷达的三维特征自适应融合人体动作识别方法。首先,对雷达回波信号进行时频分析以获取人体动作距离、多普勒与角度特征,并在时域上拼接构建三维特征数据集。然后,设计了一种带有特征自适应融合器的三分支卷积神经网络,实现对三维特征数据集的高维抽象特征提取与多维特征的自适应融合。最后,通过活动分类器得到人体动作检测结果。实验结果表明,所提方法的人体动作识别平均准确率可达到96.41%,受试者工作特征曲线下面积(Area Under the Curve,AUC)值可达到0.984,优于单维特征识别方法与多种三维特征融合方法。

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long and Short-Term Memory,LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。

飞行器翼型表面流场数据智能分区

飞行器翼型CFD仿真结果后处理分析自动化程度的提升能有效地提升产品设计效率,因此提出了一种翼型表面流场数据智能化分区方法,可有效得到翼型表面流场分区结果。首先,通过参数化批量修改气动外形得到翼型数据集,再利用数值模拟生成流场计算结果;然后,基于共形几何对流场数据进行降维并进行重采样和矩阵化,将其作为预测模型的标准输入;随后,构建卷积神经网络模型对流场数据进行训练和预测;最后,通过逆映射将分区结果重采样到翼型表面。实验表明,该方法可针对不同的物理量高效地对翼型表面流场数据进行分区,在测试数据集上的准确率在92%以上。

基于生成对抗网络的视网膜血管分割算法

为了解决现有方法在分割眼底图像时产生假阳性血管和丢失微血管的问题,提出一个适用于视网膜血管分割的生成对抗网络。网络的生成器使用U-Net结构分割生成高质量的假图像,判别器使用全连接的卷积神经网络提高辨别能力。在数据集DRIVE和STARE上进行实验,实验结果表明,该分割算法准确率和敏感性提升较为明显,比原U-Net算法分别提高2.84%和1.44%、5.89%和7.96%,比原OR-GAN算法分别提高1.91%和1.08%、4.94%和6.88%,对视网膜血管的分割也比其他现有方法有更优秀的性能。

基于云平台的旋转机械轴承监测系统设计

针对旋转机械监测中无法随时随地查看其运行状态,监测产生的数据量逐渐加大,以及故障特征提取困难的问题,以轴承作为关键部件,提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据;然后利用窄带物联网完成数据远程传输,并将其存储到云端数据库中;在云平台利用相关时域频域分析对轴承状态进行监测,并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断;然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好,系统能够良好地运行。

基于多维特征神经网络集成的有源干扰识别算法

针对在强噪声环境下雷达有源干扰识别准确率不高的问题,提出一种基于功率谱密度、频谱瞬时包络与时频图特征神经网络集成的干扰识别算法。首先从理论推导和方法实现两个角度论述了神经网络集成的基本原理;然后阐述了特征获取方法、网络结构和采用Stacking策略进行网络生成与集成的过程,分析了有源干扰识别的训练、测试结果;最后将该方法与基于时频图的AlexNet检测器、基于功率谱密度序列的LSTM检测器、基于特征融合的双通道检测器进行比较,仿真结果表明,在干噪比(JNR)大于-6 dB时,所提算法对6种有源干扰识别准确概率达到99%以上,具有很好的检测性能。

基于小波分析的PSO-MBCNN的风电齿轮箱故障诊断

对于风机齿轮箱故障较难发现、传统算法计算负担大的问题,提出一种基于小波时频分析的粒子群优化多分支卷积神经网络(PSO-MBCNN)的预测方法。首先,将正常、点蚀、断齿、磨损状态的齿轮在故障模拟实验平台进行模拟实验,获得这四种运行状态的振动数据;然后,利用小波时频转换,将一维数据转化为图像数据。提出一种多分支模块,以降低卷积神经网络对参数的敏感性,减小CNN的运算负担,再用改进的粒子群优化算法(PSO)优化多分支卷积神经网络内部的权值和偏差,通过实验结果表明该故障诊断方法的平均准确率超过99%。

基于程序结构与语义特征融合的软件缺陷预测

随着软件系统的规模越来越庞大,如何快速高效地预测软件中的程序缺陷成为一个研究热点。最近的研究引入了深度学习模型,使用神经网络提取代码特征构建分类器进行缺陷预测。针对现有的神经网络只在单层面、单粒度上提取代码特征,导致特征不够丰富,造成预测精度不高的问题,提出了一种基于特征融合的软件缺陷预测框架。通过将程序解析为抽象语法树(abstract syntax tree,AST)以及Token序列两种不同的程序表示方式,利用树卷积神经网络以及文本卷积神经网络分别提取代码的结构和语义特征进行特征融合,从而提取到更丰富的代码特征用于缺陷预测。同时改进了AST和Token序列提取方法,降低模型复杂度。选择使用公共存储库PROMISE中的公开数据集作为实验数据集,采用softmax分类器预测得到最终的预测结果。实验结果表明,该框架在实验数据集上可以获得比已有方法更高的F1-score。

基于融合FPN和Faster R-CNN的行人检测算法

针对多尺度行人检测的问题,本文提出一种基于融合特征金字塔网络(Feature pyramidnetworks,FPN)和Faster R-CNN(Faster region convolutional neural network)的行人检测算法。首先,对FPN和区域建议网络(Region proposal networks,RPN)进行融合;然后,对FPN和Fast R-CNN进行融合;最后,在Caltech数据集、KITTI数据集和ETC数据集上分别对融合FPN和Faster R-CNN的行人检测算法进行训练和测试。该算法在Caltech数据集、KITTI数据集和ETC数据集上的mAP(meanAverage Precision)分别达到69.72%,69.76%和89.74%。与Faster R-CNN相比,该算法不仅提高了行人检测精度,而且在多尺度行人检测的问题上也获得了较为满意的检测效果。

4种深度学习图像分类算法在人工智能硅藻检验中的比较

目的选择深度学习图像分类算法中复杂性和准确性较为平衡的4种算法进行硅藻的自动识别,探究最适用于硅藻识别的分类算法,为法医学自动化硅藻检验研究提供数据参考。方法建立真实水中尸体肺组织消化液涂片的“硅藻”“背景”小样本量数据集(20000张),用于4种算法(VGG16、ResNet50、InceptionV3和Inception-ResNet-V2)模型的训练、验证和测试。绘制受试者工作特征曲线、混淆矩阵并计算召回率、查准率、特异性、准确率及F1分数,对各模型性能进行系统性评估。结果InceptionV3的硅藻识别性能明显优于其他3种算法,具有更为均衡的硅藻查全(89.80%)与查准(92.58%)性能;VGG16和Inception-ResNet-V2的硅藻识别性能相当,虽无法做到硅藻查全与查准的性能均衡,但其识别能力尚可接受;ResNet50的硅藻识别性能最低,其召回率仅为55.35%。在特征提取上,4种模型均提取到了硅藻和背景的特征,且都以硅藻区域为主要识别依据。结论包含Inception结构的模型,在硅藻特征提取方面具有更强的指向性和靶向性。其中,InceptionV3算法能够更为准确、靶向地提取到硅藻特征,具有最优的硅藻识别性能,更适合应用于日常法医学硅藻检验。

基于通用对抗扰动的图像验证码保护方法

卷积神经网络的发展使得图像验证码已经不再安全。基于卷积神经网络中存在的通用对抗扰动,提出了一种图像验证码的保护方法。提出了一种快速生成通用对抗扰动的算法,将方向相似的对抗扰动向量进行叠加以加快生成通用对抗扰动的速度。基于此算法设计了图像验证码的保护方案,将通用对抗扰动加入到验证码的图像中使其无法被卷积神经网络模型识别。在ImageNet数据集上进行的仿真实验结果表明,该方案比现有工作Deep-CAPTCHA具有更低的破解率,能有效保护图像验证码不被主流的卷积神经网络模型破解。

样本仿真结合迁移学习的声呐图像水雷检测

水雷检测对于国防安全具有重要意义,然而,由于水下目标声呐成像实验代价较大,通常难以获得足够的水雷声呐图像样本,因此导致难以应用深度神经网络提高水雷等目标的检测精度。针对这一问题,提出样本仿真结合迁移学习的侧扫声呐图像水雷目标检测与识别方法。首先,根据侧扫声呐成像机理,建立水雷目标的仿真模型,进而仿真得到大量水雷目标样本;然后,采用大型广源域数据集ImageNet对深度卷积神经网络进行预训练,再用真实水雷样本和仿真水雷样本对深度卷积神经网络进行微调以适应水雷目标;最后,将微调后的深度卷积神经网络作为目标检测的基准网络,并进行目标检测训练;采用真实的水下水雷声呐图像数据对训练完成的网络进行验证和比较。实验结果表明,提出的基于样本仿真和迁移学习的侧扫声呐图像水雷目标检测方法能够更好地检测水雷目标,优于传统的特征提取及检测方法及只采用真实样本进行训练的检测方法,对于水下目标检测具有借鉴意义。

基于双向GRU和PCNN的人物关系抽取

目前基于深度学习的人物关系抽取方法中大都使用单一的CNN或RNN模型,CNN擅长提取局部的最重要特征,但是不适合处理序列输入,而RNN虽然在任意长度的序列化任务中具有很大的优势,但是对局部的重要特征提取不够充分,针对以上问题,提出一种基于双向GRU和PCNN的人物关系抽取方法。将双向GRU模型与PCNN模型的优点结合起来,同时在模型中加入注意力机制。利用远程监督的方法构建训练语料进行实验验证,结果表明,该方法相较于单一的双向GRU模型、PCNN模型具有更好的效果。

分析式纹理合成技术及其在深度学习的应用

当前国际主流的非参数和参数法分析式纹理生成技术,对于计算机视觉领域的图像纹理合成具有一定的借鉴意义。在概括总结与比较分析式纹理生成技术原理、框架结构、应用发展趋势及其优缺点的基础上,分析了基于graph cut模型的非参数法、基于P&S模型的参数法两种典型的纹理生成技术以及广泛应用于图像处理领域的深度学习新技术—卷积神经网络(CNN)的结构与原理,进一步讨论了以基于CNN的Caffe网络框架及在2014年Imag Net图像分类和目标识别大赛上取得优异成绩的VGG模型为基础的分析式纹理生成模型VGG-19的工作原理及其在人脑视觉分析研究方面的应用。分析结果表明:相对于普通参数法和基于CNN网络模型的参数法,非参数法具有更快的处理速度,可生成更高视觉质量与更多种类的目标纹理图;参数法适合作为纹理合成领域的分析研究工具;卷积神经网络应用到参数法中,可大幅缩短特征量设计与参数调整周期并提高合成效果,进一步提升了参数法作为理论分析和应用实现工具的价值。

一种考虑时空关联的深度学习短时交通流预测方法

空间关联特性的关联因素过于复杂且难以量化等问题导致短时交通流预测过于依赖时间关联特性。针对这一问题,提出一种考虑时空关联的深度学习短时交通流预测方法。首先,通过构建同时考虑距离、车流流量相似性和车流速度相似性的空间关联性度量函数,量化目标路段与周边关联道路间的空间关联性。然后,构建内嵌长短时记忆神经元的卷积神经网络模型,利用长短时记忆神经元提取数据间的时间关联性,利用空间关联性度量值及交通数据的卷积传输提取数据间的空间关联性,以实现同时考虑时空关联性的交通流预测。实验结果表明,提出的方法能适应工作日和周末等不同交通流特性条件下的短时预测,且与经典方法相比,预测精度更优,在工作日和周末的预测偏差分别为10.45%和12.35%。

深度学习在高能物理领域中的应用

深度学习是一类通过多层信息抽象来学习复杂数据内在表示关系的机器学习算法。近年来,深度学习算法在物体识别和定位、语音识别等人工智能领域,取得了飞跃性进展。文章将首先介绍深度学习算法的基本原理及其在高能物理计算中应用的主要动机。然后结合实例综述卷积神经网络、递归神经网络和对抗生成网络等深度学习算法模型的应用。最后,文章将介绍深度学习与现有高能物理计算环境结合的现状、问题及一些思考。

正立和倒立面孔的混合识别

目的改变正立和倒立面孔只是一种简单倒置关系的观点,研究基于视觉神经整体和局部信息流的正立和倒立面孔混合识别。方法模拟视觉信息流在视通路中的传递和处理过程,首先构建底层神经网络,建立敏感纹理特征以及对称卷积核的机制,实现正立和倒立面孔图像的去除冗余和预处理;接着提出一种基于局部区域提取的池化神经网络层的概念,构建多局部特征融合的网络结构,实现局部信息的压缩提取和融合;最后根据高级视觉皮层中左右半脑协作的特点,提出一种融合整体和局部信息的预测函数。结果以AT&T数据库为例,本文方法在经典卷积神经网络模型上增加了多局部特征融合的网络结构,识别准确率从98%提高到100%,表明局部信息能够提高对正立面孔识别的能力;同时采用合适的训练数据集,调节融合时整体与局部信息的关系比,结合使用合适模型训练方式,该模型对正立和倒立面孔的识别率分别为100%和93%,表明对正立和倒立面孔识别具有良好的特性。结论本文方法说明了整体和局部特征的两条视觉通路虽然分别在正立和倒立面孔识别上起了决定性的作用,但它们并不是孤立存在的,两条通路所刻画的面孔信息应该是一种互补式的关系。不仅为面孔识别提供一种新思路,而且将有助于对视觉神经机制的进一步理解。