深度神经网络的快速学习算法

通过分析传统的多层感知器和反向传播算法的不足,设计了一个全新的网络结构SC-MLP和提出了与之对应的全新的学习算法NBP,主要是实现权值的模和固定,这样可以加速训练的速度.在高维数据分类的实证分析中,以手写数字数据库为例,构建了一个深度神经网络,并对比各种训练算法.实验表明,NBP学习算法对于深度神经网络具有良好的学习效果,明显优于传统的反向传播算法,并且在精度上与深度学习算法相当,但是速度快.     

基于稀疏堆叠降噪自编码器-深层神经网络的语音DOA估计算法

针对传统波达方位(DOA)估计算法在低信噪比下定位误差大的问题,提出基于稀疏堆叠降噪自编码器-深层神经网络的语音DOA估计算法.该算法将阵列协方差矩阵上三角阵作为DOA估计特征输入到稀疏堆叠降噪自编码器进行预训练,采取迁移学习策略将训练得到的最优权重作为深度神经网络的初始权重,提高网络的抗噪性、泛化性和收敛速度.仿真与...     

基于深度学习的指关节纹识别算法实验研究

针对传统机器学习算法特征提取烦琐且普遍存在特征单一、识别准确率低的问题,采用能够自行提取图像特征的卷积神经网络模型,对指关节纹识别分类的任务进行实验研究.首先对指关节纹图像进行预处理;其次,设计并搭建了一个9层卷积神经网络模型,对网络模型进行编译、训练后,发现网络的过拟合现象严重,并针对过拟合,提出了优化网络结构方案,...     

深度学习算法应用于岩石图像处理的可行性研究

近年来,机器学习领域中的“深度学习”开始受到国内外学者的广泛关注。借助深度学习,具有多处理层结构的计算机模型可通过多层抽象来学习数据表征。这些方法推动了语音识别、视觉识别、目标检测以及许多其它领域的技术发展。深度学习被应用到计算机视觉、语音识别、自然语言处理、在线广告等领域,并取得了良好效果。将计算机技术与地质勘探相结合,在岩石处理方面已取得了不少成果,不断有新的或者改进方法用于提高处理效率和改善效果,以更好地投入到实际生产中去。针对目前传统的岩石薄片图像处理方法,试图将深度学习中典型的两类算法模型：深度信念网络（Deep Belief Networks,DBNs）、卷积神经网络（Convolutional Neural Networks,CNNs）引入到岩石图像的处理中,分析算法在操作中的可行性及优势。     

基于自调节深度信念网络的入侵检测算法

针对网络攻击类型多,高维网络数据提取困难及入侵检测算法需具备较高自调节能力的问题,从能量变换寻优与集成算法的角度,提出了一种基于自调节深度信念网络的入侵检测算法,并采用国际通用入侵检测数据集进行检测效果验证.结果表明,与当前主流的入侵检测算法相比,该算法能够提高入侵检测的准确率,具有全局性与稳定性.     

改进深度置信网络在城市用水量预测中的应用

城市用水量的准确预测可以为供水管网智能调度、异常报警提供支持,便于及时发现漏损、排查及检修,具有极大的现实意义与经济利益。针对现有用水量预测方法忽视用水量数据自身特征及不能模拟更复杂的数学运算的问题,提出一种改进深度置信网络（DBN）的用水量预测方法。对有高斯分布的连续受限玻尔兹曼机（CRBM）引入稀疏正则项,解决特征同质化现象的同时也适用于用水量数据输入。实验结果表明,在实际用水量预测中,改进DBN模型相比传统神经网络和传统DBN预测模型,预测准确率得到了较大的提高。     

基于深度学习模型与稀疏表示的绝缘子状态分类

在输电线路中绝缘子的状态直接影响整个输电系统的可靠性,然而复杂背景和不同光照条件下对于绝缘子的状态检测十分困难。如今计算机视觉辅助方法已被广泛应用于电力系统中。提出一种基于深度学习模型与稀疏表示进行绝缘子状态分类的方法,对于待检测的绝缘子图像,通过Faster-RCNN定位后,采用深度残差网络（ResNet）提取图像特征,最后利用稀疏表示进行绝缘子状态分类。该方法与传统方法相比,对于绝缘子的状态分类具有更高的准确率,准确率可达98.67%。     

深度学习模型与成对分类相结合的人脸识别新算法

针对深度学习人脸识别系统样本数据中存在干扰时会腐化分类边界,导致识别率下降,提出了一种改进的深度学习模型,将成对分类概念引入到深度学习中,提升人脸识别系统对于噪声、腐化、变化的鲁棒性。采用深度信念网络模型,将人脸图像送入深度学习模型中逐层训练网络,在参数微调阶段采用改进的成对BP神经网络进行参数优化,在输出层与前一隐含层之间采用成对连接。在ORL、Extended Yale-B的实验结果表明,所提算法与传统的深度学习算法相比,构造的系统更稳定,算法识别率更高,系统在存在干扰的人脸图像中鲁棒性更强。     

基于深度学习的图像去噪研究

由于设备的不完善,图像在传输过程中会被噪声污染而失去原始图像的细节特征,为了使噪声图像变得清晰且其特征明显,本文提出一种基于深度学习的图像去噪方法,构建了基于卷积神经网络的图像去噪网络结构,并对卷积神经网络中的反向传播算法进行优化,从而加快模型的训练速度,有效地提高去噪效果。最后通过与经典算法实验的对比来进一步说明本研究取得了较好的去噪效果。     

基于深度学习的荔枝虫害识别方法

提出一种基于多特征融合的荔枝虫害识别方法,目的是利用计算机视觉技术对荔枝的田间害虫进行全天候、实时的监测.采用基于OpenCV的中值滤波法对害虫的颜色、纹理和轮廓进行特征提取,并根据皮尔逊相关系数剔除冗余特征,从而建立了害虫特征库.根据特征库中的大量样本,采用BP神经网络算法经多次迭代训练了害虫识别模型,通过对模型进行...     

基于深度学习的教师课堂提问分析方法研究

课堂提问是教师课堂教学行为的关键组成部分,是师生进行课堂交互的主要方式.对教师课堂提问进行分析,是提升教师课堂教学水平的关键.视频分析法是目前进行课堂提问分析的主要方法.但该方法需要花费大量的时间和人力,导致无法进行大规模应用.近几年,随着人工智能技术的不断成熟,越来越多的领域开始利用人工智能替代人工操作.为使课堂提问分析能够高效、大规模地应用,本研究提出基于深度学习的课堂提问自动分析方法.研究采用卷积神经网络(CNN)及长短时记忆网络(LSTM),对80节课的9090条课堂教师提问文本进行分类.实验结果表明,CNN模型具有更好的分类效果,其在提问内容和提问类型两个维度上的整体准确率分别是85.17％和87.84％.应用该方法训练的模型,可替代传统的视频分析法,能够实现大规模的教师课堂提问话语的自动分析.     

基于深度学习的高分辨率遥感图像海陆分割方法

将高分辨率遥感图像进行像素级海陆分割是遥感应用领域的一项基础性工作,对海岸线提取和海洋近岸目标检测具有重要意义,但传统阈值方法往往由于高分辨率遥感图像覆盖范围广、地物纹理复杂等特点而难以取得预期效果。为了提升高分辨率遥感影像海陆分割精度,改善传统阈值方法的不足,基于深度神经网络模型利用编码器—解码器架构,并在编码层中引入残差块,以更好地对特征图进行高级语义信息提取,通过解码层将编码层生成的特征图还原成与输入尺寸相同的特征图,最后通过Sigmoid层对图像进行像素级海陆分割。在高分辨率遥感图像数据集上的实验结果表明,该网络模型取得良好了分割效果,准确率和Kappa系数分别达到了94.3%和93.7%。与传统方法相比,海陆分割精确度得到了有效提升。     

深度学习中的图像多风格迁移算法

绘画风格的多样性为构建艺术形象提供了丰富的视觉信息.为解决风格迁移的色彩单一性和色彩溢出问题,提出一种基于深度学习的图像多风格融合算法.该算法利用预训练的VGG19Net提取网络各层特征,将内容图与多个风格图进行分离重组,构建了新的风格损失函数,并将多个风格特点融合,得到新的艺术风格图片.实验结果表明,多风格融合的新图...     

基于深度学习的教室快速头部检测算法

快速准确的定位是智能考场监测与课堂行为分析的基础。当前较为成熟的面部检测与人体检测方案易受到遮挡、大视角变化的影响,通过对已有的快速人脸检测算法RetinaFace进行迁移学习,并改进其特征金字塔中特征融合策略,提出了一种新的适用于教室场景下的快速头部检测算法。此外,对已有对数据集进行挑选,并自行收集数据,进行人工标注,组成新的教室场景下头部检测数据集。实验结果表明,该算法可以快速准确地定位教室场景下人员头部的位置,并能够在CPU进行快速推理。     

基于多层深度特征融合的中低分辨率车型识别研究

传统的车型识别需要消耗大量的人力资源和时间成本,无法及时有效地对复杂背景下中低分辨率车型进行精确识别.随着硬件设备的提升和新型分类理论的出现,针对这一情况提出了一种基于改进卷积神经网络的多层深度特征融合算法,利用卷积神经网络的特征学习,首先对低层特征进行学习,其次通过卷积运算将低层车型特征卷积到一定维度,最后利用特征融合策略对多个特征进行融合,提升车型识别的有效性.同时为了避免参数过多、模型复杂度上升出现过拟合现象,使用稀疏原理对模型进行优化分类.通过实验仿真,验证本文算法可以对中低分辨率车型进行精确识别,且对复杂背景及快速移动具有一定的抗干扰性.     

基于深度学习的声纹识别方法研究

提出基于深度学习以及改进的深度学习模型的声纹识别方法,通过改变GMM-UBM的阶数进行声纹识别实验,寻找到性价比最高的M值,并分别通过卷积神经网络(CNN)及递归神经网络(ESN)中的回声状态网络进行声纹识别的实验和测试。实验结果表明CNN及ESN能够进行有效的声纹识别,并且具有较高的识别准确率,其中基于ESN的声纹识别经验证能够满足当先声纹识别领域的需求,如果能够解决CNN参数设置难度,CNN则能够广泛投入使用。     

基于深度学习图像特征匹配的双目测距方法

针对现有双目视觉测距方法中存在的精度低、抗干扰能力弱、鲁棒性差等问题,提出一种基于深度学习图像特征匹配的双目深度测距方法.首先将双目图像通过一个自监督训练的特征提取网络,通过两个解码器获取双目图像的特征点与描述符,然后根据描述符进行特征点的匹配以获取视差,最后根据双目相机的相似三角形原理获取目标的真实深度.在KITTI...     

基于卷积神经网络的人脸识别算法

针对卷积神经网络(Convolutional Neural Network,CNN)在人脸图像识别中面对训练规模较大的图像集数据时收敛速度慢、效率低以及在复杂情况下识别率不高的问题,提出一种优化改进的CNN图像识别方法。该方法首先利用不含标签的图像训练一个稀疏自动编码器,得到符合数据集特性、有较好初始值的滤波器集合,然后对CNN的卷积核初始化赋值,从而大大提高其整体上使用BP算法进行训练的收敛速度,其次使用多类别SVM分类器(Multiclass Support Vector Machine)代替传统的Softmax分类器,对目标图像进行识别,在ORL和FERET等人脸图像库上的实验结果显示,所提算法与采用传统PCA+SVM算法及传统CNN算法相比,在人脸图像识别中有更好的识别效果。