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,...     

基于卷积神经网络的人脸表情识别研究

随着人机交互技术和机器学习技术的发展,人脸表情识别技术逐渐成为研究热点。针对传统人脸表情识别算法鲁棒性差、表情特征提取能力不足的问题,提出一种改进的基于卷积神经网络的人脸表情识别算法。首先对人脸图像进行预处理,检测并分割出人脸关键点的部分图像,然后输入到包含卷积神经网络通道和卷积稀疏自编码(CSAE)预训练通道的双通道模型中。其中卷积神经网络通道部分使用了批量正则化(Batch Normalization)和ReLU激活函数,加快了模型训练速度,解决了梯度消失问题,同时增加了模型的非线性表达能力。通过引入Dropout技术,解决了网络的过拟合问题。在另一个通道,对输入的人脸表情图像增加了卷积稀疏自编码进行无监督预处理。实验结果表明,该算法在JAFFE、CK+人脸表情数据集上均获得了较好的识别效果。     

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.     

卷积神经网络在手写字符识别中的应用

随着人工智能的发展,计算机对于输入的手写字符识别需求越来越大,采用改进的卷积神经网络对手写字符进行识别分类。用VGGNet16模型构造卷积神经网络模型,每一层都加上批标准化,通过平均值池化对卷积层进行下采样,利用PRELU激活函数代替ReLU激活函数,最后通过Softmax分类器对手写字符图像进行分类。在MNIST手写数字数据集和EMNIST-bymerge手写字母及数字数据集下进行实验,改进的卷积神经网络模型在MNIST数据集中识别准确率提升到99.65%,在EMNIST数据集中识别准确率为90.37%。因此,改进模型识别准确率较高,适用于手写字符识别。     

基于时域卷积与双向GRU神经网络的时序预测模型

随着物联网技术和5G技术的发展,各类智能设备收集的时序数据规模急剧增长,为了利用深度学习技术对大规模时序数据进行预测,提出一种基于深度神经网络的时序预测模型。该模型首先利用时域卷积神经网络层对时序数据进行预处理,然后利用双向GRU神经网络层提取时序数据的前向特征和后向特征,最后对时序数据进行预测。在真实数据集上的实验结果表明,该模型相比传统长短期记忆网络模型,预测准确度提高了近70%,预测速度提高了近10%,可更好地满足对大规模时序数据的预测需求。     

基于卷积神经网络的商品图像分类研究

卷积神经网络是深度学习的一种高效识别方法,将卷积神经网络引入商品图像识别中,能够提高识别精度。卷积神经网络可以直接输入原始图像,以避免对图像进行复杂的预处理工作。首先介绍了卷积神经网络的各层作用,然后设计了多种基于卷积神经网络识别商品图像的模型,从多方面测试了卷积神经网络的分类性能。为提高训练速度,卷积层的激活函数采用线性修正函数(Rectified Linear Units,ReLU)。为确保模型的判别性,对下采样层的特征图进行局部对比度归一化,所设计的网络模型在实验中均达到90%以上的平均分类正确率。     

基于CNN与Bi-LSTM的唇语识别研究

针对唇语识别过程中唇部特征提取和时序关系存在的问题,提出一种卷积神经网络（CNN）和双向长短时记忆网络（Bi-LSTM）相结合的深度学习模型。利用CNN学习唇部特征,并将学习到的唇部特征送入Bi-LSTM进行时序编码,通过Softmax进行分类。建立NUMBER DATASET和PHRACE DATASET两个大型汉语数据集以解决汉语唇语数据缺失问题。将该模型与传统的唇语识别方法在两个数据集上进行实验对比,发现在NUMBER DATASET上识别准确率为81.3%,比传统方法提高了8.1%,在PHRACE DATASET上识别准确率为83.5%,比传统方法提高了9%。实验结果表明该模型能有效提高唇语识别的准确率。     

面向手写汉字识别的残差深度可分离卷积算法

卷积神经网络(CNN)在脱机手写汉字识别领域取得了杰出的研究成果。采用更深层卷积神经网络可取得更高识别准确率,但是模型容量和计算复杂度也会增加,将模型部署到存储资源和计算力有限的移动设备上变得更加困难。为解决上述问题,提出一种基于深度可分离卷积的残差卷积神经网络。深度可分离卷积将标准卷积操作分离成特征提取和特征融合,逐深度卷积被用于特征提取,特征融合采用逐点卷积实现。使用深度可分离卷积改进残差网络,实现较深层的残差网络。模型使用联合的中心损失函数和softmax损失函数进行监督训练,可使模型学习具有判别性特征,提高了模型识别准确率。采用CASIA-HWDB数据集进行实验,结果表明该方法具有较低的模型容量和计算复杂度,能够达到96.50%的主流识别率。     

适用于智能工业监测的光学元件缺陷识别技术

为提高光学元件缺陷检测的效率和准确率,提出了一种基于偏振成像与卷积神经网络算法相结合的光学元件缺陷检测方法。通过分焦平面偏振相机与暗场成像方法相结合,降低高光现象对成像质量的影响,实现了结构紧凑、实时测量、成像质量高的光学元件成像光路;同时引入LeNet-5卷积神经网络进行光学元件缺陷识别,通过采用线性修正单元、多尺度卷积和卷积通道拓展等优化方法,减小网络过拟合、提高网络缺陷识别能力。经试验对比,改进型LeNet-5识别算法不需要对偏振图像进行预处理,对光学元件缺陷的识别准确率可达96.7%,并且运行速度和内存占用相比SqueezeNet网络模型存在明显优势。     

基于卷积神经网络的网络故障诊断模型

对于网络运行过程中产生的海量日志信息,传统故障诊断方法很难进行实时而全面的日志分析。针对该问题,提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的网络故障诊断模型,利用Skip-gram模型进行词向量训练,并将词向量作为卷积神经网络输入,最终通过Softmax回归进行分类。实验结果表明,该模型可以有效处理网络故障诊断任务,且优于传统机器学习方法,对于网络运行日志的故障诊断准确率可达73.2%以上。     

双层CNN三维刚性与非刚性模型相似性分析

三维模型相似性分析是计算机视觉中的重点问题,如何构建其形状特征和对比函数是难点。随着深度学习出现,通过神经网络自动提取模型特征成为研究热点。构建了双层CNN网络,首先利用热核特征函数分别构建带有颜色的刚性和非刚性训练集与测试集,其次将数据集通过双层CNN网络进行模型训练,第一层实现类别初步判定,第二层实现同一模型刚性与非刚性形变区分。为了提高分类准确度,对初步分类错误的模型引入阈值判定,将其直接排除。通过实验分析,双层CNN网络刚性与非刚性的判别准确率达到99%。实验证明,该方法在模型相似性分析上是鲁棒的,且提取的特征不受人工干扰。     

一种基于 Inception 结构的神经网络协同过滤推荐算法

在商品推荐领域,商品评论信息往往难以得到有效利用。为了充分利用商品评论信息,提高商品推荐系统精度,对 NCF 神经网络协同过滤模型进行改进,将 NCF 模型与 Inception 结构的卷积神经网络相结合,提出基于 Inception 结构的神经网络协同过滤方法（NCF-i 模型）,将商品评论信息融入模型进行预测和推荐。首先基于 Inception 结构的卷积神经网络对商品评论信息进行分析并提取多元特征模型,然后将多元特征模型添加到 NCF 模型中,通过多层全连接层获取用户、商品及商品评论之间的非线性关系,最后基于此非线性关系对商品进行预测和推荐。通过基于真实数据集的实验证明,应用 NCF-i 模型的推荐算法,推荐系统的预测精度和稳定性均优于当前常用的推荐模型。     

CNN结合BLSTM的短文本情感倾向性分析

情感分析在业界被广泛应用于产品分析、商品推荐等方面,具有很高的商业价值。目前常用的研究方法主要基于机器学习算法和基于词典的方法,该类方法通常需依赖复杂的人工规则和特征工程。针对传统情感分类方法需要人工干预的问题,总结目前已有可用于情感分析的深度学习方法,提出将卷积神经网络（CNN）和双向长短时记忆网络（BLSTM）进行组合,并将融合后的特征添加至注意力机制,设计出CBLSTM-Attention模型。实验表明,该模型在中文数据集上准确率达0.965 0,在NLPCC英文数据集上准确率达0.942 2,证明该方法不仅可提高文本情感倾向性分析的准确率,而且可有效解决人工干预问题。     

结合Inception模块的卷积神经网络图像分类方法

针对现有卷积神经网络模型参数量大、训练时间长的问题,提出了一种结合VGG模型和Inception模块特点的网络模型。该模型通过结合两种经典模型的特点,增加网络模型的宽度和深度,使用较小的卷积核和较多的非线性激活,在减少参数量的同时增加了网络特征提取能力,同时利用全局平均池化层替代全连接层,避免全连接层参数过多容易导致的过拟合问题。在MNIST和CIFAR-10数据集上的实验结果表明,该方法在MNIST数据集上的准确率达到了99.76%,在CIFAR-10数据集上的准确率相比传统卷积神经网络模型提高了6%左右。     

引入双循环机制深度学习模型的文本情感分析

深度神经网络模型通常使用注意力机制或融合卷积神经网络来提取特征,但由于注意力机制抓取的特征过于单一,存在提取特征不完善的问题。 将循环机制引入卷积神经网络中,构建了具有双循环结构的网络模型(DRCNN),从而改善模型的特征提取能力,将其与双向长短期记忆网络结合,提出一种带有注意力机制、特征提取能力更强的混合模型(BiLSTM-DRCNN)并应用于情感分类任务中。通过情感分类的实验分析表明,BiLSTM-DRCNN 神经网络模型具有比较好的性能,与融合卷积神经网络(CNN)和双循环长短期记忆神经网络(BiLSTM)模型相比,综合评价指标提高2%以上;与BiLSTM-CNN、Fusion Model 模型相比,综合评价指标提高了近1%,且收敛速度更快。     

基于特征匹配与 CNN 的浮动验证码识别研究

为有效识别浮动验证码,提出一种基于特征匹配与卷积神经网络的识别方法。首先使用特征匹配的方法得到匹配特征点,结合交叉匹配算法与 K 近邻匹配算法滤除错误匹配;然后对特征点进行聚类及投票分析,得到待识别字符区域,将其分割得到单个字符;最后在 mnist 手写数字数据集的基础上加入英文字符,构建卷积神经网络模型,将数据集送入模型进行训练。对 10 000 张浮动验证码进行测试,结果表明,该方法对浮动验证码的识别准确率达 95%,且构建的训练集具有可扩展性,可进一步应用到其它类型的字符识别中。     

基于ESB的面向构件的开发模式研究

软件构件的出现提高了软件生产的效率,同时做为SOA的核心技术的ESB提供了综合、灵活而且一致的集成方法。本文在这两种技术的基础上,提出了一种基于ESB的构件开发模式。利用该开发模式,可以快速高效地建立柔性、健壮性、鲁棒性较好的服务构件,并使构件的装配和部署进一步简化,从装配和部署角度提高软件开发的整体速度。该开发模式对各行业领域的软件和构件开发都具有实际的参考价值。