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复杂网络加密流量识别

通信中的流量识别工作将直接影响网络管理整体效率。针对复杂网络中的加密流量识别问题,结合网络流量与文本结构相似性,提出一种基于卷积神经网络的优化识别模型。综合考虑数据包的多样性,对原始网络数据进行预处理,以保证算法输入数据结构的一致性。同时,算法增加卷积操作,以提高模型特征提取效率。仿真结果表明,提出的卷积神经网络模型在复杂网络环境中,加密流量的服务识别与应用识别都有较高准确率。     

基于卷积神经网络的人脸检测算法研究

近年来,随着深度学习的迅猛发展,人脸检测算法准确度已有很大提升。模型越复杂,检测速度越慢,设计一种准确度与速度兼顾的人脸检测模型尤为必要。基于FaceBoxes人脸检测算法框架,提出一种基于深层卷积主干网络的改进方法,并在人脸检测基准数据集中进行测试实验。其在FDDB数据集上的实验结果显示,检测正确率达95%,比传统方法提高1.67%。该算法在保证实时性的同时提升了检测准确率,可应用于追求更高准确率的人脸检测系统。     

改进卷积神经网络算法在水面漂浮垃圾检测中的应用

针对传统目标检测算法在检测水面漂浮垃圾时易受外界复杂环境影响而难以实现的问题,提出了一种基于改进卷积神经网络的水面漂浮垃圾检测算法。运用数据增强技术改善训练过程中因样本不足而导致的过拟合问题,并利用迁移学习的方法训练出水面漂浮垃圾目标检测模型。结果表明,与传统的ViBe背景建模算法相比,所提算法能对水面漂浮垃圾进行分类,并标记出垃圾位置,对垃圾的检测准确率高达93%,能完全克服水波、波光等外界干扰。     

基于改进卷积神经网络的交通标志识别分类方法

交通标志识别系统是智能交通系统与先进辅助驾驶系统的重要组成部分,由于道路交通较为复杂,提高交通检测与识别算法的准确率和实时性是走向实际应用进程中需要解决的关键问题。文章提出一种基于参数优化的卷积神经网络方法,在对选用的数据集进行预处理操作基础上,适当调整CNN的规模、结构,使用网格法对相关参数进行协同优化,再使用改进的CNN模型在CTSDB数据集上进行训练和验证。结果表明：优化后的模型性能和稳健性均显著提高,且能够有效地完成交通标志的识别、分类任务。     

基于卷积神经网络的输电线路绝缘子缺陷检测

为精准识别绝缘子缺陷,引进卷积神经网络,设计针对输电线路中绝缘子缺陷的检测方法。引进区域建议网络概念,在有效目标区域内检索关键信息,确定图像中绝缘子所在位置的候选区域,使用计算机辅助绘图工具,分割该区域中的信息,提取信息中的有效信息,完成输电线路绝缘子图像采集与预处理;引进卷积神经网络,在Image Net中训练预处理图像,建立损失度函数,识别绝缘子缺陷特征;引进Sobel算子,在检测空间内布置若干个3×3的水平模板,沿垂直方向移动水平模板,实现对绝缘子破损的检测与定位。设计对比实验,实验结果证明：该方法可以在精准识别绝缘子弧环破损故障的同时,提高绝缘子缺陷故障检测结果的准确率。     

基于卷积神经网络的模式分类器

研究了使用卷积神经网络((Convolutional Neural Networks,CNNS)构造模式分类器,并用于文本/图像分割和文本检测的可能性.CNNs可以避免显式(直接)特征取样.更为重要的是,CNNs能直接运作于灰度图像,使其应用变得直截了当.对诸如卷积核尺度、网络收敛速度等具体算法实现问题进行了讨论,并给出CNNs在汉字文本/图像分割和文本检测方面的各种实验结果.     

基于卷积神经网络的光学遥感图像目标检测

针对光学遥感图像中的目标检测问题,提出了1种基于卷积神经网络模型的算法,对遥感目标检测任务进行端到端的训练和检测,根据输入的光学遥感图像,直接输出目标包围盒的回归结果和置信度。为训练和测试模型,建立了1个包含1万多个飞机、舰船目标以及广泛复杂背景的数据集。所提算法在其测试集上达到了超过90%的准确率和召回率,在GPU上的运行速度也接近实时,体现了算法准确、高效、鲁棒和易于训练的特点。     

基于卷积神经网络的电气设备故障诊断研究

电气设备在工业生产中具有重要作用。由于长期运行和环境因素的影响,电气设备难免会出现故障,因此,快速准确地进行电气设备故障诊断尤为重要。文章通过总结探讨将卷积神经网络应用于电气设备故障诊断的技术原理、关键操作流程、故障诊断程序及应用难点后认为,可通过优化网络结构、改进数据预处理方法、模型迁移应用以及与其他故障诊断方法融合,来提高电气设备故障诊断的效率和准确性。     

基于卷积神经网络的故障诊断模型振动信号处理方法比较

针对利用卷积神经网络(convolutional neural networks, CNN)对滚动轴承进行故障诊断时可采用的振动信号处理方法较多的情况,设计了基于CNN的振动信号处理方法对比实验,采用不同的振动信号处理方法对滚动轴承在不同工况下的采样数据进行处理,再将动信号输入CNN故障诊断模型进行训练及测试,根据测试精度比较处理方法对故障诊断精度的影响。采用CNN中的AlexNet作为实验模型,选择模型中的最后3个全连接层,以达到快速训练的目的。对比不同信号处理方法对应的检测准确率可知,基于小波变换的滚动轴承故障诊断模型的检测准确率最高。     

基于HOG与卷积神经网络的人脸识别研究

为了获取更加全面的整体与局部人脸特征,得到更高的人脸识别率,提出一种基于方向梯度直方图（HOG）特征与卷积神经网络的人脸识别新方法。该方法首先提取人脸图像的HOG特征,然后将HOG特征图像作为卷积网络的输入数据进行训练,改进网络结构,在全连接层之后采用Softmax loss和center loss两个损失函数进行监督,最后在训练得到的网络模型上对人脸图像进行识别操作。实验结果表明,该方法在ORL人脸集上的识别率达到97.5%,相比于其它人脸识别算法具有一定优越性。     

基于卷积神经网络的野外烟雾检测研究

野外烟雾具有稀疏性,在整幅图像中所占面积小,扩散缓慢。传统烟雾检测算法由人工提取的特征不一定是最合适的烟雾特征,从而导致烟雾检测存在错检或误检。为此,设计了基于卷积神经网络的野外烟雾检测算法。通过改进的VGG16网络以及搭建的卷积神经网络conv-10进行烟雾检测。VGG16过滤器尺寸大小为3×3,步长为1。conv-10通过对LeNet增加相应的层数进行烟雾检测。实验证明,conv-10网络具有较高的准确率,达到94.7%,时间仅需要1 656s。改进的VGG16网络准确率也较高,但是比conv-10网络速度慢,时间需要10 450s。     

基于卷积神经网络的农作物图像识别方法研究

为了使计算机视觉技术更好地应用于农业自动化领域,本文采用两种识别方法:一种是使用卷积神经网络算法对图像直接进行识别分类;另一种是先对图像进行预处理及分割,然后提取图像的颜色、纹理、形状和内在低维流形特征等特征参数,使用BP神经网络和Elman神经网络算法对提取的特征参数进行识别。通过对两种图像识别方法识别结果的比较,发...     

改进的深度卷积神经网络对T波分类的应用

针对心电信号T波分类问题和深度卷积神经网络(deep convolutional neural networks,DCNN)出现的过拟合问题,提出了一种改进的深度神经网络算法,通过引入Dropout概念优化网络训练过程,提高算法的泛化能力。就分类准确率、训练次数、卷积核、算法的泛化能力4个方面进行实验对比,结果表明:在分类准确率方面,所提算法的标注结果与专家人工的标注结果接近,且标注重复率均可达98.9%以上;在训练次数方面,可有效减少训练次数,且测试集识别率可达99.31%;选择合适的卷积核个数,最终的测试集识别率可达99.31%。所提算法与BP神经网络、循环神经网络(recurrent neural network, RNN)、DCNN这3种方法相比较,可有效降低DCNN的过拟合问题,提高算法的泛化能力。     

基于卷积神经网络的人脸识别研究

传统的人脸识别多采用浅层结构提取人脸特征,这类方法提取人脸图像能力有限,效果相对较差。针对上述缺陷,提出基于卷积神经网络的高效识别人脸方法。该方法所设计的模型,结合了VGGNet模型的层次结构优势并融合跨层次结构的上采样特征,大大提高了人脸识别的准确性及识别精度。该模型在Caffe下训练出样本集后在MATLAB上得到了验证。     

基于可变形卷积神经网络的图像分类研究

卷积神经网络（Convolutional Neural Networks,CNNs）具有强大的特征自学习与抽象表达能力,在图像分类领域有着广泛应用。但是,各模块较为固定的几何结构完全限制了卷积神经网络对空间变换的建模,难以避免地受到数据空间多样性的影响。在卷积网络中引入自学习的空间变换结构,或是引入可变形的卷积,使卷积核形状可以发生变化,以适应不同的输入特征图,丰富了卷积网络的空间表达能力。对现有卷积神经网络进行了改进,结果表明其在公共图像库和自建图像库上都表现出了更好的分类效果。     

基于双流卷积神经网络的时序动作定位

为提高三维卷积神经网络对时序动作定位的识别效率和准确率,提出一种基于双流卷积神经网络的多阶段时序动作定位模型。该模型首先运用多尺度分割生成视频段,然后依次通过建议网络选择建议区域、分类网络作为定位网络的初始化,最后通过定位网络和非极大值抑制识别动作类别和动作起止时间。其中,建议网络、分类网络、定位网络使用稀疏采样的时序分割网络进行训练。实验证明,该模型可以有效进行时序动作定位,比目前较好的 S-CNN 网络获得了更好效果。     

基于三维全卷积神经网络的高光谱图像分类

三维空间滤波能够同时利用光谱和空间信息提取图像中的光谱和空间特征,提高高光谱图像(hyperspectral image,HSI)的分类性能.本文提出了一种用于HSI分类的三维全卷积神经网络(3D Fully convolutional neural network,3D-FCNN)框架.该框架能够在不需要任何数据预处理及后处理的情况下有效地提取高光谱特征,实现对地物类型的分类.在Indian Pines高光谱数据集上进行的实验表明,与支持向量机、浅层神经网络及其他卷积神经网络算法相比,所提出的框架在总体分类能够有效提高高光谱图像的分类精度.     

基于卷积神经网络的商品图像识别系统设计

随着在线购物、自助结算等新零售商业模式的发展,运营终端对商品智能识别和结算的需求越来越高.人工智能在突破硬件限制以后得到突破性发展,其所用的卷积神经网络技术能很好地支撑商品图像识别应用.对卷积神经网络的系统架构和模型进行改进,尤其是对耗时较长的训练学习模型进行优化设计.经实际测试:该设计能有效提高商品图像识别系统计算的速度和识别准确性,满足社会在智能化商务运营中高效结算的业务需求.     

基于卷积神经网络的恶意代码API分类

恶意代码已经成为威胁网络安全的重要因素之一,安全人员一直致力于研究如何有效检测恶意代码,在动态分析方法中可以通过程序的API调用序列进行分析。通过对恶意软件的API调用序列进行编码处理,可以获得图片格式的数据,进而使用卷积神经网络训练出分类模型,从而实现对恶意软件进行分类,获得较高的准确率,针对阿里云天池上的数据集进行实验验证,实验使用有向图编码方式,采用不同的卷积神经网络架构,对比不同方法的准确性。