卷积神经网络中的自适应加权池化

针对卷积神经网络池化过程中的空间信息丢失、对重要特征提取不准确等问题,提出自适应加权池化方法.根据池化窗口大小设置一组可训练的权重参数,将权重参数与每个池化窗口中排序后的特征值加权求和得到池化结果,在网络反向传播过程中通过梯度下降对权重参数进行迭代更新,得到最优权重参数.在Fashion-minist、Cifar10(...     

基于情感卷积与信息对称的突发公共事件谣言向度反转及弥合路径研究

[研究目的]为了探索突发公共事件谣言中信息对称、情感卷积与向度反转之间动态影响机制,以便有效地对突发公共事件谣言进行监控及治理。[研究方法]使用2015—2020年我国具有代表性的11起突发事件面板大数据,采用向量自回归、状态空间模型及线性规划对信息对称、情感卷积及向度反转之间关系及监管的弥合路径进行分析。[研究结论]研究发现：信息对称对向度反转产生负向脉冲扰动,情感卷积对向度反转产生正向脉冲扰动,信息对称及情感卷积的冲击效应均较大,且向度反转对两变量的脉冲响应均具有断尾效应;信息对称与情感卷积对向度反转的边际影响力均较大,且信息对称的边际影响大于情感卷积的边际影响;信息对称的弥合路径呈偏右的倒U型分布特征,情感卷积的弥合路径呈J型分布特征。根据研究结论,可制定有针对性的突发公共事件谣言信息对称、情感卷积及向度反转的监管措施及防控策略。     

基于卷积神经网络人脸识别系统的安全性研究

针对传统神经网络中的对抗样本问题,以人脸识别为例,讨论了基于传统神经网络的人脸识别技术的潜在安全风险,以及在口罩对抗样本生成并提供防御的方法。主要研究如下：第一,所提出的解决人脸识别技术安全问题的方法,产生了具有模糊和无偏差面具的图像,人脸识别模型将具有模糊面具的脸误判为目标人物。实验结果表明,对抗样本在一定程度上模仿了被隐藏者戴口罩的情形,成功率为90.43%。第二,提出DeFense-EC保护方法来掩盖虚假图案,并使用图像重建技术来恢复虚假图案和抑制噪声。对不同数据集的测试证实了DeFense-EC重建的图像质量很高,其可靠性达到92.32%。讨论传统的基于神经网络的人脸识别方法中的不利选择问题,并研究不利面具选择的风险和DeFense-EC保护方法的有效性。卷积网络的日益普及使逆向选择问题成为一个重要的研究领域,对逆向选择的彻底调查将促进卷积网络的发展和使用。     

同分布条件下局部次指数随机变量和的有界性

记s△为局部次指数分布族,F、G是s△中两个不同的局部次指数分布,Gn*表示的是G自身的n重卷积,在上述条件下,Asmussen(2003)介绍了Gn*(x+△)/F(x+△)的相关界.本文所研究的是把上式中Gn*换成Fn*,考虑在同分布条件下Fn*(x+△)/F(x+△)的相关界,其中Fn*是分布F自身的n重卷积.     

含Salagean算子的星形函数的子类

设A表示单位圆盘内形为f（z）=z＋∑k=2∞akz^k的解析函数类．利用Salagean算子,引进A的新子类H（n,λ）,研究H（n,λ）中函数的一些有趣的性质,这里n是非负整数,-1＜λ≤1     

纳斯卡地画：线条交织的谜团

从地球西半部美洲大陆最北端的阿拉斯加山脉到最南端的巴塔哥尼亚高原,在那4300万平方千米的土地上,到处都隐藏着光怪陆离的谜团,随处都提供着令人兴趣盎然的科学难题。纳斯卡荒原的地画就是这些难解疑题之一。     

开在记忆深处的花朵

<正>湿润的氧气在空中涌动,被来往的人群不经意间吸进肺里蜕变成二氧化碳,呼出,和雨水交织在一起依附着龌龊的玻璃。记忆如一头骏马奔跑在     

基于时域卷积盲信号分离的雷达干扰抑制算法

把卷积盲分离算法应用于雷达系统抗干扰中,提出一种新的雷达系统干扰抑制算法. 该算法在时域中对四阶累积量进行联合块对角化,以实现雷达信号和干扰信号的盲分离. 计算机仿真结果表明,在无噪及含噪情况下,该算法均可把卷积混合的雷达回波信号及干扰信号分离开来,且有很好的分离性能.     

基于深网图像识别模型的语音认证模式

目前,互联网身份认证普遍采用单一的固定密码认证模式,认证安全性非常低,因此迫切需要一种安全系数高又能普及的身份认证方式。声纹作为一种高活性生物特征,用于身份认证具有十分广阔的应用前景。基于深度学习（DL）的语音认证系统包含两个模型：声纹辨别（VI）模型和声纹文本匹配（VTM）模型,都基于卷积神经网络（CNN）。其中,VI模型是一个二分类模型,主要用于确认当前说话人是否为恶意（录音）攻击者;VTM模型是一个多分类模型,主要用来匹配用户预先设定的身份认证信息。通过实验,两个模型在ASVD数据集的识别率分别达到100%和98.3%,相比caffe-net模型,VTM模型的识别率提高了10.8个百分点。     

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。