基于多尺度深度卷积网络的高光谱图像分类

高光谱遥感数据越来越普及并为人们广泛使用,基于高光谱数据的地面物体精确分类是高光谱遥感技术的核心应用之一。随着深度学习的发展,卷积神经网络在图像分类上表现效果优异。针对高光谱图像光谱维度高、特征丰富的特点,应用添加多尺度滤波器的深度卷积网络进行图像的像元精细分类。实验证明,结合多尺度滤波器的深度卷积网络模型可以得到更好的分类效果。     

采用改进全卷积网络的“高分一号”影像居民地提取

针对现有的高分辨率遥感图像居民地信息提取精度和效率不够高的问题，提出了一种基于改进全卷积网络的“高分一号”（GF-1）遥感影像居民地提取方法。首先，通过专业的目视解译制备大量居民地训练样本；然后，将预训练过的深度卷积神经网络进行全卷积网络的改造，并以具有多尺度卷积核的Inception模块代替由全连接层改造的卷积层，达到减小网络模型参数量、增加特征表达能力的目的；最后，用制作好的高分辨率遥感图像居民地数据集进行训练和验证，生成可直接进行居民地信息提取的全卷积网络。实验结果表明，基于改进全卷积网络的方法可以实现精确有效的居民地信息提取，Kappa系数超过94%。     

采用深度卷积神经网络方法的毫米波图像目标检测

通过收集大量的毫米波图像并建立相应的人体数据集进行检测，提出基于Faster R-CNN深度学习的方法检测隐藏于人体上的危险物品。该方法将区域建议网络和VGG19训练卷积神经网络模型相结合，构建了面向毫米波图像目标检测的深度卷积神经网络。为了提高毫米波图像的处理能力，采用Caffe深度学习框架在图形处理单元上进行训练和测试。实验结果证明了基于Faster R-CNN深度卷积神经网络的目标检测方法能有效检测毫米波图像中的危险物品，并且目标检测的平均准确率约94%，检测速度约为6 frame/s，对毫米波安检系统的智能化发展有着极其重要的参考价值。     

一种结合空谱聚类的高光谱图像快速压缩算法

对高光谱图像进行快速压缩已经成为了高光谱遥感领域的研究热点。针对现有的高光谱图像数据量大和压缩所需运算量大的问题，提出了一种基于频段聚类+主成分分析(PCA)与空间分类相结合的高光谱图像快速压缩算法。首先利用最大相关度频段聚类算法(MCBC)将频段聚类，接着将每一类频段用PCA压缩，然后将压缩后的图像利用聚类信号子空间投影(CSSP)算法进行图像分类，最后在每一类内利用LBG(Linde Buzo Gray)算法通过矢量量化快速完成高光谱图像的编码。在不同的压缩比下进行实验，结果表明提出的高光谱图像压缩算法能在保证良好的图像恢复质量的前提下，大幅度降低运算复杂度，实现高光谱图像的快速压缩。     

基于主成分分析-神经网络法的农村信贷用户信用评级研究

采用某农村信用社的516家贷款用户,基于主成分分析-神经网络法构建个人信用分类评估模型。该模型首先应用主成分分析法对初始指标进行降维,然后将简化后的训练样本送入BP神经网络进行学习和训练,进而对检验样本的风险级别进行判别。     

改进的YOLO模型及其在舰船目标识别中的应用

针对传统目标识别方法资源消耗大、精度和可靠性低、泛化能力不强的问题,提出了一种基于改进YOLO（You Only Look Once）模型的舰船目标识别方法。通过精简YOLO模型,设计了一个10层的卷积神经网络用于舰船目标的自动特征提取和分类识别,模型训练过程中引入迁移学习的概念防止模型过拟合并加速模型参数的训练。在自建舰船目标图像测试集上的实验分析结果表明,该方法能够正确识别出航母、除航母外的其余军舰及民船三类舰船目标,识别精度达到93.7%且识别效率较高,验证了所提舰船目标识别方法的有效性。     

一种基于微波雷达回波信号的车型分类方法

车辆类型识别方法是智能交通系统的关键技术之一。利用深度学习的高维特征泛化学习能力，将改进的LeNet-5卷积神经网络用于基于交通微波雷达的大小车型分类识别。首先，以雷达触发前的N帧信号为基础，对雷达的回波信号进行分析并构建数据集；然后，分析LeNet-5卷积神经网络的特点；最后提出一种改进的LeNet-5卷积神经网络。实验结果表明，与传统的支持向量机方法相比，所提方法能够智能学习大小车的雷达时频信号特征，大小车型识别准确率达到97%以上，可为交通场景下的车型识别研究提供新的技术途径。     

基于变分贝叶斯ICA的遥感图像混合像元分析

混合像元已成为遥感图像处理、分类的难点和重点。独立分量分析(ICA)能够实现图像的去 相关性以及得到相互独立的分量,但是,由于ICA模型的各成分独立性和数据统计分布规律 的不变假设,影响了遥感图像分类精度。针对这一问题,提出了基于变分贝叶斯ICA(VBICA) 的遥感 图像分析方法,并利用遥感图像进行验证,结果表明：VBICA方法提取的独立分量具有均方 根误差小、迭代次数少和稳定性较好的特点;基于VBICA方法的遥感分类精度达到了9155% ,且目视效果较好;VBICA方法突破了ICA的局限性,提高了遥感图像自动分类精度,具有很 好的应用前景。     

一种基于神经网络的模拟电路故障诊断方法

提出了一种基于模拟电路故障诊断的神经网络方法。这种方法利用小波分解、数据标准化、主成分分析对输入数据进行预处理,采用k个神经元输出的前馈神经网络结构进行有效训练。该方法检测和识别故障准确率高,系统的鲁棒性和稳定性强。     

基于改进AlexNet卷积神经网络的人脸表情识别

为了解决传统卷积神经网络用于人脸表情识别准确率不高的问题，提出了一种基于改进深度AlexNet卷积神经网络的表情识别方法。该方法基于AlexNet网络的基本结构，采用单图形处理单元（Graphics Processing Unit，GPU）进行训练，减少了两层卷积层和一层全连接层，在每层卷积层后加上批标准化（Batch Normalization，BN）代替原来的局部归一化，并在全连接层后加上Dropout正则化进一步防止过拟合。与AlexNet模型相比，改进的网络结构更简单、复杂度低、参数量少，可以节省大量模型训练时间进行快速预测，且更不易过拟合，同时加快了模型收敛速度，提高了网络泛化能力。在Fer2013数据集以及CK+数据集上进行实验，结果表明，所提方法分别得到了68.85%和97.46%的识别率，较其他人脸表情识别方法的识别率有一定提高。     

一种优化的卷积神经网络调制识别算法

针对非合作接收条件下信号的调制识别问题,提出了一种基于循环谱特征和深度卷积神经网络的自动调制分类算法。该算法首先利用二值化、形态学操作等技术对循环谱数据集预处理,提高网络泛化能力;然后将数据集输入到卷积神经网络模型中,经过网络的特征提取实现分类识别。在网络中添加残差块网络增大感受野,提高特征提取能力。采用Dropout、优化函数等技术优化网络结构,防止训练过拟合。仿真结果表示,与传统方法和现有的一些深度学习调制识别方法相比,该算法在低信噪比条件下有更高的准确率,具有明显的抗噪声优势,是一个有效的调制识别算法。     

结合胶囊网络和卷积神经网络的目标识别模型

通过改进动态路由和压缩函数的方式对Hinton等的胶囊网络模型进行改进。运用了加强数据集的方法,增加了数据集的大小,在一定程度上避免了过拟合现象的发生。通过实验表明,改进后的胶囊网络模型在结构上有了简化,在效率上比未改进的模型有了明显的提高。在改进的胶囊网络模型基础上,提出了将改进后的胶囊网络与卷积神经网络相结合的网络模型。该模型训练准确率达到97.56%,模型评估准确率达88%。     

一种基于近红外光谱的常用塑料分类方法

塑料制品以其质轻、美观实用等特点广泛应用在日常生活及各行各业中,其大量使用给环境造成了严重污染,消除污染最积极的办法是对其进行回收再利用,但常用塑料的种类繁多,不同塑料制品的成分及可塑性不同,进行回收利用的价值也不同,只有对塑料进行分类收集处理,才能提高回收利用率.本文基于近红外光谱法提出了一种塑料分类的新方法.该方法选择测定了60个样本的近红外光谱数据,引入支持向量机算法对其进行训练预测:选用40个样本作为训练集,建立模型;20个作为预测集,优化模型;利用该模型对采集的未知样本进行分类预测,得到较高的准确率.新方法对快速处理废旧塑料具有积极的作用.     

基于KPCA和类峰值特征的模拟电路诊断方法

针对传统的核主成分分析方法（KPCA）无法解决在故障样本交叠严重时多分类性能较 差的问题,提出一种基于改进KPCA的特征提取和类峰值特征辅助识别分类相结合的模拟电路 故障诊断方法。在预处理阶段,提出了一种图像混合欧氏距离用于建立核函数,进行核主成 分分析特征提取,克服了传统KPCA的局限性;并且设计了一种用类峰值特征识别的方法进行辅 助识别预分类,提高分类速度。标准电路的故障诊断仿真和结果分析表明,该方法较好地 克服了交叠样本给分类带来的困难,具有很好的故障识别速度和正确率。     

结合多源特征与高斯过程模型的SAR图像目标识别

针对合成孔径雷达（Synthetic Aperture Radar，SAR）图像目标识别问题，提出结合多源特征和高斯过程模型的方法。分别利用主成分分析（Principal Component Analysis，PCA）、非负矩阵分解（Non-negative Matrix Factorization，NMF）以及单演信号提取SAR图像的特征矢量，并将它们串接为单一矢量。三类特征从不同角度描述SAR图像目标特性，从而为目标识别提供更为有效的信息。决策分类过程采用高斯过程模型进行多元分类，基于融合特征矢量获得概率意义上的最佳决策。实验中，采用MSTAR数据集设置3类目标、10类目标、型号差异以及俯仰角差异识别问题，结果验证了提出方法的优越性能。     

基于PCA-SVM组合模型的股票价格预测

股票市场是个非稳定的时间序列,本文将支持向量机与主成分分析(PCA-SVM)结合对股票进行回归预测分析,以奥特迅(002227)为对象进行建模和预测研究。选取奥特迅90天的股票技术指标历史数据作为训练样本对收盘价进行预测,10天数据进行检验,并通过图像拟合来验证神经网络股票预测的可行性和准确性。     

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

基于主成分分析法的区域经济资源位建模讨论

<正>一、使用主成分分析法计算各个区域的资源位本文的目的是建立经济系统的神经网络模型,因此需要实验数据对神经网络进行训练。这些数据是通过使用主成分分析法计算各个区域的资源位数据获得的。本文采用主成分分析法度量区域系统的资源位,资源位是系统经济学中提出的一个非常重要的概念,即在广义资源位空间中,能够被经济系统实际和潜在利用、占据或适应的部分称     

分离通道联合卷积神经网络的自动调制识别

针对通信信号的自动调制识别需要大量特征提取的问题,提出了一种分离通道卷积神经网络自动调制识别算法。该算法通过结合深度学习中卷积神经网络(CNN),分别提取时域信号的多通道和分离通道调制特征,再利用融合特征实现不同信号的分类。仿真结果表明,相比基于CNN的算法,所提算法在高信噪比下针对两个数据集的识别率分别提升7%和18%;此外,相比于基于特征提取的传统识别算法,其高阶调制识别性能平均提升3 dB。     

采用航迹特征的智能机型识别

针对空战目标识别中机型自动识别比较困难的问题，提出了采用航迹特征的智能目标识别方法。利用卷积神经网络（Convolutional Neural Network，CNN）分层学习特征的能力，训练CNN算法模型自动地从航迹数据中学习有用的特征并分类。利用沿海实地采集的15个类别的飞机航迹数据，经一系列数据预处理后作为智能识别算法的训练和测试数据，在验证实验中描述了算法网络的相关配置,对比了CNN与其他分类器的识别结果。实验结果表明，CNN具有很好的识别性能。