一种基于R3D网络的人体行为识别算法

现有的行为识别算法不能充分地提取抽象的行为特征，为此提出了基于三维残差卷积神经网络（3D Residual Convolutional Neural Network，R3D）的人体行为识别算法。该网络在三维卷积神经网络（3D Convolutional Neural Network，3D-CNN）基础上加入了残差模块，可以更好地提取时空域的特征，然后通过改变步长大小进行特征图降维，提高网络效率，并加入批量归一化层和Softplus激活函数，提高网络的收敛速度和拟合能力；之后添加Dropout层，降低过拟合风险，并且使用全局平均池化层(Global Average Pooling，GAP)代替全连接层，克服了网络参数量过大的问题；最后，使用Softmax进行分类。实验结果表明，使用R3D网络在HMDB-51数据集上获得了62.3%的识别率。     

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。     

一种基于视觉感知的舰船目标智能化识别方法

为有效识别视觉系统采集的可见光图像中的舰船目标，提出了基于YOLO（You Only Look Once）网络模型改进的10层的卷积神经网络（Convolutional Neural Network,CNN）用于水面舰船目标的智能识别，通过反卷积的方法可视化CNN中不同卷积层提取到的舰船目标特征。按照传统目标识别方法提取了舰船目标的四类典型人工设计特征，将所提CNN的舰船目标识别结果与YOLO网络模型及四类人工设计特征结合支持向量机用于舰船目标识别的结果进行比较。实验结果表明，与YOLO网络模型相比，综合精确率、召回率和效率3个舰船目标识别的性能指标，改进后的CNN性能更好，从而验证了所提方法的有效性。不同数据量下采用典型特征识别舰船目标与基于深度CNN识别舰船目标的识别结果比较说明了不同类型目标识别算法的优劣势，有利于推动综合性视觉感知框架的构建。     

一种基于3D-BN-VGG网络的行为识别算法

针对当前人体行为识别准确率低、计算量大等缺陷，提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network，3D-CNN）结合批量归一化（Batch Normalization，BN）及改进的视觉几何组(Visual Geometry Group,VGG)网络的行为识别算法。该算法首先对3D-CNN结构进行优化，在三维空间采用了多个小卷积核卷积层堆叠的Block结构；同时在网络结构中引入BN算法，将卷积层输出的特征图每一维进行独立的批量归一化处理；之后在Block结构中增加了Dropout层以提高网络泛化能力以及将3D-CNN网络层数加深到了13层，提高了高层次抽象特征的提取能力；最终使用softmax进行分类得出结果。实验结果表明所设计的3D-BN-VGG网络在行为识别方面有较高的识别率。     

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。     

一种改进的CNN端到端自编码器通信系统

针对现有端到端神经网络通信系统的泛化能力改进及自编码器优化等问题，提出了一种基于卷积神经网络（Convolutional Neural Network，CNN）的端到端通信系统改进方案。该方案在自编码器结构中引入一维卷积层（Conv1D），通过对参数的重新设计，优化了网络性能。发送端采用多层Conv1D对输入序列进行特征提取，通过训练获得发送信号的最佳调制和编码方案；接收端同样采用多层Conv1D，来恢复受到噪声污染的符号。仿真实验表明，在不同输入比特长度及编码速率条件下，所提系统表现出了良好的泛化能力。并且，在加性高斯白噪声信道和瑞利衰落信道下，训练模型的误码性能与传统的调制方式性能相吻合，验证了系统方案的可行性和有效性。此外，对于数字传输常见的突发信道，所提方案具有良好的适应性，可获得1 dB左右误码性能的改善。     

基于ResNet的大型智能表面在毫米波系统中的应用

大型智能表面（Large Intelligent Surface,LIS）协助毫米波通信已经成为一种提高覆盖率和吞吐量的极具潜力的技术。为了设计LIS系统的反射波束,通常需要获取完美的级联信道状态信息。然而,由于LIS具有高维级联信道和大量无源反射元件,估计其级联信道状态信息一直是LIS的挑战之一。针对上述问题,提出一种基于残差神经网络（Residual Neural Network,ResNet）的LIS反射波束设计解决方案。该方案采用有源（连接LIS控制器的基带）和无源元件混合的LIS框架,只需要估计少量有源元件的信道状态信息便可以借助ResNet训练的网络模型预测最佳发射波束。与现有方法相比,所提出的ResNet网络可以减少训练开销,提升可实现速率,表现出更强的鲁棒性。     

一种改进的基于3D-BN-GRU网络的行为识别算法

行为识别是计算机视觉研究一大热点，为了改善其计算量大、识别率低的问题，提出了一种基于三维卷积神经网络(3Dimension Convolutionnal Neural Network，3D-CNN)与门控循环单元网络(Gated Recurrent Unit，GRU)相融合的行为识别算法。该算法采用keras框架，首先对3D-CNN结构进行优化，采用把大的卷积核用若干个小的串联起来的Block结构；然后在每层卷积层后采用批量归一化处理，并添加Dropout层以提高网络泛化能力；最后与GRU网络融合，使用Softmax进行分类得出结果。实验结果表明，所设计的融合网络有较高的识别率，达到94.5%。     

一种基于CNN与LSTM结合的微表情识别算法

微表情表现强度微弱且非常短暂。针对微表情识别效果不理想的问题，以视觉几何组（Visual Geometry Group，VGG）网络为基础，提出卷积神经网络（Convolutionnal Neural Network，CNN）与长短期记忆网络（Long Short-Term Memory，LSTM）结合的识别算法。CNN提取数据集CASME II的空域特征，LSTM处理时域特征，实现空域与时域特征的结合。针对深度学习训练困难以及过拟合问题，加入批量归一化算法与丢弃法，提高网络训练速度，有效防止过拟合。针对数据集稀缺的问题，固定每次读取帧序列的长度，随机生成起始帧的位置，不断循环读取以遍历整个数据集并达到数据扩增。根据实验结果，五类微表情(高兴、惊讶、厌恶、抑郁、其他)识别率最高可达72.3%。     

基于累积和的改进超宽带循环平稳检测算法

针对超宽带循环平稳检测存在的门限难以设定、低信噪比下检测延迟较大的问题，提出了基于累积和的改进超宽带循环平稳检测算法。首先将信号整个三维循环谱归一化为二维灰度图，与噪声对应的灰度图比较差异，再将两类图像放入卷积神经网络（Convolutional Neural Network,CNN）自行训练提取特征，解决门限难以确定的问题。若分析三维循环谱的时间块长过短，将导致信号灰度图特征在有无噪声情况下区别不大；若块长过长会导致检测延迟较大。为此，采用累积和算法提取网络全连接层输出的信号概率作为累积和的观测统计量，自适应检测所需采样时间长度。将所提算法与传统循环平稳检测以及结合了CNN的循环平稳检测进行对比，仿真表明所提算法在低信噪比下性能最优。     

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。     

一种基于星座图恢复的多进制相位调制信号识别算法

在实际调制过程中,无线电波传输多径及衰落引起的符号间干扰和信号接收端的载波频偏会造成星座图难以识别。针对这一问题,提出了一种基于星座图恢复和卷积神经网络的多进制相位调制信号识别算法。首先,设定相邻采样点距离和相位角的阈值以筛除发生符号间干扰时的采样点,保留剩余的有效采样点并形成聚类组;然后,通过旋转相邻聚类组抵消载波频偏带来的影响,实现星座图的恢复;最后,利用卷积神经网络对星座图进行特征自动提取和调制识别。实验结果表明,对于实测信号,所提算法能够较好地恢复星座图并实现BPSK、QPSK和8PSK的准确识别。最终的识别准确率达到了99.9%,较星座图恢复前提高了24.2%。     

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。     

基于角度距离损失与小尺度核网络的表情识别

针对人脸表情类内差异大、类间相似度高导致识别率低的问题，提出了一种基于角度距离损失与小尺度核网络的表情识别方法。网络基于3×3卷积核，在网络中加入融合空间金字塔注意力的点积残差块，引入Dropblock正则化，并提出了低层特征掩膜化。该模型低层特征具备高层特征的语义信息，而且参数量较少，结构简单有效。训练时，使用提出的基于角度距离损失函数监督神经网络学习，提高了网络的类间特征分离和类内特征聚类的特征判别能力。实验结果表明，该方法在CK+和FER2013数据集上识别准确率分别达到了97.88%和72.81%，具有较强竞争力。此外，消融实验表明所提出的改进方法可提高表情识别率，进一步验证了其有效性。     

一种超宽带与惯导融合的LSTM室内定位算法

针对复杂环境下的室内高精度定位需求,提出了一种超宽带和惯导融合定位方案。结合位置估计过程可被划分为时间序列预测问题的特点,提出了一种基于长短时记忆(Long Short Term Memory,LSTM) 网络的联合定位算法,并对其总体架构设计、数据预处理方法、网络结构设计、模型训练方法进行了研究。在此基础上,通过仿真和实测实验对联合定位算法进行验证,实验结果表明,该LSTM神经网络联合定位算法的定位精度优于传统TOA(Time of Arrival)、UKF(Unscented Kalman Filter)联合定位算法,适用复杂室内定位。     

基于遗传算法优化混沌神经网络的股票指数预测

为提高BP神经网络预测模型对混沌时间序列的预测准确性,提出一种基于遗传算法优化BP神经网络的改进混沌时间序列预测方法。本文采用时间序列输入输出参数数量构造BP神经网络拓扑结构,利用遗传算法优化BP神经网络的权值和阈值,然后训练BP神经网络预测模型求得最优解,将该预测方法应用到上证综合指数的时间序列进行有效性验证,结果表明了该方法对上证综合指数具有更好的非线性拟合能力和更高的预测准确性。     

利用指数范数的QAM信号调制识别方法

针对高阶正交幅度调制（QAM）类信号的调制识别问题，提出了一种利用指数范数的调制识别分类方法，实现了由5种QAM类信号所组成信号集的调制识别。首先，对信号集内待识别信号提取指数范数特征，依次将16QAM和32QAM信号从信号集内识别出来；然后，对信号集内剩余信号提取高斯指数范数特征，依次识别64QAM、128QAM和256QAM信号；最后，根据决策树原理设计分类器，实现信号集内5种QAM类信号的识别。仿真结果表明，在信噪比大于6 dB时，该方法对信号集内的信号的识别正确率超过96%。     

一种基于3D-CNN的微表情识别算法

微表情是一种持续时间很短暂的面部表情。针对其识别率低的问题，提出了一种基于三维卷积神经网络（3D Convolutionnal Neural Network，3D-CNN）的微表情识别算法。使用Keras作为网络框架，在3D-VGG-Block(3Dimension Visual Geometry Group Block,3D-VGG-Block)的基础上加入批量归一化算法以及丢弃法，提升网络深度与训练速度的同时有效地防止过拟合；针对数据集稀少的问题，采取随机设置起始帧的位置，提前设定每次读取帧序列的长度，循环操作，在将所有数据均遍历的同时，达到数据增广的目的。该算法在CASME II数据集上的识别率最高达68.85%，在识别率上有一定优势。