深度复极限学习机在雷达HRRP目标识别中的应用

传统雷达高分辨一维距离像(High-resolution Range Profile,HRRP)目标识别方法只利用目标幅度信息而丢失其相位信息,这势必会造成信息不完备。为解决此问题,提出将深度极限学习机从实数域扩展到复数域,以有效提取复HRRP序列的深层潜在结构信息。同时为更好地保持数据间的邻域信息,将流形正则化引入到网络模型训练过程中,提出流形正则深度复极限学习机。在雷达暗室测量数据上的实验结果表明,所提算法相比常用的深度学习模型具有更好的识别效果和更快的训练速度,验证了算法的有效性。     

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。     

使用深度学习的社交物联网信任预测模型

社交物联网是社交网络概念在物联网中整合后兴起的一个蓬勃发展的研究领域。提出了一种适用于社交物联网网络的改进型节点级信任模型,并通过与其他信任模型的对比仿真实验证明在恶意节点的攻击下,提出的模型拥有更好的稳定性和适用性,总体波动较小。同时,针对实际社交物联网网络中新加入网络的陌生节点可能遇到的网络延迟影响信任值评估的问题,在改进型节点级信任模型的基础上进一步使用了深度学习模型对其进行信任值预测。仿真证明,使用深度学习预测后模型的系统性能明显优于不使用深度学习的模型,成功交互率提升约1.8%。     

基于深度学习的商品自动定价模型研究

在电商网站上,往往需要为卖家所销售的物品提供一个可以参考的售价。基于深度学习技术构建了一个电商网站的商品自动定价模型。模型能够根据卖家所提供的商品数据,同时考虑其中的结构化和非结构化的数据,来为商品生成建议的售价。使用日本最大的C2C二手交易平台提供的数据来训练模型,并使用RMSLE作为我们模型的评价指标,结果显示模型能够有效学习商品信息与真实售价的映射关系,具有很高的实用价值。     

基于改进型深度学习的流量预测

为了解决无线网络中流量的预测精度不高的问题，提出了一种自适应分组的栈式自编码(AG-SAEs)深度学习预测方法。在数据的预处理过程中，首先使用最大最小方式对数据进行归一化处理，并提出一种新型的自适应分组方法，把归一化后的链路数据进行关联性分组；然后，基于深度学习方法建立了一个多输入多输出的预测模型，并将分组后的数据输入到预测模型中，对该模型进行训练来建立输入和输出流量之间的映射关系；最后，为了进一步提高预测精度，在模型的训练过程中，使用改进型的牛顿法来进行权值参数更新。仿真实验以及和其他算法对比的结果证实了所提方案具有更小的预测相对误差。     

面向SAR图像处理的生成式对抗网络应用综述

针对缺少合成孔径雷达（Synthetic Aperture Radar，SAR）目标图像数据导致的识别网络难以训练的问题，总结了现有的基于深度学习方法的解决方案。归纳了现阶段生成式对抗网络（Generative Adversarial Network，GAN）的发展情况，以及主要的衍生模型及其特点与优势。综述了GAN在SAR图像生成与风格迁移两方面的应用情况，并合理分析了应用中的技术难点和问题。最后结合深度学习的发展趋势，展望了GAN在SAR智能解译方面的应用。     

应用深度学习的信号解调

针对噪声干扰信道下的信号解调问题，提出了应用深度学习的信号识别方法，通过识别信号完成信号解调。深层置信网络使用受限波尔兹曼机为基本单元，设计针对通信信号识别的多层深层置信网络。通信信号首先变换为特定表征序列，并以此构建完备的训练集合对深度置信网络进行逐层的无监督学习和全局有监督的微调反馈学习，在深层置信网络的权重参数优化过程中实现对通信信号的特征提取与识别。仿真实验表明，与传统调制信号解调方法相比，应用深度学习的信号解调方法的检测性能有约0.4 dB的提升。     

采用改进型AlexNet的辐射源目标个体识别方法

针对辐射源目标精确识别需求,结合以深度学习为代表的机器学习理论技术,提出将改进型AlexNet作为特征提取器,实现目标细微特征提取固化,形成智能化识别网络模型。以广播式自动相关监视（ADS-B）信号为实验对象,在机场实地采集了13个目标的ADS-B脉冲信号数据作为辐射源目标个体识别的训练和测试样本,利用AlexNet和改进的AlexNet验证了算法的有效性。结果表明,改进的AlexNet网络训练时间更快,综合识别率达到98.32%.     

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。     

商业视角下对卷烟种类识别研究

深度学习是目前人工智能领域研究的热点,并有着巨大突破,在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域的应用取得了巨大成功。本文首先将简要概述深度学习及所使用的卷积神经网络算法及其特点,其次重点阐述卷烟数据的收集和深度学习模型的搭建过程,最后讨论深度学习应用到卷烟种类识别的问题和主要挑战。     

中国海外上市公司的PCA—SVM财务危机预警研究

在支持向量机（Support Vector Machine,SVM）方法的基础上融入主成分分析（Principal Component Analysis,PCA）方法,可构建PCA—SVM财务危机预警模型。以我国海外上市公司为研究对象,运用PCA提取出对财务危机具有显著影响的特征指标,进而通过训练集在不同核函数下对SVM进行训练,最后运用测试集对经过训练得到的SVM财务危机预警模型进行性能验证与评价。实证研究结果表明,PCA．SVM财务危机预警模型在线性、多项式、径向基和sigmoid四种核函数下都具有良好的预测能力,而径向基核函数下的PCA-SVM财务危机预警模型具有更加优越的学习能力与泛化推广能力。     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题,提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性,提取信号双谱对角切片特征作为深度学习模型的输入数据,采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试,结果表明该算法能识别个体辐射源,在低信噪比条件下也能获得高的辐射源识别率;相比于其他识别算法,双谱对角切片特征有更鲁棒的分辨性。     

基于深度学习的毫米波系统波束成形

针对高移动用户在毫米波系统中用户与基站之间频繁切换增大延迟开销问题,提出了一种新颖的集成深度学习协调波束成形（Deep Learning Coordinated Beamforming,DLCBF）解决方案。该方案通过协调多个基站同时为一个移动用户服务,接收用户上行导频序列和预编码码本训练模型,进而预测最佳下行波束向量,克服了大型天线阵列毫米波系统中选取最佳波束成形向量需要的巨大训练开销。仿真结果表明,所提方案与传统的毫米波波束成形策略相比有更高的频谱有效率。     

基于改进ERFNet的无人直升机着舰环境语义分割

为增强无人直升机对着舰环境的感知理解，促进其安全高效地实现自主着舰，将ERFNet网络模型应用于无人直升机着舰场景语义分割任务中。首先，结合非对称残差模块和弱瓶颈模块对ERFNet网络模型进行改进，提高运行速度、减少精度损失；其次，利用MultiGenCreator和VegaPrime等技术开发无人机自主着舰仿真系统，并建立无人机自主着舰场景数据集；最后，采用PyTorch深度学习框架实现网络模型，采取模型再训练方法对网络进行学习和训练。实验结果表明，所提网络综合优势明显，平均交并比(Mean Intersection over Union，MIOU)达到76.35%，前向传播时间为22.37 ms。     

一种基于Lasso回归与SVD融合的深度学习模型压缩方法

针对深度学习模型所需的海量参数及强大的计算资源而导致其不能很便捷地应用于嵌入式设备或移动端的问题，在Lasso（Least Absolute Shrinkage and Selection Operator）回归通道挑选法的基础上，提出了Lasso+奇异值分解（Singular Value Decomposition，SVD）的融合压缩法。使用VGG-16为初始模型，分别在不同的小型数据集上进行迁移学习，使用迁移学习后的模型在不同的加速率下进行测试。实验结果表明，相对于传统的模型压缩算法，Lasso+SVD的融合压缩法实现了在加速和参数压缩两方面的优势，进而以目标检测为应用方向，在保证准确率的同时不仅降低了模型存储需求，而且也较大提升了模型的实时性。     

深度学习技术在海关风险甄别中的应用研究

随着互联网的高速发展和人工智能时代的到来,越来越多从前必须由人脑完成的工作能够利用计算机技术来完成,而深度学习的出现更解决了传统机器学习算法在计算机视觉领域、自然语言处理领域表现不佳的问题,使机器也能够拥有准确感知图像和语音的能力。人脸识别是深度学习网络最常见的应用场景之一,具有自然、直接、方便的特点,且不需要检测对象配合,因此非常适合用于公共安全领域的风险检测。研究充分结合海关实际需求,搭建基于深度学习技术的人脸识别模型,提供对通关旅客进行实时风险甄别的解决方案,以及海关通关风险防控场景的理论参考,为后续深度学习技术在海关业务的研究提供支撑。     

基于深度学习的图书馆学习共享空间服务的探索

通过对学习共享空间的研究,提出基于深度学习下学习共享空间的作用和服务内容,为高校图书馆创建学习共享空间提供参考意见。     

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。     

ewb仿真软件在"数字电子技术"设计实验中的应用

数字电子技术设计型实验是数字电子技术课程重要的实践性教学环节,是对学生学习数字电子技术的综合性训练,其重点是要求学生综合所学的理论知识和专业技能,设计制作功能较为复杂的电路,研究解决具有一定深度和工作量的小课题.     

高原训练在足球领域运用的广度和深度研究

采用文献资料法,查阅大量中国期刊网上与足球运动高原训练相关的论文,对目前高原训练在足球领域中运用的现状进行了解,以当前高原训练理论与实践的研究现状为背景,探析足球运动在采用当前高原训练时的深度和广度,为足球运动高原训练提供一个相对成熟的理论参考。