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%。     

一种基于Radon变换的微表情识别算法

微表情是人们处在一些与平时生活环境不同的高强度环境下试图控制和掩饰的情感表现,也是一种不曾意识到的瞬时脸部表情,持续时间短,强度弱。为了提高其准确率,提出了基于Radon变换的微表情识别算法。首先,对数据库中的视频序列进行灰度归一化、尺寸归一化和二维主成分分析法（Two-dimensional Principal Component Analysis,2DPCA）降维预处理,使用光流法对降维后图像提取运动特征;然后使用Radon变换算法对光流图像进行处理,得到对应微表情的特征值和特征图像;最后使用支持向量机进行微表情分类识别。实验结果表明,使用Radon变换后得到的微表情特征图像得到了较好的识别效果,在微表情数据集CASME和CASMEⅡ上识别率分别为81.48%和82.17%,通过与选取的其他方法对比说明了该方法具有更好的识别性能。     

一种新的基于MR的移动网络越区覆盖判别算法

针对移动网络系统中普遍存在的越区覆盖问题,提出了一种新的低成本的越区覆盖判 别的新算法,从而提高网络的性能指标。该算法通过在Iub接口中实时采集信令MR帧,并对 其MR帧进行同步解析获取其帧结构中的相关数据,在考虑用户切换掉话的多种场景下提出了 基于邻区判别的越区覆盖侦测方案。实验结果显示该方法可以有效解决越区覆盖问题。     

模型剪枝与低精度量化融合的DNN模型压缩算法

拥有庞大参数量的网络模型很难部署在智能手机、可穿戴智能设备等资源受限的移动设备上。从深度神经网络模型的基本原理出发，在现有压缩算法的基础上，采用优化剪枝策略与参数量化的方法相融合，提出了一种结果导向的数据驱动剪枝算法，利用低精度的量化算法来进一步压缩模型。使用VGGNet作为原始模型，在Kaggle猫狗图像和Oxford102植物样本集上进行微调。实验数据表明，使用本实验改进的方法，模型压缩的存储容量下降到113.1 MB，识别率提高到86.74%。     

一种并行化的改进型灰狼分簇算法

针对传统的分簇算法在解决超大规模数据集的分簇问题上不具有高效的时间和空间复杂度且易于陷入局部最优的问题，提出了改进型灰狼分簇算法（Improved Gray Wolf Clustering Algorithm，IGWCA），将灰狼行为规则与灰狼狩猎策略相融合，同时引入狄利克雷分布（Dirichlet Distribution）实现先验，在基准数据集上完成IGWCA与其他分簇算法的对比分析。实验结果表明IGWCA不仅具有较强的探索和开发能力，还具有较小的分散度。使用Hadoop框架的MapReduce模型实现IGWCA的并行化（IGWCA on MapReduce，IGWCA-MR），通过F-Measure和平均运行时间验证IGWCA-MR的分簇质量，并在真实数据集上验证了IGWCA-MR的运行时间和加速性能。实验结果证明，IGWCA-MR可以有效解决超大规模数据集的分簇问题，是一种高效的替代算法。     

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。     

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UAV的无人海岛监控网络数据收集策略

针对传统的最小跳路由无线传感器网络（WSN）在数据汇聚上较高的能量开销问题，提出了一种基于无人机(UAV)数据收集的动态分簇算法,其主要思想是利用节点剩余能量来确定那些节点可以当选簇首,同时利用节点坐标位置和设定地分簇半径来划分簇的大小。该算法的优势是能最大程度地均衡每个传感器节点的能量，使整体的节点剩余的能量维持在同一水平。为了提高数据收集的效率，采用蚁群算法规划了无人机数据收集的最短路径。仿真结果表明，与相同的分簇算法下传统的最小跳路由无线传感器网络相比，所提出的基于无人机的无线传感器网络（UAV-WSN）在能量利用率和生命周期方面分别提升了15%和25%，并且以上两种网络的能量利用率高达70%。     

基于人工智能的足迹识别与特征提取

针对战场感知及侦破现场中传统人工主观经验检验与识别模式误差较大的问题，提出了一种基于人工智能的足迹识别与特征提取方法。采用三维形貌重构系统进行足迹图像采集，并将数字图像处理算法与传统足迹检验法结合，提取足迹的区域关系特征和形状长度特征，进而采用支持向量机的模式识别方法对提取的特征进行立体足迹身份鉴别对比实验。实验结果表明，所提方法准确率超过人工鉴别准确率，达到99.1%，可应用于战场感知及侦破现场足迹准确检测与识别，也可推广应用于人体身份鉴别的相关领域。     

一种基于Levy-人工蜂群的三维Otsu阈值分割算法

针对图像分割过程中三维Otsu算法运算时间长、计算量大的问题,提出了一种基于Levy-人工蜂群算法的三维Otsu阈值分割算法。首先,以像素灰度值-邻域均值-邻域中值的三维类间方差作为人工蜂群算法的适应度函数;其次,采用Levy飞行模式评价像素的适应度,对其种群更新及邻域搜索过程进行优化,以增强其全局搜索能力;最后,利用改进后的算法得到的分割阈值对图像进行分割。仿真实验结果表明,与传统三维Otsu阈值分割算法相比,所提算法能够有效降低图像存储空间,处理时间降低了30.8%,具备更好的抗噪性能,分割效果也更为理想。     

机间数据链系统的功率分配控制方法

针对想定战场中机间数据链网络通信模型的上行链路功率控制问题,采用了一种基于多目标灰狼算法(Multi-objective Grey Wolf Optimizer,MOGWO)的功率控制方法。将功率控制建模为多目标优化问题,以最小化上行链路中各节点功率、使各节点在接收机处的信干噪比值(Signal-to-Interference plus Noise Ratio,SINR)接近目标SINR和最小化通信时截获概率为多目标优化问题建立模型,利用MOGWO求解问题模型Pareto前沿,依据系统选解准则求得最佳解。结果表明,MOGWO、多目标粒子群算法、基于分解的多目标进化算法与多目标蚁狮算法所得解对应各节点SINR的平均标准偏差分别为0.096 8、0.354 4、1.090 0和0.308 3。在恒定功率方法下最远节点处SINR已不满足正常通信需求,验证了MOGWO功率控制方法有更好的稳定性与寻优能力。     

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。     

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。     

基于权值优化的认知WiMax信号协同识别

传统的正交频分复用（OFDM）系统识别算法只能识别出接收信号是否为基于全球微波互联接入技术（WiMax）的OFDM信号，但无法判断该信号是认知信号，并且在复杂电磁环境下识别正确率低。为此，提出了一种协同识别认知WiMax无线网络OFDM信号的算法。该算法首先利用OFDM信号的循环自相关特性估计信号的有用符号时间，并通过估计各协同感知节点的信噪比对时间参数的估计值进行加权，得到有用符号时间的协同估计值，进而判断接收信号是否为基于WiMax系统的OFDM信号；再通过自私攻击策略，实现对OFDM信号是否是认知WiMax信号的判别，为进一步研究认知WiMax网络节点定位技术奠定了基础。仿真结果表明，与非协同识别算法相比，提出的协同识别算法在多径和低信噪比条件下具有更高的识别率。     

基于ResNet_NSCS的通信信号调制识别

针对通信信号调制识别的特征提取问题,为进一步提高识别准确率,提出了一种基于嵌套式跳跃连接结构的残差网络（ResNet of Nested Shortcut Connection Structure,ResNet_NSCS）调制识别算法。该算法在残差神经网络（Residual Neural Network,ResNet）基础上,通过借鉴ResNet多通路选择思路,引入嵌套式恒等跳跃连接结构,利用提取的特征实现不同调制方式的分类。仿真结果表明,面向RadioML2016.10a数据集,较卷积神经网络（Convolutional Neural Network,CNN）算法和卷积神经网络_长短时记忆网络（Convolutional Neural Network_Long Short Term Memory Network,CNN_LSTM）算法,以增加网络复杂度为代价,ResNet_NSCS算法收敛速度快,识别准确率高。     

基于PSO-BP算法的无线传感器网络定位优化

在研究现有定位算法的基础上，针对基于接收信号强度指示(RSSI)定位模型中的参数易受环境影响等问题，提出了一种新型的粒子群优化(PSO)算法与后向传播（BP）神经网络相结合的算法。BP网络算法权值的修正依赖于非线性梯度值，易形成局部极值，同时学习次数较多，需先通过粒子群算法进行优化。为了提高定位精度，首先采用速度常量法滤波处理，然后通过改进的混合优化算法对BP神经网络初始权值和阈值进行优化，并分析算法的性能。试验中隐层节点个数采用试错法，从12到19变化，以确定合适数目。实验结果表明，与一般加权算法和传统BP算法相比，改进的混合优化算法可大幅改善测距误差对定位误差的影响，同时可使25 m内最小定位误差小于0.27m     

基于改进图着色的D2D资源分配和功率控制

针对蜂窝网络中D2D（Device-to-Device）用户复用蜂窝信道带来的同频干扰问题,提出了一种基于改进图着色的资源分配和功率控制算法。首先通过构建干扰图和候选集进行用户之间干扰关系建模,并定义指数型累积因子改进图着色算法,为D2D用户分配蜂窝信道;再采用基于信干噪比的闭环功率控制算法动态调整D2D用户发射功率,减小由于信道复用产生的干扰。仿真结果表明,与现有算法相比,所提算法能够有效提升系统吞吐量和D2D用户接入率,实现信道资源的合理分配。