CNN

摘要： In this article,to reduce the complexity and improve the generalization ability of current gesture recognition systems,we propose a novel SE-CNN attention architecture for sEMG-based hand gesture recognition.The proposed algorithm introduces a temporal squeeze-and-excite block into a simple CNN architecture and then utilizes it to recalibrate the weights of the feature outputs from the convolutional layer.By enhancing important features while suppressing useless ones,the model realizes gesture recognition efficiently.The last procedure of the proposed algorithm is utilizing a simple attention mechanism to enhance the learned representations of sEMG signals to performmulti-channel sEMG-based gesture recognition tasks.To evaluate the effectiveness and accuracy of the proposed algorithm,we conduct experiments involving multi-gesture datasets Ninapro DB4 and Ninapro DB5 for both inter-session validation and subject-wise cross-validation.After a series of comparisons with the previous models,the proposed algorithm effectively increases the robustness with improved gesture recognition performance and generalization ability.

摘要： When Internet of Things(IoT)nodes access the network through wireless channels,the network is vulnerable to spoofing attacks and the Sybil attack.However,the connection of massive devices in IoT makes it difficult to manage and distribute keys,thus limiting the application of traditional high-level authentication schemes.Compared with the high-level authentication scheme,the physical layer authentication scheme realizes the lightweight authentication of users by comparing the wireless channel characteristics of adjacent packets.However,traditional physical layer authentication schemes still adopt the one-to-one authentication method,which will consume numerous network resources in the face of large-scale IoT node access authentication.In order to realize the secure access authentication of IoT nodes and regional intrusion detection with low resource consumption,we propose a physical layer authentication mechanism based on convolution neural network(CNN),which uses the deep characteristics of channel state information(CSI)to identify sending nodes in different locations.Specifically,we obtain the instantaneous CSI data of IoT sending nodes at different locations in the pre-set area,and then feed them into CNN for training to procure a model for IoT node authentication.With its powerful ability of data analysis and feature extraction,CNN can extract deep Spatio-temporal environment features of CSI data and bind them with node identities.Accordingly,an authentication mechanism which can distinguish the identity types of IoT nodes located in different positions is established to authenticate the identity of unknown nodes when they break into the pre-set area.Experimental results show that this authentication mechanism can still achieve 94.7%authentication accuracy in the case of a low signalto-noise ratio(SNR)of 0 dB,which means a significant improvement in authentication accuracy and robustness.

摘要： 亚马逊棋AI搜索算法包括蒙特卡洛搜索算法、改进后的α-β剪枝算法,极大极小搜素算法,经检验发现蒙特卡洛搜索算法取得较好的成果,但原有的搜索算法由于搜索的博弈树层数为固定值,会产生超时或搜索层数过少造成搜索不完全的问题,尝试使用CNN模型优化原有的亚马逊棋搜索算法。设计一个基于CNN模型的优化器,该优化器将当前棋盘的权值作为输入层,进行三层卷积,输出层为当前局面下的最优层数。在同等计算力条件下,采用蒙特卡洛与α-β剪枝算法,令采用CNN模型优化后的搜索算法与固定搜索层数的算法进行对弈,前者的不败率为73.4%。

摘要： 本文分析了雷达回波外推的主要技术和存在问题,按照雷达回波外推技术的特点,对ConvLSTM模型进行了分析阐述,设计了基于ConvLSTM雷达回波外推网络模型。使用山西省大同市2019-6-1~2019-6-6共1191幅雷达站基本反射率图进行作为基数据,对其进行了分析和处理,包括图像的裁剪与灰度化以及数据的建模和可视化。最后,对ConvLSTM模型进行了建立和分析,使用建好的ConvLSTM模型对处理后的回波数据集进行训练和测试,并对外推结果进行了评估。结果表明本实验对于图像的特征提取有效,具有较好的外推预报能力。

摘要： 针对细胞显微图像分割与计数问题,提出了一种基于改进SLIC(Simple Linear Iteration Clustering)超像素与卷积神经网络(Convolutional Neural Networks,CNN)的细胞显微图像分割和技术的方法。首先对细胞显微图像进行预处理,然后对图像进行改进后的SLIC超像素分割,再对图像进行去噪,最后利用卷积神经网络将细胞的重叠情况进行识别。实验结果表明,针对细胞显微图像中目标分割不准确和重叠细胞识别不清等问题,该方法分割计数的准确率大于92%,平均一幅图片的处理时间在100 ms左右。基于改进SLIC与CNN在获得较好分割结果的同时,运行时间短,提高了运算效率与精度。

摘要： 针对深度连续聚类算法(Deep Continuous Clustering, DCC)特征提取能力有限,对复杂图像不能提取足够有效细节特征的不足,本文提出一个新的循环卷积自编码器(Recurrent Convolutional Auto-Encoder, R-CAE).自编码器结合门控循环网络GRU和卷积网络CNN构造编码层;同时在门控循环网络GRU部分添加空间域注意力通道,增强网络的特征学习能力.图像信息经过R-CAE自编码器编码后获取细节信息,传入经典卷积神经网络学习特征;当优化结果接近或者达到聚类阈值的时候,获得最终的聚类结果实现分类.训练过程中,模型首先预训练,确定自编码器参数;然后结合编码部分和经典网络学习训练,微调网络参数.本文通过实验证明了改进方法结合DCC在聚类实验中优于大部分经典聚类算法,在针对真实图像的细粒度分类实验中也有显著的进步.

摘要： 随着互联网的发展,网购风行千家万户,商品服务在线评价对用户决策产生很大影响。但网上评价门槛较低,其中不乏虚假评价,极大影响了消费者与商家权益。针对此问题,提出一种基于CNN-LSTM模型与迁移学习相结合的虚假评论检测方法。使用CNN-LSTM算法,结合Doc2Vec与TF-IDF方法,将评价文本向量化后作为特征,利用Glove数据集进行迁移学习。与其他方法进行对比验证,结果显示该检测方法检测与识别准确率更高,在英文酒店评论数据集deceptive-opinion-spam-corpus上的实验测试中,正确率达到了93.1%。

摘要： 水声目标辐射噪声特征提取和识别技术是水声目标识别的重要任务,也是水声信号处理领域的难题。鉴于梅尔滤波器中提取的听觉特征在语音识别中的广泛应用,文章基于梅尔倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)和卷积神经网络(Convolutional Neural Network,CNN)构建了一个水声信号深度分类网络。该分类网络通过MFCC特征提取方法逐帧提取舰船辐射噪声信号的梅尔倒谱系数,将其构建特征矩阵输入CNN中进行分类,构建了一个4类舰船辐射噪声样本集,并利用所提出的网络考察了不同维度下MFCC和LOFAR特征的分类性能,分析了不同类型特征和不同特征维度输入对网络分类性能的影响,可为水声分类研究相关人员提供参考。

摘要： 为了降低信道估计的复杂度,提高信号检测的准确性,同时充分利用当前科技研究的最新成果,提出了一种新的基于卷积神经(convolutional neural networks,CNN)的正交频分复用(orthogonal frequency division multiplexing,OFDM)系统信道解码方法。以最小二乘法(least square,LS)和最小均方误差(minimum mean square error,MMSE)传统算法为例,它们在精确度或复杂度上无法适应当今毫米波通信的要求。利用深度学习工具将信道问题看作自回归问题,将接收信号看作一维数组,采用图像处理流程。利用卷积网络进行特征提取,然后利用全连接(fully-connected,FC)层进行分类,得到软比特(soft bit,SB)信号。仿真结果证明,该方法在复杂性上和LS法相当,性能上优于MMSE算法,在误码率方面有着平均2 dB的性能提升。

摘要： 人类大脑皮层能够对不同情感产生动态响应,在这一神经科学研究成果的启发下,提出一种基于3D矩阵特征与多维卷积神经网络的脑电(Electroencephalogram,EEG)信号情感识别方法,用MCNN表示.该3D矩阵特征是指每个时间点上提取的6个频带的PSD特征按大脑电极位置分布,转换为9×9网状矩阵后连接得到的一个9×9×6的三维矩阵,该表征方法能够直接准确反应大脑皮层EEG信号的空间相关性和时频动态,再将该特征输入一个多维卷积神经网络进一步提取相关深度语义特征并进行情感分类.所提方法在DEAP数据集中脑电信号的唤醒度和效价维度上两类情感分类的平均准确率分别达到了85.88%和87.32%,相同实验条件下,比目前较优手工特征的平均分类准确率分别提升了5.41%和5.69%,比最优深度模型的平均分类准确率分别提升了3.52%和4.18%,验证了该方法的先进性和有效性.

摘要： 本发明公开了一种CNN模型、CNN训练方法以及基于CNN的静脉识别方法，CNN模型包括多个卷积层，一个全连阶层以及SoftMax层；CNN训练过程中首先扩充数据库，结合多种包含相似特征的生物特征数据库，来进行模型的训练；全连接层与SoftMax层共同作为一个多分类的分类器；训练一个多分类的神经网络以使其学习到能够辨别静脉类别的特征；训练完成后，将全连接层的前一层输出作为特征，通过计算这些特征的余弦距离来度量一对图像的相似度。本发明融合多模态的生物特征数据库用于训练网络，解决了训练样本不足的难题，在超大的身份认证数据库中可以很大的提高检索速度。

摘要： 本发明提供一种CNN卷积层运算方法及CNN卷积层运算加速器，均能够：读入用于对待处理特征图像进行CNN卷积层运算的卷积核，并将读入的卷积核转化为权重矩阵H(h

摘要： 本发明公开了一种移动端CNN的CPU、GPU、NPU统一调度方法，本发明移动端CNN的CPU、GPU、NPU统一调度方法可实现在移动设备的SoC芯片中，在命令解析调度器的控制下，利用统一的指令来调度CPU、GPU、NPU。本发明通过对CPU的命令解析和调度任务进行卸载，实现CNN到命令转换过程与CPU上运行程序的解耦，提高命令响应速度。

摘要： 一种基于FPGA的CNN模型轻量化方法、一种目标检测方法及系统，涉及目标检测技术领域，用以解决现有基于FPGA的CNN模型在目标检测中能量效率较低导致不能满足低功耗、低延时计算需求的问题。本发明的技术要点包括：对SqueezeNet网络模型的卷积层进行定点化，定点化是指对计算和内存存储中的浮点数进行定点表示和运算，包括对输入特征图的定点化、对卷积层参数的定点化和对卷积层激活函数的定点化，其中，输入特征图和卷积层参数均为单精度浮点数；进而还提供一种包含上述SqueezeNet网络模型的目标检测方法及系统。本发明降低了检测网络的计算复杂度，适用于特定场景下的边缘计算平台，提升了检测模型的能量使用效率。

摘要： 本发明公开了一种多光谱光谱信息和1D‑CNN的煤矸识别方法，包括以下步骤：(1)煤和矸石多光谱光谱信息获取；(2)煤和矸石光谱信息的样本划分；(3)一维卷积神经网络光谱特征提取；(4)概率神经网络煤矸识别模型构建。本发明采用1D CNN‑PNN进行煤和矸石多光谱光谱信息的识别模型构建，提出一种新的一维卷积神经网络模型能够提取更多、更有效的特征信息，且可以有效避免过拟合等问题，非常适用于煤和矸石的实时、精准识别。

摘要： 本发明公开了一种CNN模型、CNN训练方法以及基于CNN的静脉识别方法，CNN模型包括多个卷积层，一个全连阶层以及SoftMax层；CNN训练过程中首先扩充数据库，结合多种包含相似特征的生物特征数据库，来进行模型的训练；全连接层与SoftMax层共同作为一个多分类的分类器；训练一个多分类的神经网络以使其学习到能够辨别静脉类别的特征；训练完成后，将全连接层的前一层输出作为特征，通过计算这些特征的余弦距离来度量一对图像的相似度。本发明融合多模态的生物特征数据库用于训练网络，解决了训练样本不足的难题，在超大的身份认证数据库中可以很大的提高检索速度。

摘要： 本发明提供一种CNN卷积层运算方法及CNN卷积层运算加速器，均能够：读入用于对待处理特征图像进行CNN卷积层运算的卷积核，并将读入的卷积核转化为权重矩阵H(hpq)；按照预先设定的图像大小阈值，读取待处理特征图像上的一个分块图像，并依据所述的权重矩阵H(hpq)计算当前所读入的分块图像对应的CNN卷积层局部运算结果；判断整幅待处理特征图像是否读取完成：若是，则按照各所述分块图像之间的相对位置关系排布所得到的各CNN卷积层局部运算结果，并拼接得到整幅待处理特征图像对应的CNN卷积层运算结果；若否则继续读入下一个分块图像。本发明用于降低CNN卷积运算的复杂度、降低存储带宽压力以及降低完成CNN卷积层运算的成本。

摘要： 本发明提出一种卷积神经网络进化方法、基于卷积神经网络的AUV集群工作方法、装置，以及计算机可读存储介质，进化方法包括：多个独立的卷积神经网络分别识别目标图像，并通过投票计算得到结果R；根据结果R对识别性能差的卷积神经网络进行参数修正，以进化卷积神经网络。基于卷积神经网络的AUV集群工作方法，AUV集群包括多个具有卷积神经网络的AUV，工作方法包括：如上所述的卷积神经网络进化方法中的步骤。本发明通过多个卷积神经网络协同确认目标的方式，对同一目标图像进行分析，进行最终的投票确认，识别性能差的网络再次进行反向的参数修改，使网络具有进化性。

摘要： 一种基于GADF‑GAN‑AVOA‑CNN的轴承故障诊断方法，步骤为：首先利用GADF将采集到的原始一维轴承振动信号进行编码转换为二维图像，并将一部分图像加入高斯白噪声；然后设计了一种多头自注意力机制的生GAN对二维故障图像进行去噪，以去噪器代替生成式对抗网络的生成器，将加噪图像输入去噪器剔除噪声，将去噪器输出的图像和未加噪图像输入判别器，为增强对噪声滤除效果把多头注意力机制融合在去噪器中，当去噪器和判别器在博弈中平衡时，去噪效果达到最佳；最后使用AVOA对CNN中的几个关键参数进行寻优，构建最优模型结构和参数，最终将去噪处理的二维图像输出优化CNN中进行滚动轴承故障诊断。本发明提高了故障诊断的准确率和鲁棒性。

摘要： 本发明提出了一种基于Mask R‑cnn算法和类型分割的扫描文件版面分析方法，属于深度学习领域。该方法主要采用类型分割的技术方案，以Mask R‑cnn算法为基础进行实现，目的是为了提高版面分析的准确率。具体包括如下步骤；将扫描的文件彩色图像作为输入，首先进行表格识别并分割，分割表格后的图像再作为输入，进行插图的识别并分割，然后去除红章，最后对去除表格、插图和红章后的图像进行标题识别，未识别部分作为文本部分输出。在复杂版面的扫描文件中，该方法解决了自顶向下、自底向上和综合型方法的准确率不高的问题，从而对图像分类、文本处理以及OCR等技术能够进一步的优化，最终提高了扫描文件版面分析准确率。