跨模态检索中的相似性漂移问题

为了降低“相似性漂移”问题的影响,提出一种基于“邻域传播”的匹配策略,将待查询项的模态内近邻映射到目标空间中,并将它们在目标空间中的最近邻作为查询项的跨模态近邻。基于邻域传播的匹配策略在不改变跨模态映射函数的条件下,可以有效地降低“相似性漂移”带来的误匹配现象。理论和实验分析证明,跨模态映射函数的“相似性漂移”问题广泛存在,而基于“邻域传播”的匹配策略可以有效降低其影响,提高匹配的准确率。     

图像超分辨率卷积神经网络加速算法

为了实现模型的实时和嵌入式运行,提出了一种轻量级的卷积神经网络结构。通过采用较小的滤波器尺寸和引入深度可分离卷积,可大量减少模型参数,提高模型非线性表达能力;在网络末端引入子像素卷积层,直接从原始低分辨率图像学习到高分辨率图像的映射,计算成本为原来的1/k²(k为放大因子)。在Set5数据集上的实验表明,所提模型的速度较经典的图像超分辨率重建算法速度提高了25.8倍,能够在通用GPU上实时运行,峰值信噪比平均提高了0.17 dB,并且参数只有它的35%。     

基于多通道卷积神经网络的磁性舰船目标运动参数估计

传统磁性目标运动估计效果依赖于目标的初始状态信息,为克服这一缺陷,建立磁性运动目标三分量投影模型,并据此生成磁性舰船运动目标在运动速度、航向、信噪比等参数变化情况下的10类目标的训练数据集、验证数据集以及测试数据集。设计多通道卷积神经网络,对目标的正横距离和运动速度进行估计,并比较和分析了不同的学习方式和激活函数对网络性能的影响。结果表明:Adam+tanh组合方式的估计性能要优于其他组合方式,而且对磁性目标运动参数的估计效果比较精确,此方法相较于卡尔曼滤波、粒子滤波等估计算法的优越性在于运算复杂度低以及参数估计不需要目标初始状态信息。     

Arbitrary-oriented target detection in large scene sar images

Target detection in the field of synthetic aperture radar (SAR) has attracted considerable attention of researchers in national defense technology worldwide, owing to its unique advantages like high resolution and large scene image acquisition capabilities of SAR. However, due to strong speckle noise and low signal-to-noise ratio, it is difficult to extract representative features of target from SAR images, which greatly inhibits the effectiveness of traditional methods. In order to address the above problems, a framework called contextual rotation region-based convolutional neural network (RCNN) with multilayer fusion is proposed in this paper. Specifically, aimed to enable RCNN to perform target detection in large scene SAR images efficiently, maximum sliding strategy is applied to crop the large scene image into a series of sub-images before RCNN. Instead of using the highest-layer output for proposal generation and target detection, fusion feature maps with high resolution and rich semantic information are constructed by multilayer fusion strategy. Then, we put forwards rotation anchors to predict the minimum circumscribed rectangle of targets to reduce redundant detection region. Furthermore, shadow areas serve as contextual features to provide extraneous information for the detector identify and locate targets accurately. Experimental results on the simulated large scene SAR image dataset show that the proposed method achieves a satisfactory performance in large scene SAR target detection.     

二维矩阵卷积在向量处理器中的设计与实现

为了加快卷积神经网络模型的计算速度,便于大规模神经网络模型在嵌入式微处理器中的实现,以FT-matrix2000向量处理器体系结构为研究背景,通过对多核向量处理器体系结构的分析和对卷积神经网络算法的深入研究,提出将规模较小的卷积核数据置于标量存储体,尺寸较大的卷积矩阵置于向量存储体的数据布局方案。针对矩阵卷积中数据难以复用的问题,提出根据卷积核移动步长的不同动态可配置的混洗模式,通过对所取卷积矩阵元素进行不同的移位操作,进而大幅提高卷积矩阵数据的复用率。针对二维矩阵卷积由于存在数据相关性进而难以多核并行的问题,提出将卷积矩阵多核共享,卷积核矩阵多核独享的多核并行方案。设计了卷积核尺寸不变、卷积矩阵规模变化和卷积矩阵尺寸不变、卷积核规模变化的两种计算方式,并在主流CPU、GPU、TI6678、FT-matrix2000平台进行了性能对比与分析。实验结果表明:FT-matrix2000相比CPU最高可加速238倍,相比TI6678可加速21倍,相比GPU可加速663 805倍。     

混沌时间序列中弱信号的检测

介绍了混沌的基本特性,利用混沌时间序列对RBF神经网络进行训练,则训练好的神经网络对混沌序列未来时刻的值具有一定的预测能力.若混沌序列中包含有目标信号,则其混沌特性将受到影响,导致神经网络对其预测误差的增大.这样可根据预测误差对淹没在混沌杂波及混沌杂波加一定强度的白噪声中的弱目标信号进行检测.仿真结果表明这种方法优于传统的目标检测方法,有着较好的杂波抑制能力.     

交互式多模型目标跟踪的研究现状及发展趋势

系统地介绍了交互式多模型算法在机动目标跟踪领域中的发展现状、发展方向及其与数据关联相结合进行目标跟踪的发展趋势.通过分析交互式多模型算法本身存在的问题,指出了一些改进方法的可行性与不足;进一步介绍了数据关联与交互式多模型算法结合进行目标跟踪的发展情况及取得的成果,并对以后与交互式模型相关的研究方向进行了探讨.     

一种新型粗糙集神经网络的故障诊断方法

结合粗糙集理论,建立了基于SOFM网络的新型粗糙集神经网络故障诊断模型,给出了该模型的流程图,描述了系统各组成部分的工作原理.应用该模型对某型雷达进行故障诊断,实例证明新模型能够减少输入端数量,简化神经网络的结构,提高系统的速度,诊断时间短,准确性高,结果易于实现可视化,最后得到了故障可视拓扑映射图.     

基于BP神经网络的引进项目效益综合评价

一种新的基于BP神经网络方法用于综合评价引进项目的经济效益 .计算结果表明 ,与层次分析法相比较 ,这种方法可以作为研究此类问题的新途径 .     

神经网络中引入数值积分寻优法

本文提出了一种新的寻优方法———数值积分寻优法 ,将此方法应用于神经网络的学习算法中 ,构造了两个神经网络 ,它们与BP网络有相同功能 ,且不出现BP网络的局部极小问题 ,收敛速度比BP网快