摘要：目前基于深度学习的融合类方法在水下图像增强领域展现出较大优势,但现有方法仍存在融合方式单一、融合特征缺乏优势互补性以及易忽略水下先验等问题.为此,本文提出一种基于透射矩阵引导的水下图像融合网络.该网络由多尺度特征提取模块、自适应对比度增强模块和透射矩阵引导的融合模块组成.多尺度特征提取模块通过提取三颜色空间特征,增强失真图像色彩;另外,该模块设计的多级级联方式可实现在多尺度特征复用的同时避免编码器端失真信息传输到解码器.自适应对比度增强模块通过对比度受限直方图均衡增强水下图像对比度,并基于通道注意力机制实现自适应对比度增强.透射矩阵引导的融合模块通过衡量输入特征和参考图像透射矩阵之间的距离,引导融合特征逼近参考图像.同时,本文设计了一种多级级联损失,实现更准确的特征增强.实验结果表明,所提算法通过合理引入先验,实现融合特征优势互补,可显著增强图像视觉质量,具有较强的泛化能力,在Test-R90数据集上测试取得峰值信噪比为19.37 dB,优于目前主流方法.

摘要：随着信息技术的发展,机构研报、财经新闻、搜索指数等多种舆情信息成为影响汇率变化的重要因素.通过自然语言处理(NLP)技术处理非结构化舆情文本数据可以反映投资者行为、情绪和预期,为汇率趋势预测提供数据基础.本文基于NLP技术和深度学习的方法,提出一种使用多种舆情信息预测人民币汇率的研究方法,并首次使用研报对汇率进行预测.本文收集了研报、新闻及搜索指数三类舆情信息,首先,使用NLP技术和基于词典的文本情感分析方法,将研报和新闻舆情文本数据转化为可计算的专业舆情指数和社会舆情指数;其次,综合了人民币汇率的百度搜索指数和谷歌趋势,构建了大众舆情指数;最后,设计了8组“汇率-舆情”预测组合,使用长短期记忆网络(LSTM)模型对人民币汇率进行预测.实证结果表明,舆情信息可以预测汇率趋势;三种舆情信息中,新闻舆情对汇率的预测效果最好,研报次之,搜索指数最后;加入多种舆情信息相比单一舆情信息,预测效果显著提升;此外,相较于自回归综合移动平均(ARIMA)、支持向量回归(SVR)和极限学习机(ELM)模型,LSTM模型对于基于舆情的汇率预测效果最好.