摘要：图像和语音已成为日常生活和科研的常见数据类型,图像的聚类分析是数据挖掘和图像处理领域的重要任务之一.基于自编码器的深度聚类方法具有表征能力有限的缺点,并且特征的生成与聚类指派是分步进行的.为此,提出一种基于新颖卷积自编码器的深度softmax聚类算法(ASCAE‐softmax).首先设计一种非对称的卷积自编码器网络结构(ASCAE),通过优化卷积和添加全连接层,使整个网络呈非对称;接着使用softmax聚类器把特征映射成聚类概率分布,构造辅助目标概率分布,将特征学习与聚类判别联合在一起.通过迭代最小化KL(Kullback‐Leibler)散度损失达到清晰的聚类划分.实验结果表明,该方法能够学习出使同类更加紧凑、异类更加稀疏的特征表示,且聚类结果优于经典的深度聚类算法.

摘要：首先,介绍了目标水果的形态、采摘机器人识别技术与试验平台;然后,设计了双目视觉系统,并基于softmax分类模型设计了苹果的目标识别算法,实现了一套基于softmax的采摘机器人目标识别模型。试验结果表明:采摘机器人对无遮挡的苹果目标识别率为94%,对部分遮挡的苹果目标正确识别率为88.7%,稳定性较好,精度较高。

摘要：激活函数softmax在数学尤其是概率论和相关领域中,称为归一化指数函数。它将一个含任意实数的K维向量z"压缩"到另一个K维实向量F(z)中,使得每一个元素的值在(0,1),且所有元素之和为1。本课题研究是随着近年来科学技术的发展和知识的快速更新所提出的。作为广电事业从业人员,为了更好地对人工智能、图像识别等技术进行应用,本文对softmax归一化指数函数进行理论性研究。

摘要：softmax函数通常在深度学习中作为激活函数使用,但其计算涉及自然指数和除法运算,传统PC机上计算较慢,拖累了一个神经网络的训练。本文针对自然指数运算的特点,提出了一种名为基底拆分法的新方法。该方法将softmax函数中自然指数计算拆分为多个由查找表实现的特定基底上,通过这种方法,一个复杂的自然指数计算过程即可由查找表过程和乘法过程实现。这种方法有效的降低了硬件复杂度以及逻辑传播延时。由于该方法中使用了自定义的数据结构,因此本文采用了CPU+FPGA的架构,通过合理分工,加速softmax函数计算。同时,本文将基于这种方法设计的IP核在PYNQ-Z2开发板上进行了板级调试。

摘要：高光谱图像具有较高的空间分辨率,蕴含着丰富的空间光谱信息,近年来被广泛用于城市地物分类中。在高光谱图像分类过程中,空间光谱特征的提取直接影响着分类精度;传统的高光谱图像特征提取方法只利用了4或8邻域的像素进行简单卷积处理,因而丢失了大量的复杂、有效信息;卷积神经网络(CNN)虽然可以自动提取空间光谱特征,在保留图像空间信息的同时,简化网络模型,但是,随着网络深度增加,网络分类产生退化现象,而且网络间缺乏相关信息的互补性,从而影响分类精度。该工作引入CNN自动提取空间光谱特征,并且针对CNN深度增加所导致的退化问题,设计了面向地物分类的高光谱特征融合残差网络。首先,为了降低高光谱图像的光谱冗余度,利用PCA提取主要光谱波段;然后,为了逐级提取光谱图像的空间光谱特征,定义了卷积核为16,32,64的低、中、高3层残差网络模块,并利用64个1×1的卷积核对3层特征输出进行卷积,完成维度匹配与特征图融合;接着,对融合后的特征图进行全局平均池化(GAP)生成用于分类的特征向量;最后,引入具有可调节机制的Large-Margin softmax损失函数,监督模型完成训练过程,实现高光谱图像分类。实验采用Indian Pines,University of Pavia和Salinas地区的高光谱图像来验证方法有效性,设置批次训练的样本集为100,网络训练的初始学习率为0.1,当损失函数稳定后学习率降低为0.001,动量为0.9,权重延迟为0.000 1,最大训练迭代次数为2×10^4,当3个数据集的样本块像素分别设置为25×25,23×23,27×27,网络深度分别为28,32和28时,3个数据集的分类准确率最高,其平均总体准确率(OA)为98.75%、平均准确率(AA)的评价值为98.1%,平均Kappa系数为0.98。实验结果表明,基于残差网络的分类方法能够自动学习更丰富的空间光谱特征,残差网络层数的增加和不同网络层融合可以提高高光谱分类精度;Large-Margin softmax实现了类内紧凑和类间分离,可以进一步提高高光谱图像分类精度。

摘要：滚动轴承信号具有复杂性和非线性的特点,对特征提取和故障分类带来挑战。为解决上述问题,文章提出一种自适应注意力LSTM-Resnet(long short-term memory residual network)下的滚动轴承故障诊断方法。首先设计双向LSTM组特征提取模型,获取复杂运行条件下的滚动轴承特征;然后,提出自适应注意力LSTM-ResNet完成特征学习,并自适应调整模型中关键特征的权重;最后,采用全局平均池化(global average pooling,GAP)方法结合softmax模型缓解模型过拟合并完成故障分类。在数据集中完成滚动轴承故障分类,实验结果表明:文章方法的滚动轴承故障诊断准确率相对于SVD-ResNet方法和宽卷积模型更高,并且能在标记样本数量较少和噪声环境下均达到较高的检测准确率,具有更高的准确性和更强的鲁棒性。

摘要：由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨损5种状态下的振动信号,并将这些信号制作成样本集,加以标签标记,将样本集划分为训练样本与测试样本;然后,将样本输入到D-1DCNN中,进行了训练样本信号的特征提取工作,通过前向传播和反向传播方式得到了D-1DCNN的具体模型;再使用softmax分类器对测试样本进行了分类,并对网络模型中的参数进行了调整,得到了柱塞泵故障诊断的准确率值;最后,通过西储大学的轴承故障信号对此进行了仿真对比。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,其准确率可达到100%;使用D-1DCNN对柱塞泵进行故障诊断时,不需要人工设计或提取特征过程便可实现诊断过程的智能化;对于不同的故障诊断对象,该方法也具备良好的诊断效果,因而具有一定的普适性。

摘要：文章以实现地质勘探无人化和岩石分类智能化为目标,设计出用于地质勘探现场的具有岩石分类功能的智能导航小车系统。该系统分为小车模块和岩石分类模块两部分,小车模块利用ROS平台进行开发,得到勘探区域环境数据后,利用SLAM算法生成栅格地图并进行路径规划来获得全局最优路径,最后小车自动导航至该地点并获得该区域的岩石图片。岩石分类模块采用深度学习技术对岩石图片进行分类,基于softmax分类器和ResNet101神经网络模型,建立岩石分类模型。

摘要：入侵检测系统可以及时发现和响应网络攻击,保护重要的数据和资源。基于神经网络的入侵检测系统是一种利用神经网络技术来实现入侵检测的方法,通过对现有攻击方法和模式的模拟仿真,利用大量数据的训练来学习特征和模式,并用于分类、识别和预测等任务。该方法具有一定的泛化能力和自适应能力,可以处理大规模和复杂的数据,提高检测的准确率和鲁棒性。文章基于递归神经网络搭建了一个入侵检测系统的框架并用NSL-KDD数据集做了训练和测试。实验结果表明,入侵检测系统框架中的LSTM网络架构表现最好,VAC,TAC,F1S分别达到了98.16%,84.76%,98.48%,可以满足实际应用需求。

摘要：为了实现在复杂环境下具有较高准确率的交通标志识别以及在小样本情况下也能良好工作的识别网络,提出一种基于卷积神经网络和多类SVM的交通标志识别模型。此模型不需人工设计特征提取算法,且在小样本训练集上也能训练出具有较高准确率的分类模型。除此之外,利用迁移学习策略,避免重新初始化卷积神经网络,在节省大量样本与训练时间的同时能有效避免过拟合的发生。实验结果表明,提出的分类模型在小样本训练集上进行训练后得到的模型在实际测试中有较好的表现且对处于复杂背景下和严重畸变的交通标志具有可靠的识别能力和良好分类结果。