基于注意力机制与特征相关性的人脸表情识别

针对自然条件下人脸表情识别面临遮挡、光照、姿势变化等挑战，存在识别准确率低的问题, 提出了一种新的深度学习网络模型用于人脸表情识别。以ResNet为基础网络，融合了瓶颈注意力机制及全局二阶池化层，其中瓶颈注意力机制专注于表情重要特征的提取，全局二阶池化层度量表情特征之间的相关性，在此基础上通过联合正则化策略，平衡和改善特征数据分布情况，提高表情识别准确率。所提方法在2个公开数据集FER2013和CK+ 进行了测试及验证，最高准确率分别达到了74.227%和95.8%，性能优于诸多现存的主流方法，表明所提模型具有较好的准确性和鲁棒性。      

改进深度卷积生成式对抗网络的文本生成图像

针对深度卷积生成式对抗网络(DCGAN)模型高维文本输入表示的稀疏性导致以文本为条件生成的图像结构缺失和图像不真实的问题，提出了一种改进深度卷积生成式对抗网络模型CA-DCGAN。采用深度卷积网络和循环文本编码器对输入的文本进行编码，得到文本的特征向量表示。引入条件增强（CA）模型，通过文本特征向量的均值和协方差矩阵产生附加的条件变量，代替原来的高维文本特征向量。将条件变量与随机噪声结合作为生成器的输入，并在生成器的损失中额外加入KL损失正则化项，避免模型训练过拟合，使模型可以更好的收敛，在判别器中使用谱约束（SN）层，防止其梯度下降太快造成生成器与判别器不平衡训练而发生模式崩溃的问题。实验验证结果表明：所提模型在Oxford-102-flowers和CUB-200数据集上生成的图像质量较alignDRAW、GAN-CLS、GAN-INT-CLS、StackGAN(64×64)、StackGAN-v1(64×64)模型更好且接近于真实样本，初始得分值最低分别提高了10.9%和5.6%，最高分别提高了41.4%和37.5%,FID值最低分别降低了11.4%和8.4%，最高分别降低了43....     

基于L1/2范数正则化的塑性回声状态网络故障诊断模型

为了提升储备池的动态适应性能,克服回声状态网络（ESN）输出权值求解的病态不适定问题,平衡其拟合与泛化能力,提出了一种基于L_1/2范数正则化的塑性回声状态网络故障诊断模型。在储备池构建中引入BCM规则对连接权矩阵进行预训练,并在目标函数中添加L_1/2范数惩罚项以提高稀疏化效率,利用一个光滑化的L_1/2正则子克服迭代数值振荡问题,并采用半阈值迭代法对模型进行求解。将模型应用于机载电台的故障诊断问题中,仿真结果证明了模型的有效性和优越性。     

嵌入注意力机制的多尺度深度可分离表情识别

针对面部表情识别中，传统机器学习方法特征提取较为复杂，浅层卷积神经网络识别率不高，以及深度卷积神经网络易带来梯度爆炸或弥散的问题，构建了残差网络嵌入注意力机制的多尺度深度可分离表情识别网络。通过多层多尺度深度可分离残差单元的叠加进行不同尺度的表情特征提取，使用CBAM注意力机制进行表情特征的筛选，提升有效表情特征权重的表达，削弱训练数据的噪声影响。所提网络模型在Fer-2103和CK+表情数据集分别取得了73.89%和97.47%的准确度，表明所提网络具有较强的泛化性。      

基于深度残差收缩网络的滚动轴承故障诊断

滚动轴承的准确故障诊断是确保机械设备安全可靠运行的必要手段。针对多故障、长时间序列的滚动轴承振动信号，提出了一种基于深度残差收缩网络(DRSN)模型的故障诊断方法。首先，根据采集到的滚动轴承数据构造故障样本，针对多种故障类型下的长时间序列的振动信号，按照一定尺寸将长时间序列矩阵化，构成多故障类型的灰度图故障样本。从正常到故障的滚动轴承性能退化过程，通过多个采样点的随机采样，构造全寿命周期的故障样本用于故障诊断。其次，在多层深度学习模型基础上，将残差收缩网络模块加入到卷积神经网络(CNN)中构建深度残差收缩网络模型用于故障诊断，其中通过将残差项加入到网络中训练解决了多层网络模型的模型退化问题，利用软阈值化实现了样本降噪。最后，为了验证所提方法的有效性，采集了滚动轴承的多故障时间序列样本和全寿命周期故障样本用于故障诊断。实例验证的结果表明:所提深度残差收缩网络模型在处理含噪声样本时仍具有良好的鲁棒性，多层网络模型下没有明显的网络退化，能够保持较高的故障诊断正确率。在处理2种轴承故障数据集时，与其他模型相比，所提方法训练误差更低，平均故障诊断正确率提高1%~6%。      

基于MobileFaceNet网络改进的人脸识别方法

为了解决训练过程中卷积模型参数较多、收敛速度较慢的问题，提出了一种基于MobileFaceNet网络改进的人脸识别方法。首先，使用MobileFaceNet网络提取人脸特征，在提取特征的过程中，通过引入可分离卷积减少模型中卷积层参数的数量；其次，通过在MobileFaceNet网络中引入风格注意力机制来增强特征的表达，同时使用AdaCos人脸损失函数来训练模型，利用AdaCos损失函数中的自适应缩放系数，来动态地调整超参数，避免了人为设置超参数对模型的影响；最后，分别在LFW、AgeDB和CFP-FF测试数据集上对训练模型进行评估。实验结果显示:改进后的模型在LFW、AgeDB和CFP-FF测试数据集上的识别精度分别提升了0.25%、0.16%和0.3%，表明改进后的模型相较于改进前的模型在精度和鲁棒性上有所提高。      

基于IRAPF算法的航天器姿态确定

针对航天器姿态确定系统中存在较大初始误差及非线性较强的问题,提出了一种基于改进的正则化辅助粒子滤波（IRAPF）算法的航天器姿态确定方法。该算法将正则粒子滤波（RPF）与辅助粒子滤波（APF）相结合,将快速高斯变换（FGT）方法引入其中以减少计算量提高滤波的收敛速度。算法不仅有效地抑制了粒子退化问题,而且利用最新观测粒子来优化采样,并且在引入FGT后计算量与正则化的辅助粒子滤波相比降低了30%,改善了滤波的实时性。仿真结果表明了滤波的有效性。     

SAR图像点目标超分辨正则化方法的简化计算

合成孔径雷达(SAR)是一种高分辨率相干成像雷达,是重要的空间遥感手段,分辨率的高低直接决定了其应用效果的优劣。正则化方法是提高SAR图像分辨率的有效方法,但传统的迭代算法计算速度较慢。文中分析了基于lk范数的图像超分辨正则化方法的迭代求解公式,得出了由该迭代公式产生的迭代序列收敛的极限的解析表达式。将该结论用于正则化模型的求解可以显著降低计算量,由此得到了正则化迭代算法的简化计算方法。仿真与MSTAR图像处理结果表明,简化后的方法计算速度提高了2 000倍以上,计算结果与传统方法的相对差别小于6×10-9。     

基于CS的正则化稀疏度变步长自适应匹配追踪算法

压缩感知(CS)能够突破Nyquist采样定理的瓶颈,使得高分辨率信号采集成为可能。重构算法是压缩感知中最为关键的部分,迭代贪婪算法是其中比较重要的研究方向。对压缩感知理论进行了详细分析,并在现有重构算法的基础上提出了一种新的迭代贪婪算法——正则化稀疏度变步长自适应匹配追踪(RSVss AMP)算法,可在信号稀疏度未知的情况下,结合正则化和步长自适应变化思想,快速精确地进行重构。相比于传统迭代贪婪算法,本文算法不依赖于信号稀疏度,并且应用正则化以确保选取支撑集的正确性。此外,应用自适应变化步长代替固定步长,能够提高重构速率,而且达到更高的精度。为了验证本文算法的正确性,选取高斯稀疏信号和离散稀疏信号分别进行仿真,并与现有算法进行比较。仿真结果表明,本文算法相比于现有算法可以实现更加精确快速的重构。     

遮挡条件下的鲁棒表情识别方法

提出了一种对面部遮挡具有鲁棒性的表情识别方法.首先,基于鲁棒主成分分析(RPCA,Robust Principal Component Analysis)对待识别人脸进行重构,并对重构人脸和待识别人脸的差值图像进行显著性检测得到面部遮挡区域;其次,将待识别人脸的遮挡区域由RPCA重构人脸的相应区域进行替换,并由权值更新的AdaBoost分类器对遮挡区域重构后的人脸进行表情识别.在BHU(Beihang University)人脸表情数据库和日本女性表情数据库上进行了各种遮挡情况下的表情识别实验,获得了比AdaBoost方法更好的识别结果,说明基于RPCA和AdaBoost的表情识别方法对多种面部遮挡具有较强的鲁棒性.     

基于多尺度梯度及深度神经网络的汉字识别

介绍了一种基于多尺度滑动窗的方法提取文字的梯度直方图特征,并结合深度神经网络对印刷体汉字进行识别.针对梯度直方图的空间关系,使用可伸缩的滑动窗对图像进行分割,在不同尺度上获取文字的特征信息,有效融合汉字的全局特征和局部分块特征.实验采用5层的深度神经网络模型对国标一级3755个印刷体汉字进行分类,并应用Dropout技术防止训练过拟合,提高神经网络的泛化能力.实验准确率达到98.292%,有较好的识别性能,验证了本文多尺度梯度特征及深度神经网络模型在文字识别上的有效性.      

基于通道注意力机制的行人重识别方法

针对行人特征表达不充分的问题，提出了一种基于通道注意力机制的行人重识别方法。将通道注意力机制SE模块嵌入到骨干网络ResNet50中，对关键特征信息进行加权强化；采用动态激活函数，根据输入特征动态调整ReLU的参数，增强网络模型的非线性表达能力；将梯度中心化算法引入Adam优化器，提升网络模型的训练速度和泛化能力。在Market1501、DukeMTMC-ReID和CUHK03主流数据集上对改进后的模型进行测试评价，Rank-1分别提升2.17%、2.38%和3.50%，mAP分别提升3.07%、3.39%和4.14%。结果表明:改进后的模型能够提取更强鲁棒性的行人表达特征，达到更高的识别精度。      

基于多分辨率特征自选择的遮挡物识别算法

光伏组件的遮挡物识别是光伏运维系统中不可或缺的环节，传统识别算法多依赖人工巡检，成本高昂且效率低下。基于卷积神经网络，提出了一种面向光伏组件的遮挡物识别算法PORNet。通过引入特征金字塔，构建多个分辨率下具有丰富语义信息的图像特征，提升对遮挡物尺度和密度的敏感性。通过特征自选择，筛选出语义最具代表性的特征图，以加强物体环境的语义信息表达。用筛选出的特征图完成遮挡物识别，从而提升识别准确率。在自建光伏组件落叶遮挡数据集上进行了实验比较和分析，并对识别性能进行了评估，通过与现有物体识别算法相比，所提算法的准确率和召回率分别提升了9.21%和15.79%。      

基于概念空间学习认知的机器人目标识别方法

针对复杂环境中机器人多类目标识别通常所依托的原始特征空间中数据区分度低、难以直接表达高层次特征知识的挑战性问题,采用概念空间知识表达方法,通过多传感器数据融合与特征提取建立基本特征空间,并运用高斯混合模型表示目标的各种属性,形成具有高层知识特性的概念空间,在此基础上进行高层知识的概念学习,增强多类目标在概念空间中的可区分性.利用支持向量机作为机器人的分类器,实现针对室内环境的多类目标物体的准确识别.实验结果表明:该方法不但有效地获取和表达待识别目标的高层特征知识,而且能有效提高机器人的目标识别与环境感知能力,展现出优越的分类识别性能.     

面向目标检测的双驱自适应遥感图像超分重建方法

有光学遥感图像超分重建方法主要是生成视觉上令人满意的图像,并未考虑后续目标检测任务的特殊性,不能有效地应用到目标检测中。基于此,提出了面向目标检测的双驱动自适应多尺度光学遥感图像超分重建方法,将超分重建网络和目标检测网络结合起来,进行联合优化。针对光学遥感图像的特点设计了自适应多尺度遥感图像超分重建网络,集成选择性内核网络和自适应特征门控单元来特征提取和融合,重建出初步遥感图像。通过提出的双驱动模块,将特征先验驱动损失和任务驱动损失传到超分重建网络中,提高目标检测的性能。在UCAS-AOD和NWPU VHR-10数据集上进行实验,并与5种主流方法进行比较,所提方法的峰值信噪比和平均准确率相较于FDSR方法分别提高了1.86 dB和3.73%。实验结果表明,所提方法和光学遥感图像目标检测结合可以取得更好的效果,综合性能更佳。      

卷积神经网络卫星信号自动调制识别算法

自动调制识别是空间认知通信系统的关键技术，有助于实现自适应信号解调。深度神经网络虽然具有特征提取能力强的优势，但也存在参数众多、计算量大的问题，难以实现空间在轨应用。针对以上问题，提出了一种轻量化、高性能的卷积神经网络结构。网络先提取信号的同相正交相关特征，再提取时域特征，最后提取各通道特征均值进行分类。对11种调制方式分类的实验结果表明:当信噪比高于0 dB时，平均识别准确率能达到86.94%，较传统的高阶累积量的方法提高了31.54%;与目前高识别准确率的深度神经网络模型相比，仅使用不到10%的模型参数，在树莓派4B上计算速度平均提高了20倍。      

基于FPGA的红外目标识别神经网络加速器设计

在红外目标识别领域，基于卷积神经网络的深度学习算法的识别精度已远远超过了传统模式识别算法,但神经网络的实现需要庞大的计算和存储，难以在无人机等嵌入式平台上进行部署。针对此问题，将通道级量化策略和梯度的近似优化训练引入到了低比特神经网络模型的建立中，并提出了一种可充分利用硬件计算资源的FPGA加速器，其整体平均性能为65.6GOPS。与其他相关工作的对比表明，低比特量化方法及其FPGA加速器实现，可以为嵌入式红外目标识别系统提供一种能效高、识别精度高的解决方案。