网络训练

摘要： 遥感图像能在短时间内获取大范围丰富的地表数据和细节,有效完成遥感图像场景的分类成为分析相关信息的重要依据。基于此,本文提出了PS-DenseNet下的代数模型遥感图像场景分类方法,为提升遥感图像的分类准确性,引入Lie group代数模型分析工程问题可获取底层特征并降低特征维度,并在Densenet基础上设计PS-DenseNet提取高层特征,进而采用焦点代价函数完成网络训练,所设计的深度网络模型可训练海量遥感图像样本特征,使模型具备较强的自学习功能;为校验本文方法的有效性,采用两类数据集完成本文方法和文献[5]、[6]方法的验证,实验结果表明,本文方法的OCA参数和Kappa参数均优于其他两种方法,并能在较少的epoch中达到分类精准度较高的稳定状态。

摘要： 针对DenseNet采用ReLU函数在特征传播过程中存在丢失图像的负特征问题,文中提出一种改进的DenseNet方法。首先,为了解决样本数据集少而产生的问题,采用数据增强方法中的图像翻转、旋转和随机裁剪方法来增加数据集;其次,利用Leaky ReLU函数不会丢失图像负特征的特性来代替ReLU函数,在反向传播时增加传播的负特征,并采用迁移学习的基于微调网络的技术进行训练从而防止过拟合。迁移学习是运用神经网络在大型数据集ImageNet上训练好的参数权重在小数据集上进行网络训练,再把原神经网络的全连接层改为小数据集需要的层。最后对唐卡图像进行分类。实验结果表明:改进的DenseNet取得了较好的性能,比DenseNet性能提高了1.1%;与VGG16、ResNet50和InceptionV3等其他卷积神经网络相比,改进的DenseNet对唐卡图像分类效果良好。

摘要： 地下水封洞库涌水量是评价工程质量的一个重要指标,目前工程中主要采用基于等效连续介质模型的各种方法进行预测分析,其预测值与实测值均存在明显的误差,难以满足实际工程需要。为提高水封洞库涌水量预测的准确性,在对影响涌水量的各种因素分析的基础上,利用人工神经网络(ANN)所具有的较强非线性映射能力和学习功能,建立水封洞库涌水量预测的非线性神经网络预测模型,并以国内已建的几个工程实测数据为训练样本。所建网络模型计算结果表明,采用ANN方法,预测分析简单快捷高效且预测精度高,具有良好的泛化性能,特别是预测过程中不再涉及复杂的理论模型和诸多难以确定的地质参数,是解决地下水封洞库涌水量预测的一种有效的方法。

摘要： 针对多天线组阵接收中未同步多路信号的联合调制识别问题,提出了一种基于深度神经网络的多天线组阵信号联合调制识别方法。该方法将多天线组阵信号联合调制识别问题转化为多元分类判决问题,使用深度神经网络实现信号调制方式的识别。首先,构建了多个卷积层、循环层和全连接层级联结构的深度神经网络;然后,基于广泛采用的RadioML框架构建训练、测试和验证数据集,数据集中单个信号样本为存在参数差异的多天线信号时域波形;最后,使用基于CPU+GPU架构的服务器对网络进行训练,并对其性能进行测试。结果表明,所提方法能够有效抑制多路信号间参数差异的影响,实现多路信号联合调制识别,接收单元数目越多,分类判决性能越好,且在高信噪比下优势体现更加明显。

摘要： 随着高阻抗变压器的广泛应用,其特殊的绕组结构导致励磁涌流过大,现场多次出现变压器空投时线路零序过流保护误动。目前尚缺乏对这一问题的有效应对策略,尝试通过应用人工神经网络(artificial neuralnetwork,ANN)对变压器涌流进行识别,从而达到制动线路零序过流保护的目的。从人工神经网络的选取、训练样本数据的确定、对零序保护的影响等方面进行研究,提出基于ANN的变压器涌流识别判据,将ANN输出与PSCAD/EMTDC仿真进行对比,验证了判据的有效性,并讨论其应用方案。防误动策略避免了复杂的整定过程和计算过程,为智能算法在保护中的应用提供了一种可行路径。

摘要： 针对因雾霾、夜间等视线不佳环境下难以识别行人、车辆、涵洞和隧道等各类障碍物的难题,提出了一种基于神经网络的车辅系统障碍物识别技术。第1步进行深度神经网络设计,首先应用了单步目标检测算法框架进行算法设计,然后通过多尺度预测解决热源体目标尺寸差异问题,最后进行目标位置回归估计。第2步进行覆盖目标的全部特征训练数据集制备。第3步进行网络训练和推理、模型迁移。第4步针对嵌入式的平台进行神经网络模型轻量化设计,解决量化误差并实现计算精度,实现驾驶人员在雾霾、夜间等环境下对路况障碍物准确识别并清晰显示告警。通过实际测试,该方法提升了在雾霾、夜间等环境下路况障碍物识别的准确性和实时性,保障了驾驶安全。

摘要： 近年来,计算机视觉领域得到了飞速发展,因此获得高质量的图像信息显得尤为重要.图像去雾是在恶劣天气条件下增强图像视觉质量所广泛使用的一种技术.暗通道先验的方法通过估计大气光以达到图像去雾的目的,虽取得了不错的效果,但仍然存在大气光值估计过高和不适用于大面积白色区域的问题.针对现有的图像处理去雾问题,本文提出了基于改进DehazeNet的深度学习图像去雾方法,该方法在估计透射率图部分引入了深度可分离卷积层.为增大感受野,在大气光值中采用膨胀卷积的方法,经验证表明,本文改进的去雾算法能有效还原有雾图像,提高图像质量,去雾效果从定量和定性两者评价上均优于其他对比算法.

摘要： 提出一种基于改进的SSD网络的安全驾驶行为识别方法.针对SSD目标检测算法VGG16网络结构的不足之处,用表征能力更强的Inception?ResNet网络进行替换;用残差学习算法减少网络学习维度,降低网络训练难度;引入多层特征金字塔结构,用改进三分支残差网络对小目标的语义进行多特征融合,从而在反向传播时可以获得后续多层的梯度信息,提高目标检测精度.给出了Tensorflow平台下具体的实现过程,测试结果表明,该方法能够实时有效地识别驾驶员疲劳状态,提高驾驶安全系数,减少交通事故.

摘要： 针对传统评估方法过度依赖专家经验、主观性强的问题,在深入分析空中无人通信平台作战效能影响因素的基础上,建立了作战效能评估指标体系;分析了BP神经网络用于作战效能评估的可行性,并构建了BP神经网络评估模型;最后,利用Matlab实现了实例验证评估.评估结果表明:BP神经网络模型评估结果与期望值一致,验证了该模型在空中无人通信平台作战效能评估中的有效性.

摘要： 为了得到物体真实的相位分布,需要对包裹相位进行解包裹处理.对此提出一种基于卷积神经网络的相位解包裹方法,并通过数值仿真分析了该方法的可行性.使用Matlab软件仿真产生大气湍流相位屏,对其进行包裹相位运算,得到对应的包裹相位图,建立网络的训练集和测试集.搭建卷积神经网络,采用训练集进行训练,利用训练好的数学模型进行解包裹运算即可得到相应去包裹的相位图,该过程避免了复杂的数值计算,有望在速度方面体现出较好优势.仿真结果表明,卷积神经网络能够很好地实现相位的解包裹运算,但模型参数对解包裹的精度会有一定的影响.

摘要： 本文基于支持向量机与径向基神经网络在结构上的相似性，提出了一种基于支持向量学习与OLS算法的二阶段RBF网络构造方法:先训练支持向量机得到RBF网络较优的初始结构和参数，再由OLS算法调整优化RBF网络参数.仿真研究表明，该学习算法显著提高了RBF网络的泛化能力.

摘要： 神经网络训练的BP算法具有学习过程收敛速度慢、易陷入局部极小点以及鲁棒性差等缺陷.粒子群优化群算法是一种全局随机优化的进化群体算法,能够有效地解决比较复杂的优化问题。将PSO 算法与改进的BP 算法Levenberg-Marquardt(L-M)算法相融合应用于奇偶问题学习算法中,增强了算法的优化性能,有效地解决了一般BP 算法收敛速度慢、易陷入局部极小点的问题,实例表明这种混合算法的优越性。

摘要： 在传统的BP网络训练中引入了神经元非线性敏感度因子β和神经元阀值的θGDR动态修正，在一定程度上克服了传统BP网络训练收敛速度慢、易陷入局部极小的缺陷。将改进后的算法同HPLC结合，用于有机物水溶解度的预测，取得了较传统线性回归方法更高的预测精度。

摘要： 连阴雨预报是选定小麦收打时机的重要依据，多元回归判别预报模型难以满足准确率要求。Matlab神经网络平台是用Matlab语言构造典型神经网络激活函数，使网络输出计算变成对激活函数调用。基于Matlab平台的BP神经网络预报模型利用误差反传算法修正网络权值，具有动态结构特性，网络模型构建和网络编程均较为简便。通过输入预报因子对网络进行训练，发现隐层具有3个神经元的网络预报模型具有很好的泛化能力；再与回归模型的拟合率和预报准确率的比对，网络模型明显优于回归模型。

摘要： 连阴雨预报是选定小麦收打时机的重要依据，多元回归判别预报模型难以满足准确率要求。Matlab神经网络平台是用Matlab语言构造典型神经网络激活函数，使网络输出计算变成对激活函数调用。基于Matlab平台的BP神经网络预报模型利用误差反传算法修正网络权值，具有动态结构特性，网络模型构建和网络编程均较为简便。通过输入预报因子对网络进行训练，发现隐层具有3个神经元的网络预报模型具有很好的泛化能力；再与回归模型的拟合率和预报准确率的比对，网络模型明显优于回归模型。

摘要： 连阴雨预报是选定小麦收打时机的重要依据，多元回归判别预报模型难以满足准确率要求。Matlab神经网络平台是用Matlab语言构造典型神经网络激活函数，使网络输出计算变成对激活函数调用。基于Matlab平台的BP神经网络预报模型利用误差反传算法修正网络权值，具有动态结构特性，网络模型构建和网络编程均较为简便。通过输入预报因子对网络进行训练，发现隐层具有3个神经元的网络预报模型具有很好的泛化能力；再与回归模型的拟合率和预报准确率的比对，网络模型明显优于回归模型。

摘要： 连阴雨预报是选定小麦收打时机的重要依据，多元回归判别预报模型难以满足准确率要求。Matlab神经网络平台是用Matlab语言构造典型神经网络激活函数，使网络输出计算变成对激活函数调用。基于Matlab平台的BP神经网络预报模型利用误差反传算法修正网络权值，具有动态结构特性，网络模型构建和网络编程均较为简便。通过输入预报因子对网络进行训练，发现隐层具有3个神经元的网络预报模型具有很好的泛化能力；再与回归模型的拟合率和预报准确率的比对，网络模型明显优于回归模型。

摘要： 连阴雨预报是选定小麦收打时机的重要依据，多元回归判别预报模型难以满足准确率要求。Matlab神经网络平台是用Matlab语言构造典型神经网络激活函数，使网络输出计算变成对激活函数调用。基于Matlab平台的BP神经网络预报模型利用误差反传算法修正网络权值，具有动态结构特性，网络模型构建和网络编程均较为简便。通过输入预报因子对网络进行训练，发现隐层具有3个神经元的网络预报模型具有很好的泛化能力；再与回归模型的拟合率和预报准确率的比对，网络模型明显优于回归模型。

摘要： 根据磁罗盘在通过地磁场对航向角测量过程中由于受到干扰致使所侧角度不准确的问题，本文提出利用神经网络对磁罗盘进行校正的方法。通过利用神经网络对磁罗盘测量值与真实值非线性关系进行模拟，利用外部参考航向角对神经网络进行训练，最终得到较精确的航向角。这一方法避免了对磁强计偏差和刻度因子的估计，仿真和实验表明该方法的有效性和鲁棒性。

摘要： 根据磁罗盘在通过地磁场对航向角测量过程中由于受到干扰致使所侧角度不准确的问题，本文提出利用神经网络对磁罗盘进行校正的方法。通过利用神经网络对磁罗盘测量值与真实值非线性关系进行模拟，利用外部参考航向角对神经网络进行训练，最终得到较精确的航向角。这一方法避免了对磁强计偏差和刻度因子的估计，仿真和实验表明该方法的有效性和鲁棒性。

摘要： 本发明提供了一种生成训练神经网络的训练数据的方法、训练神经网络的方法和利用神经网络进行自主操作的方法，以及相关设备和系统。一方面，提供了一种训练用于环境中对象的自主操作的神经网络的方法，包括：基于样本数据集生成策略值；基于所述策略值生成近似动作值函数；通过所述近似动作值函数为所述样本数据集中的所有状态以及所有可能动作生成近似策略值集；基于近似策略值计算所述神经网络的训练目标；计算训练误差作为所述训练目标和所述样本数据集中对应的状态动作对的策略值之间的差值；更新所述神经网络的至少一些参数以最小化所述训练误差。

摘要： 本公开涉及训练神经网络的方法、训练神经网络的系统以及神经网络。一种用于训练第一神经网络，以在图像输入到第一神经网络时，检测在该图像上可见并且属于给定对象类别的对象的视点的方法，包括：提供不同视点下的多对图像的数据集，提供被配置成能够得出对象的外观信息的第二神经网络，提供被配置成能够使用外观信息和视点，得出所述类别的对象的合成图像的第三神经网络，联合训练第一神经网络、第二神经网络和第三神经网络。

摘要： 本说明书实施例提供一种训练图生成网络、训练图神经网络的方法及装置，该方法包括：获取从原始关系图中提取的第一子图，其中各样本节点对应各样本用户，样本用户包括至少一个风险用户，边表示各样本用户之间的关联关系；获取扰动节点集，其中包括由正常用户构成的目标节点，及目标节点的邻居节点；利用图生成网络，处理第一子图和扰动节点集，生成第一子图中至少一个样本节点和目标节点之间的预测边，通过在第一子图上添加扰动节点集，并用预测边连接至少一个样本节点和目标节点，构成第二子图；利用图判别网络，预测第二子图为原始子图的第一概率；以最大化第一概率为目标，训练图生成网络。

摘要： 公开了一种神经网络的训练方法、神经网络的训练装置和电子设备。该神经网络的训练方法包括：通过多个相同结构的神经网络从输入的带标签数据集分别获取所述带标签数据集的多个特征图；将对于每个神经网络分别获取的所述多个特征图输入所述每个神经网络的Softmax激活函数以获得所述带标签数据集的标签对应位置的概率输出值；对于所述每个神经网络，基于所述多个神经网络中除了所述每个神经网络以外的其他神经网络的所述概率输出值对所述每个神经网络的原损失函数值进行加权以获得所述每个神经网络的新损失函数值；以及，基于所述每个神经网络的新损失函数值分别更新所述每个神经网络的参数。这样，提高了神经网络对标签噪声的鲁棒性。

摘要： 本公开涉及用于训练并使用生成式对抗网络的系统和方法。在一个实施方式中，一种训练生成式对抗网络的系统可以包括：至少一个处理器，其可以：提供第一多个图像，所述第一多个图像包括感兴趣特征的表示以及感兴趣特征的位置的指示符；并且利用第一多个图像和指示符来训练对象检测网络。此外，所述一个或多个处理器还可以：提供包括所述感兴趣特征的表示的第二多个图像，以及将经训练的对象检测网络应用于所述第二多个图像，以产生感兴趣特征的多个检测。此外，所述一个或多个处理器还可以：提供关于多个检测对真阳性和假阳性的手动设置的验证；利用验证来训练生成式对抗网络；以及利用至少另一组图像、进一步的检测和进一步手动设置的验证来重新训练生成式对抗网络。

摘要： 公开了一种神经网络的训练方法、神经网络的训练装置和电子设备。该神经网络的训练方法包括：使用第一神经网络从输入图像获得第一特征图；使用第二神经网络从所述输入图像获得第二特征图；基于所述第一特征图和所述第二特征图进行注意力特征模仿以获得第一损失函数值；基于所述第一特征图和所述第二特征图进行对抗特征模仿以获得第二损失函数值；以及，基于所述第一损失函数值和所述第二损失函数值更新所述第二神经网络。这样，可以使得第二神经网络所获得的特征类似于第一神经网络的特征。

摘要： 本申请公开了一种实例分割网络的训练模型及训练方法，一种实例分割网络。本申请公开的训练模型包括：特征提取网络、检测分割头部网络、直方图头部网络和损失计算模块，该模型中的检测分割头部网络能够对特征提取网络的输出数据中的时域信息进行处理；直方图头部网络能够对特征提取网络的输出数据中的频域信息进行处理；损失计算模块能够优化特征提取网络、检测分割头部网络和直方图头部网络分别对应的训练参数。本申请同时利用时域信息和频域信息训练实例分割网络，可以提高训练精度，从而提高实例分割网络的计算精度和分割性能。相应地，本申请提供的一种实例分割网络的训练方法和一种实例分割网络，也同样具有上述技术效果。

摘要： 本发明提供了一种神经网络的训练方法和神经网络。该方法包括：对输入的一组训练样本重复进行多次运算处理，每次运算处理包含：对于每个激活节点，根据选择概率值，随机地从线性运算和非线性运算之中选择出第一选择结果，来进行第一次网络训练，以获得第一训练损失值；对于每个激活节点，根据选择概率值，随机地从线性运算和非线性运算之中选择出第二选择结果，来进行第二次网络训练，以获得第二训练损失值；当第一训练损失值小于第二训练损失值时，增加每个感兴趣节点的第一选择结果的概率值；以及当第二训练损失值小于等于第一训练损失值时，增加每个感兴趣节点的第二选择结果的概率值。本发明通过引入随机性，提高了神经网络的精度。

摘要： 本发明提供一种图片检测网络训练方法及图片检测网络训练装置，涉及图片检测领域。该图片检测网络训练方法包括：采用深度神经网络提取待预测图片的特征，生成多个融合尺度的特征图；根据所述多个融合尺度的特征图，识别所述待预测图片中的物体参数；根据识别出的所述物体参数、所述待预测图片的预设物体参数以及损失函数，确定损失值；根据所述损失值，采用预设方法优化所述深度神经网络，得到优化后的深度神经网络，所述优化后的深度神经网络用于识别图片中的物体参数。实现了识别图片时兼顾图片中的整体和细节，检测快速、准确，检测效果好、效率高。

摘要： 一种用于矩阵计算的光子张量核集成电路的硬件架构及其神经网络训练方法。基于光电混合相干探测与电子累积原理，实现了一种集成化的光子点积计算单元(以下简称DPU)，并且将DPU阵列式排布，形成大规模并行化的矩阵乘法计算硬件，即张量核。通过双层扇入波导总线设计，实现了二维大规模DPU阵列的互连。本发明还具体提出了将光子张量核集成电路应用于神经网络训练中的方法。本发明实现高速数据加载与高速矩阵计算；避免的了光电时钟速率不匹配导致的木桶短板效应；双层波导总线设计避免波导交叉的损耗与串扰；可以应用于所有包含矩阵计算的算法中，包括神经网络推理与训练。