作者:刘颖; 朱丽; 林庆帆; 李莹华; 王富平; 卢津 期刊:《计算机科学与探索》 2020年第02期
图像超分辨率(SR)是计算机视觉中提高图像和视频分辨率的一类重要技术。近年来,得益于神经网络的成功,基于深度学习的图像超分辨率技术正在蓬勃发展,这无疑是超分辨率技术研究的主流方向。对超分辨率工作进行综述。首先,总结目前已有的超分辨率技术,根据其输入输出进行分类介绍;其次,将基于深度学习的单图像超分辨率技术分为有监督学习和无监督学习两类进行论述,并对部分具有代表性的最新超分辨率重建技术进行总结分类介绍;然后,讨...
作者:刘雨辰 期刊:《电脑编程技巧与维护》 2020年第01期
研发的自动视野计VFVR生成的数据为一个二维地图,分区域标明各处的视神经的敏感度。尝试运用机器学习技术对视野数据进行自动分类,并给出视神经损害的程度。使用无监督学习技术进行自动分类,经过分类的数据经人工标注以后,作为训练数据输入模型进行强化学习,模型经实际数据检验,分类准确度在85%以上。
作者:卢杏坚; 高小征 期刊:《自动化与信息工程》 2017年第04期
针对传统电力负荷预测算法存在模型训练速度慢、预测效果差等问题,提出基于深度学习的并行负荷预测方法。该方法基于MapReduce并行计算框架,结合深度信念网络模型,以历史负荷信息与天气信息为样本数据进行并行化训练,并通过训练模型预测负荷值。经实验验证,本文的预测方法预测的电力负荷值与实际值的平均均方根误差为2.86%,预测精度高于传统方法,且有效减少了训练与预测时间,能适应大规模电力数据的预测要求。
作者:仲志丹; 樊浩杰; 李鹏辉 期刊:《西安科技大学学报》 2018年第04期
针对传统示功图识别方法对抽油机井进行故障诊断存在人工选取示功图几何特征,识别准确度低等问题,提出一种基于稀疏自编码神经网络的示功图智能识别模型。采用无监督学习方式的稀疏自编码器构建特征学习网络自动提取无标签示功图训练集图像特征,然后采用有标签示功图训练集对softmax分类器进行有监督训练,最后通过稀疏自编码神经网络对学习到的有标签示功图测试集特征进行分类并给出故障诊断结果。结果表明,将稀疏自编码神经...
作者:赵从健; 雷菊阳; 李明明 期刊:《软件》 2019年第12期
针对语音签到系统在实际运用中识别率较低的问题,从提高对标签缺失数据的利用角度出发,提出一种利用无监督学习来提高识别率的方法。该方法基于深度置信网络隐马尔可夫混合模型(DBN-HMM),利用受限波尔茨曼机(RBM)为无监督学习提取特征参数,接着利用深度置信网络(DBN)得到对原始数据的观测概率。隐马尔可夫(HMM)据此通过前向算法求出数据的似然概率,并将概率值最大的类别作为识别结果。实验表明,使用DBN-HMM模型可以有效利用存在标...
作者:陈翔; 赵英全; 顾庆; 倪超; 王赞 期刊:《软件学报》 2019年第12期
软件缺陷预测技术通过挖掘和分析软件库训练出软件缺陷预测模型,随后利用该模型来预测出被测软件项目内的缺陷程序模块,因此可以有效地优化测试资源的分配.在基于代价感知的评测指标下,有监督学习方法与无监督学习方法之间的预测性能比较是最近的一个热门研究话题.其中在基于文件粒度的缺陷预测问题中,Yan等人最近对Yang等人考虑的无监督学习方法和有监督学习方法展开了大规模实证研究,结果表明存在一些无监督学习方法,其性能要优...
作者:孙一飞; 武继刚; 张欣鹏 期刊:《计算机工程与科学》 2019年第11期
小目标检测是图像处理领域的一个难点,尤其是医学图像中的小目标检测。微动脉瘤MA作为眼底图像中的一类小目标,尺寸小、局部对比度较低,并且存在较多的噪声干扰,检测难度较大。传统的检测方法需要手工提取特征,难以准确检测MA。而基于深度学习的检测需要进行复杂的前期准备工作,工作量大,并且难以解决正负样本数量不平衡的问题,容易产生过拟合。稀疏编码器SAE是一种无监督机器学习算法,可以在样本数量不平衡的环境中有效地提取样本...
作者:曾凡智; 周燕; 余家豪; 罗粤; 邱腾达; 钱杰昌 期刊:《计算机科学》 2019年第12期
针对企业产品制造过程中海量的计算机辅助设计(Computer Aided Design,CAD)模型的高效检索难题,文中研究了一种基于二维CAD模型内容特征的检索算法,构建了一个可用于CAD的DXF格式源文件模型库的检索系统原型。首先,通过对二维CAD模型的DXF文件结构进行分析,来研究模型中的图元规律并进行形状重构;其次,依据图元特点,提出了基于统计直方图、二维形状分布和傅里叶变换共3类内容特征的提取方法;最后,设计了基于无监督学习的多特征融合...
作者:张泽堃; 张海波 期刊:《网络安全技术与应用》 2019年第10期
随着现代服装行业的发展,服装种类和品牌不胜枚举,导致服装数据迅速增长,但是海量的服装数据也使得用户在检索和搭配的需求日益增加。智能的服装搭配技术可以帮助广大的非服装专业的普通用户快速选择到适合自己的服装。但是由于数据量的暴增,使得传统的算法面临着性能不佳和准确度不理想的问题,随着深度学习的发展,服装搭配的问题可以更好的得到解决。本文对近几年服装搭配的方法进行介绍和总结,将搭配的方法大致分为监督学习和无...
据New Scientist网站2018年6月15日消息,DeepMind在《Science》杂志上,提出生成查询网络(Generative Query Network,GQN),能够在无监督的情况下,抽象地描述场景元素,并通过“脑补”渲染出场景中没有见到的部分。研究人员表示,该模型能从一个场景的少量2D照片中重新生成3D表示,并且能从新的摄像头视角将它渲染出来。
作者:李苍柏; 范建福; 宋相龙 期刊:《地质学刊》 2018年第01期
自Hinton等使用基于卷积神经网络的深度学习模型赢得Image Net分类比赛以来,深度学习的研究席卷了各个行业。通过介绍深度学习的历史,探索国内地质行业中深度学习模型的使用情况,并介绍深度学习的基础概念(如神经元、神经网络、监督学习和无监督学习等)以及深度学习基础模型中的2个重要网络:深度信念网络(DBN)和卷积神经网络(CNN)。在此基础上,类比深度学习在医学等相关领域的应用,提出了深度学习在地质上的几点应用:利用...
作者:任凯凯 期刊:《计算机产品与流通》 2017年第07期
僵尸网络已经超越木马,病毒等恶意软件成为国内乃至世界安全领域最为关注的危害之一。当前的僵尸网络检测方法针对P2P僵尸网络检出率过低。本文提出一种基于网络通信流量特征和网络通信结构特征的检测方案,该方案无需分析僵尸网络数据包的通信内容,通过交叉检测网络节点的通讯行为和通讯特征,即可挖掘出僵尸节点主机群,具有较高的检测率。
随着其他无监督学习及生成学习算法的发展,深度信念网络已较少被使用,从某种程度上来说它成为了“深度学习”的“先烈”.
作者:柯研; 王希龙; 郑钰辉 期刊:《电子技术与软件工程》 2018年第24期
近年来,随着深度学习的火热发展,以深度卷积神经网络为代表的监督学习已经在计算机视觉等领域上发挥出了巨大的作用,然而用深度学习去解决无监督学习受到的关注却比较少,直道有人将卷积神经网络引入到生成式模型上,提出了卷积神经网络与生成对抗网络相结合的深度卷积生成对抗网络。卷积神经网络的加入使得其具有了一定的结构性约束,与传统机器学习算法相比在无监督学习的方向上展现出了更加强大的性能,拥有更好的生成效果,特别是在...
本文主要介绍了人工智能的核心——机器学习中的无监督学习算法中的高斯混合模型。研究了使用EM算法对高斯混合模型进行参数估计。其次讨论了高斯混合模型和K-means算法作为聚类算法上的异同。最后介绍了现阶段高斯混合模型在实际中的应用。
传统图像分类算法需要大量的数据进行有监督训练,造成了数据冗余进而带来维数灾难,为此提出一种基于深度学习的聚类分析算法。聚类分析利用数据内部簇结构和模式进行分类,不需要对样本进行训练得到先验知识,降低了计算复杂度。引入深度学习对数据内部结构和模式进行特征学习,得到数据的初步聚类,再对初步聚类进行不断优化得到最终的分类效果。实验结果表明,算法很好地解决了信息全面与维数灾难的矛盾,具有良好的实用性和主观一致性...
及时识别出异常波动,是防范化解系统性金融风险的首要一步,在这方面人工智能可以发挥重要作用。本文以货币市场质押式回购交易为研究对象,探索利用无监督机器学习算法,自动识别异常波动。我们不主观地设定“正常”、“异常”的标准,而是由计算机按照LOF算法和IF算法,从历史数据中“学习”潜在的决策函数,判断什么是异常波动,得到的结果较为合理。算法自动识别出的异常波动有以下特点:成交额或利率的变化普遍较大;具有明显的季节性...
语音端点检测是语音信号处理的一个重要环节,传统的语音端点检测算法往往是基于短时能量以及过零率等实现,在低信噪比的环境下,检测算法的准确度较低。因此,提出了一种基于自组织映射(SOM)神经网络和长短时记忆(LSTM)递归神经网络相结合的端点检测算法。该算法通过检测语音信号在每个时间节点上的特征属性利用SOM神经网络进行聚类,并根据每个时间节点的语音状态对聚类结果进行调整,构造能够判别语音状态和噪声状态的样本作为LSTM递...
作者:周悦; 谭本东; 李淼; 杨旋; 明; 张振兴; 谭敏; 杨军 期刊:《电力建设》 2018年第02期
在机器学习领域,暂态稳定评估问题被定义为通过大量故障样本来估计稳定边界的二分类问题。该文提出了一种深度学习方法来解决这个二分类问题。该方法包含4个步骤:首先,利用样本数据构建原始输入特征来描述电力系统动态特性;然后,采用变分自动编码器(variational auto-encoders,VAE)对原始输入特征进行无监督学习实现特征抽取,从而获得高阶特征;之后,对卷积神经网络(convolution neural network,CNN)进行有监督学习训练得到高...
生成对抗网络(GANs)是现阶段人工智能的研究热点,介绍了GANs的模型原理,阐述其优点和缺陷及其改进模型,总结了GANs在图像、文字、视频等领域的应用现状和研究进展。