检索结果-南通市图书馆

基于改进pcanet模型的铣刀磨损预测方法研究

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

机械工程学报 2023年第1期59卷 278-285页

作者：段暕周宏娣刘智勇詹小斌梁健强史铁林华中科技大学机械科学与工程学院武汉430074 湖北工业大学机械工程学院武汉430068

铣刀健康状况直接影响实际生产加工过程,因此开展铣刀状态监测研究具有较大工程意义。以卷积神经网络为代表的深度学习模型已经逐渐用于监测加工过程中的刀具状态。但是这些模型的可解释性较差,预测结果的差异性也较大。作为一种新颖的... 详细信息

铣刀健康状况直接影响实际生产加工过程,因此开展铣刀状态监测研究具有较大工程意义。以卷积神经网络为代表的深度学习模型已经逐渐用于监测加工过程中的刀具状态。但是这些模型的可解释性较差,预测结果的差异性也较大。作为一种新颖的卷积神经网络变种,主成分分析模型(Principal component analysis network,pcanet)的可解释性好,但是特征自监督学习能力有待提升,且相关应用案例较少。针对以上问题,拟对pcanet模型进行优化,进而提出了一种激活主成分分析-最大池化-支持向量回归(Activated pcanet with max pooling and support vector regression,Apcanet-MP-SVR)模型,用于自适应提取敏感特征并准确预测刀具磨损情况。首先引入tanh激活函数,提高模型泛化能力;再采用最大池化层替代哈希编码和直方图用于特征选择,进一步降低冗余特征规模;最后建立支持向量回归模型实时预测刀具磨损值。应用案例充分证明了所提模型能够更好地用于加工现场刀具磨损值预测。

关键词：刀具磨损深度学习 pcanet 激活函数池化层

A Flower Image Classification Algorithm Based on Saliency Map and pcanet

在线全文

学校读者我要写书评

暂无评论

通讯和计算机（中英文版） 2019年第1期15卷 14-24页

作者： Yan Yangyang Fu Xiang Institute of Computer Vision Nanchang Hang Kong UniversityNanchangChina

Flower Image Classification is a Fine-Grained Classification *** main difficulty of Fine-Grained Classification is the large inter-class similarity and the inner-class *** this paper,we propose a new algorithm based on Saliency Map and pcanet to overcome the *** algorithm mainly consists of two parts:flower region selection,flower feature *** first part,we combine saliency map with gray-scale map to select flower *** second part,we use the flower region as input to train the pcanet which is a simple deep learning network for learning flower feature automatically,then a 102-way softmax layer that follow the pcanet achieve *** approach achieves 84.12%accuracy on Oxford 17 Flowers *** results show that a combination of Saliency Map and simple deep learning network pcanet can applies to flower image classification problem.

关键词： Saliency map pcanet deep learning flower image classification

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

基于pcanet的价值成长多因子选股模型

计算机科学 2020年第S2期47卷 64-67页

作者：张宁石鸿伟郑朗单子豪吴浩翔中央财经大学金融学院北京100081

作为量化投资程序中的重要组成部分,量化多因子选股模型是通过历史金融数据建模来预测股票收益,该模型中引入了包括深度学习在内的众多机器学习方法。文中则首次探究了pcanet这样一种深度架构在量化选股中的应用。具体来说,该框架一方... 详细信息

作为量化投资程序中的重要组成部分,量化多因子选股模型是通过历史金融数据建模来预测股票收益,该模型中引入了包括深度学习在内的众多机器学习方法。文中则首次探究了pcanet这样一种深度架构在量化选股中的应用。具体来说,该框架一方面将金融时序数据转换为二维图像数据,从而将金融时间序列预测问题转变为图像分类问题;另一方面将PCA应用于深度架构,充分发挥其能力,同时提供了金融行业可以理解和反馈的可解释性。两年的实际数据回测表明,该方法获得了57.17%的夏普比率、16.84%的超额收益以及-18.14%的最大回撤。相比传统的线性回归模型和深度学习的CNN模型,所提基于pcanet的价值成长多因子选股模型获得了更高的超额收益和夏普比率,同时保持了继承于PCA的特征提取的解释性。

关键词： pcanet 多因子选股超额收益夏普比率因子图

基于pcanet的非下采样剪切波域多聚焦图像融合

在线全文

学校读者我要写书评

暂无评论

计算机科学 2021年第9期48卷 181-186页

作者：黄晓生徐静华东交通大学软件学院南昌330013

近年来,基于深度学习模型的图像融合方法备受关注。而传统的深度学习模型通常需要耗时长和复杂的训练过程,并且涉及参数众多。针对这些问题,文中提出了一种基于简单的深度学习模型pcanet的非下采样剪切波(Non-Subsanmpled Shearlet Tran... 详细信息

近年来,基于深度学习模型的图像融合方法备受关注。而传统的深度学习模型通常需要耗时长和复杂的训练过程,并且涉及参数众多。针对这些问题,文中提出了一种基于简单的深度学习模型pcanet的非下采样剪切波(Non-Subsanmpled Shearlet Transform,NSST)域多聚焦图像融合方法。首先,利用多聚焦图像训练两阶段pcanet,用于提取图像特征。然后,对输入源图像进行NSST分解,得到源图像的多尺度和多方向表示。低频子带利用训练好的pcanet提取其图像特征,并利用核范数构造有效的特征空间进行图像融合。高频子带利用区域能量取大的融合规则进行融合。最后对根据不同融合规则融合后的频率系数进行NSST重构,获取清晰的目标图像。实验结果表明,所提算法的训练和融合速度比基于CNN的方法提高了43%,该算法的平均梯度、空间频率、熵等融合性能分别为5.744,15.560和7.059,可以与现有融合方法相媲美或优于现有的融合方法。

关键词：多聚焦图像融合深度学习 pcanet NSST CNN

局部球面规范化嵌入:pcanet的一种改进方案

在线全文

学校读者我要写书评

暂无评论

计算机科学 2018年第5期45卷 238-242,249页

作者：李小薪吴克宋齐盼盼周旋刘志勇浙江工业大学计算机科学与技术学院杭州310023 深圳职业技术学院工业中心广东深圳518055

当人脸图像中存在较大比例的光照变化或遮挡时,pcanet所采用的局部零均值预处理以及PCA滤波器对噪声的过滤作用将导致所生成的特征图的整体分布主要集中在0附近,在一定程度上丧失了冗余性。为了提升pcanet对抗噪声的能力,提出了局部球... 详细信息

当人脸图像中存在较大比例的光照变化或遮挡时,pcanet所采用的局部零均值预处理以及PCA滤波器对噪声的过滤作用将导致所生成的特征图的整体分布主要集中在0附近,在一定程度上丧失了冗余性。为了提升pcanet对抗噪声的能力,提出了局部球面规范化方法,并将其嵌入pcanet的卷积层,从而拓展了pcanet特征的丰富性。在UMBDB和AR库上的实验表明,改进后的pcanet具有更好的冗余性、鲁棒性和识别性能。一个重要的发现在于:特征的冗余性需要在噪声滤除的过程中逐步提升,直接对输入图像施加局部球面规范化可能会导致不稳定的识别性能。

关键词：人脸识别特征提取 pcanet 局部球面规范化

在线全文

学校读者我要写书评

暂无评论

基于并行交叉pcanet车辆检测算法

天津师范大学学报（自然科学版） 2018年第5期38卷 64-68页

作者：朱世懂姜丽芬孙华志马春梅天津师范大学计算机与信息工程学院天津300387

针对传统机器学习车辆检测算法对复杂场景下车辆检测率低的问题,提出了一种并行交叉pcanet车辆检测算法,该算法使用2条pcanet,用实际车辆图像数据集和卷积神经网络提取的车辆轮廓图像数据集训练2个特征提取器,并且将提取的特征进行融合... 详细信息

针对传统机器学习车辆检测算法对复杂场景下车辆检测率低的问题,提出了一种并行交叉pcanet车辆检测算法,该算法使用2条pcanet,用实际车辆图像数据集和卷积神经网络提取的车辆轮廓图像数据集训练2个特征提取器,并且将提取的特征进行融合,作为最终的车辆特征,训练SVM分类器.实验结果表明,相比于传统的车辆检测算法,本文提出的检测算法结构简单,学习更充分,识别效率更高,具有较好的分类效果和检测效果.

关键词：车辆检测 pcanet SVM 卷积神经网络

基于特征融合和图嵌入技术的pcanet在图像识别的应用研究

在线全文

学校读者我要写书评

暂无评论

基于特征融合和图嵌入技术的PCANet在图像识别的应用研究

作者：陈飞玥南京航空航天大学

学位级别：硕士

随着机器学习尤其是深度学习的发展、计算机视觉技术的日渐成熟,图像识别在信息安全、身份验证、神经生物学、医学、地质勘探等方面得到了广泛的应用。图像识别目的是识别出给定图像中物体的种类。但现实应用中,却常常存在识别环境不同... 详细信息

随着机器学习尤其是深度学习的发展、计算机视觉技术的日渐成熟,图像识别在信息安全、身份验证、神经生物学、医学、地质勘探等方面得到了广泛的应用。图像识别目的是识别出给定图像中物体的种类。但现实应用中,却常常存在识别环境不同,计算资源受限及训练样本不足的问题。特征提取是图像识别系统中最重要的环节之一,因为其提取的特征直接影响后续算法的性能,因此是决定整个图像识别系统的关键,故特征提取方法的研究一直是国内外学者关注的热点。本文以pcanet特征提取方法作为研究对象,针对pcanet中特征利用不充分、忽视图像像素点空间位置结构信息等问题,对pcanet进行进一步地改进,使得提取到的特征对图像中的光照变化、人像遮挡情况更为鲁棒。本论文的主要工作和研究内容如下:第一,pcanet生成每层的特征图信息时仅使用了上一层的输出信息,而被忽略的部分浅层信息(含原始图像信息)有助于更好地实现准确分类。为了实现多层特征的充分利用,构造了一种基于多层特征融合的pcanet(pcanet＿dense)网络模型。与单纯地只将前一层网络输出作为后一层网络输入的pcanet不同,pcanet＿dense利用了不同层的特征信息。在两层网络结构中,它首先将原始图像特征和第一个卷积层的输出进行级联,然后将级联后的结果作为第二个卷积层的输入。而在三层网络结构中,它则将前两个卷积层的输出级联起来,作为第三个卷积层的输入。由于pcanet＿dense在训练每一层(除了第一个卷积层)时使用了更多信息,因此能够获得比原pcanet更好的效果。为了验证所提方法的有效性,本文使用CMU PIE数据集构建网络模型,并在ORL、AR和Extended Yale B这3个公开人脸数据集上对所提出方法的性能进行了测试。实验结果表明,本文提出的pcanet＿dense获得了比pcanet更好的性能。第二,pcanet在构建卷积核时,没有利用图像像素点所具有的空间强相关性。考虑到图结构能有效保持像素点的位置近邻关系,因此将图嵌入思想融入pcanet,提出一种新的特征提取算法Smooth-pcanet用于图像识别。为了验证Smooth-pcanet算法的有效性,我们在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-pcanet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-pcanet算法比pcanet获得了更高的识别性能,并且更有效地避免了过拟合,在只使用少量样本训练时具有显著优势。第三,本文给出了另外两种对于Smooth-pcanet的初步改进方案。(1)鉴于矩阵指数在PCA和LDA上的成功,我们将矩阵指数应用于Smooth-pcanet算法中,提出了ESmooth-pcanet模型。ESmooth-pcanet降低了矩阵接近奇异时求特征值的困难程度,使得特征矩阵更可靠。本文在Extended Yale B以及AR数据集上进行了实验验证了ESmooth-pcanet的有效性。(2)针对Smooth-pcanet算法无法有效处理彩色图像的问题,通过在Smooth-pcanet算法中引入四元数来对颜色进行建模,初步提出了QSmooth-pcanet。为了验证模型有效性在CIFAR10上进行了实验,实验结果证明了该初步想法的可行性。

关键词：图像识别特征提取 pcanet DenseNet 图嵌入四元数

基于pcanet的轻量级彩色人脸图像与视频表情识别

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于PCANet的轻量级彩色人脸图像与视频表情识别

作者：裘奕婷杭州电子科技大学

学位级别：硕士

随着多媒体设备和技术的日益成熟,彩色图像和视频序列的获取与应用越来越广泛,彩色人脸识别和视频人脸表情识别也备受关注,尤其是基于卷积神经网络的识别技术得到了大力发展。然而随着网络模型深度和结构复杂度的不断增加,参数计算量也... 详细信息

随着多媒体设备和技术的日益成熟,彩色图像和视频序列的获取与应用越来越广泛,彩色人脸识别和视频人脸表情识别也备受关注,尤其是基于卷积神经网络的识别技术得到了大力发展。然而随着网络模型深度和结构复杂度的不断增加,参数计算量也不断增大,使得大部分高性能模型的训练依赖于大规模样本和昂贵的设备。所以,在保证识别精度的同时实现模型的轻量化是当前研究的关键。目前,典型的深度学习轻量级框架pcanet在大多数的图像识别任务中均取得了较好的效果,但是对于彩色人脸图像和视频表情序列的处理仍然存在不足,影响了模型的识别性能。因此本文针对上述问题,开展基于pcanet的轻量级彩色人脸图像识别和视频人脸表情识别研究。主要创新点和研究内容如下:(1)提出一种基于L正则化的四元数稀疏彩色人脸识别方法。首先,针对彩色图像RGB通道信息处理缺陷及异常值影响,构建L正则约束的四元数稀疏pcanet模型;然后,基于非线性递归滤波器建立卷积核参数的自适应稀疏优化方法;最后,在多个数据集上进行算法性能验证。(2)提出两种基于四元数非凸稀疏约束机制的彩色遮挡人脸识别方法。首先,针对大面积遮挡,构建强稀疏性的L正则化四元数非凸pcanet模型,建立不动点迭代和坐标下降法的模型参数非凸优化方法;其次,针对噪声不稳定情况,构建更鲁棒的SCAD正则化四元数非凸pcanet模型,结合DC分解和近端梯度下降技术,建立模型参数的稀疏优化方法;最后,新算法的性能在多个数据集上进行了测试验证。(3)提出一种基于注意力机制的3Dpcanet视频人脸表情识别方法。首先,针对人脸表情动态特性,构建序列图像基于三维主成分分析网络模型的动态特征提取方法;然后,针对局部通道特征冗余性,基于注意力机制建立张量特征局部通道的自适应权重学习方法;最后,在多个数据集上验证算法的有效性。

关键词：彩色人脸识别视频表情识别 pcanet 四元数稀疏约束 3DPCA 注意力机制

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于pcanet的情感识别研究

基于PCANet的情感识别研究

作者：周嵘嵘吉林大学

学位级别：硕士

情感人机交互应用于驾驶员情绪检测、情感辅助机器人、课堂学生听课状态监测等领域,是人工智能的重要组成部分。情感识别研究已成为当前人工智能领域的一大热点。相较于脸部表情、语音等表层信号,基于生理信号的情感识别更具备真实性和... 详细信息

情感人机交互应用于驾驶员情绪检测、情感辅助机器人、课堂学生听课状态监测等领域,是人工智能的重要组成部分。情感识别研究已成为当前人工智能领域的一大热点。相较于脸部表情、语音等表层信号,基于生理信号的情感识别更具备真实性和可靠性。基于生理信号的情感识别多以脑电信号或者融合生理信号为研究对象,基于单模心电信号的情感识别研究较少。近年来,基于脑电图的情感识别研究取得了不错的进展,但是脑电信号的采集需要在头部附着电极,体验感差,不适用于日常情感监护。便携式心电信号采集设备的发展(如实时获取心电信号的智能手表)使基于心电信号的情感识别应用于日常情感监护成为可能。但是传统的机器学习提取的浅层特征情感表征不足,无法充分挖掘生理信号内部的情感信息;深度学习提取深度特征存在耗时长、维度灾难、特征冗余等问题。针对上述问题,本文主要开展以下研究:搭建了基于主成分分析网络(Principal Component Analysis network,pcanet)的互信息特征选择情感识别模型(pcanet-Based Mutual Information Feature Selection Network,PCAMI-Net)。pcanet利用主成分分析(Principal Component Analysis,PCA)卷积层提取深度特征,在模式识别、图像处理等领域都取得不错的效果。pcanet提取得到高维深度特征,存在特征冗余问题,识别准确率有待提高。本文基于pcanet提出基于单模心电信号的情感识别模型PCAMI-Net。针对特征冗余问题,PCAMI-Net在充分挖掘深度情感特征的基础上对高维特征进行筛选,去除冗余特征;针对识别准确率有待提高的问题,PCAMI-Net依据特征与情感类别的互信息,选择与情感关联性更密切的特征,提高情感识别准确率。在AMIGOS情感数据集上进行情感识别研究:用户依赖实验中,唤醒、效价的识别准确率为72.5%、60.3%;用户依赖均衡实验中,唤醒、效价的识别准确率为78.3%、82.8%。进一步地,对比分析了pcanet与PCAMI-Net搭配四种分类器的情感识别效果。对比实验结果表明,PCAMI-Net的情感识别效果更好,且训练时间短于pcanet;用户独立实验中,PCAMI-Net的唤醒、效价的识别准确率为57.2%、49.5%。搭建了基于pcanet的注意力机制情感识别模型。pcanet利用PCA卷积提取得到高维深度特征,各个特征权重系数是一致的,无法突出有用特征的作用;PCAMI-Net对特征进行筛选,虽能优化特征质量,但也容易过滤掉部分有效信息。本文提出基于pcanet的注意力机制情感识别模型,保留所有特征,通过注意力机制改变特征的权重增强有用特征对分类的影响,提高分类性能。为保留原始卷积特征,采用双向长短时记忆网络层替代编码层,利用特殊的门结构保留有效信息和舍弃冗余信息;引入注意力机制,智能关注情感信息部分。在AMIGOS情感数据集上进行情感识别研究:用户独立实验中,唤醒、效价的识别准确率为58.1%、50.9%,该模型性能优于pcanet和PCAMI-Net。进一步地,对比分析了四种深度模型的情感识别效果,验证了该模型的有效性。

关键词：情感识别 pcanet 互信息注意力机制格拉姆角场