摘要:

随着遥感技术和计算机技术的不断发展,传统的遥感影像分类方法已不能满足如今遥感影像分类的需求.近年来,随着深度学习方面研究成果的不断涌现,它给遥感影像的分类提供了一种新的思路和方法.首先概述了遥感影像分类的发展和深度学习的基本概念,然后重点介绍了基于深度置信网、卷积神经网络和栈式自动编码器等深度学习模型在遥感影像分类中的研究进展,最后提出了目前研究中存在的问题及遥感影像分类的发展趋势.

摘要:

随着大数据时代的到来，基于深度学习技术的机器学习方法被用于有效地分析和处理这些数据。本文首先概述了深度学习技术的由来，对比了浅层结构与深度结构模型的差异，分析了深度结构模型在大数据应用中的优势；认为深度学习取得成功的条件是，大规模训练数据集的支撑、先进的硬件平台支持、新的优化技术的提出；基于计算机视觉应用，从有监督特征学习和无监督特征学习两个方面分别介绍了当前深度学习研究的现状和典型的深度结构模型的基本原理和主要应用；针对当前深度学习的发展现状，总结了深度学习研究存在的挑战和未来的研究方向。

摘要:

传统的浅层学习神经网络虽然结构简单,算法速度快,但错误率较高,且容易陷入局部最小.文中采用深度结构的深度置信网,优化基于传统BP神经网的初始值,以获得较好的检测结果,并利用Dropout技术改进BP网络隐层单元,获得较快的运算速度.实验证明,经过DBN和Dropout改善后的网络错误率有明显降低,并且算法实时性得到了一定改善.

摘要:

随着遥感技术和计算机技术的不断发展,传统的遥感影像分类方法已不能满足如今遥感影像分类的需求.近年来,随着深度学习方面研究成果的不断涌现,它给遥感影像的分类提供了一种新的思路和方法.首先概述了遥感影像分类的发展和深度学习的基本概念,然后重点介绍了基于深度置信网、卷积神经网络和栈式自动编码器等深度学习模型在遥感影像分类中的研究进展,最后提出了目前研究中存在的问题及遥感影像分类的发展趋势.

摘要:

传统的深度置信网络(Deep brief networks,DBN)在建立高维数据分类模型时,往往存在网络负荷大,运算复杂度高等问题.本文首先基于非线性PCA (NPCA)对高维样本数据进行降维,然后以提取到的非线性特征作为DBN的网络输入,构建了一类含非线性特征提取预处理机制的DBN分类器.并从信息熵理论的角度出发,证明了所提改进DBN分类器在网络结构和算法复杂度方面的优势.通过一个PM2.5浓度预测与影响因素诊断实例,验证了所提改进DBN在一类分类和影响因素诊断问题中的应用,并与传统的分类器进行对比,显示了所提方法在建模精度及收敛速度上的优势.

摘要:

声音事件识别时受到各种环境声的影响,采用优化正交匹配跟踪(Orthogonal Matching Pursuit,OMP)和短时谱估计对声音信号进行二次重构,能有效提高识别性能.采用粒子群算法(Particle Swarm Optimization,PSO)优化OMP稀疏分解作首次重构,保留声音信号的主体;采用短时谱估计对首次重构后的残余信号作声音增强处理,完成二次重构,去除非平稳噪声和提高重构声音信号的精度;对重构信号提取梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)特征、优化OMP时-频特征和基频(Pitch)特征,组成复合抗噪特征集OOMP;使用深度置信网络(Deep Belief Network,DBN)对OOMP特征进行学习,并对40种声音事件在不同环境不同信噪比下进行识别.实验结果表明,该方法在不同信噪比的各种环境声中平均识别率为70.44％,且在?5 dB的情况下仍然可以达到49.90％的识别率,从而说明所提方法能有效地识别各种环境下的声音事件.