基于深度学习的通信干扰信号开集识别
这是一篇关于通信干扰信号识别,深度学习,开集识别,无监督聚类,对比学习,增量学习的论文, 主要内容为随着电磁环境的日益越复杂,通信系统面临的干扰将越来越多。根据识别出的干扰信号采取相应的抗干扰措施,可以有效地提高通信质量。因此,通信干扰信号识别将成为未来智能抗干扰通信的关键技术之一,并引起了众多研究人员的关注,本文主要研究基于深度学习的通信干扰信号开集识别。现有的基于深度学习的通信干扰信号识别需要大量有标签的样本数据,针对无标签通信干扰信号识别,本文提出了基于对比学习的无监督通信干扰信号识别方法——双阶段双重对比聚类(Double Phases and Double Dimensions Contrastive Clustering,DDCC)。在第一阶段,对通信干扰信号使用了数据增强策略生成正负样本对,并进行基于数据增强的对比学习。在第二阶段,使用第一阶段对比学习获得的预训练网络获得原始数据集的k-最近邻样本集,并构建正负样本对,然后进行基于k-最邻近样本的双重对比学习,其中,特征维对比学习提升网络特征提取能力,聚类维对比学习完成聚类。此外,还提出了一种动态熵参数训练策略。对9种通信干扰信号的仿真实验表明,DDCC的性能优于其他五种深度聚类算法,并接近于监督学习算法。针对现有的基于深度学习通信干扰信号开集识别方法的拒绝未知类通信干扰信号鲁棒性较差的问题,本文提出了一种空心卷积原型学习(Hollow Convolutional Prototype Learning,HCPL)。利用基于内积的交叉熵损失将原型更新到特征空间的外围,从而为未知类样本留下内部空间;利用中心损失提升各类样本特征的类内紧致性,并将已知类样本特征分配到对应原型周围;利用半径损失以减少原型范数对未知类拒绝率的影响。设计了适用于通信干扰信号的混合注意力和特征重用网络(Hybrid Attention and Feature Reuse Net,HAFRNet),该网络包含特征重用结构和混合域注意力模块(Hybrid Domain Attention Module,HDAM),HDAM可以通过自动构建全局注意力矩阵来校正时间域和通道域特征响应并整合全局信息。对9种通信干扰信号的仿真实验表明,该方法在保持高的已知类分类准确率的同时,得到了高的未知类拒绝率,性能优于现有方法,并且所需的存储资源较少。现有通信干扰信号闭集识别和开集识别都属于静态识别,不具备增量识别能力。为此,本文提出特定于任务的深度开集类增量学习算法(Task-specific Deep Open-set Class Incremental Learning,TOCIL),以解决开集通信干扰信号增量识别问题。首先,设计了TOCIL网络结构,将类增量学习解构为任务内和任务间的分类问题,为每个子任务分配独立的投影头以得到不同的嵌入空间,并利用空心卷积原型学习方法对任务内通信干扰信号分类的同时使网络具备一定的开集识别能力。其次,在损失函数中添加开集损失约束,解决任务间分类问题。然后,利用训练集中样本特征距离对应原型最近的一部分样本构造记忆集并参与后续增量训练,进一步提升开集通信干扰信号增量识别性能。最后,对30种通信干扰信号的仿真实验表明,在不同的增量场景和干噪比(Jamming-Noise-Ratio,JNR)环境下,TOCIL不仅表现出优于四种不保留全部样本的增量学习方法的通信干扰信号类增量能力,而且通信干扰信号开集识别性能优于五种对比方法。
基于深度学习的食材识别算法与系统研究
这是一篇关于深度学习,食材识别,卷积神经网络,注意力机制,开集识别的论文, 主要内容为近年来随着科技的发展,人工智能无处不在,被认为是未来的核心技术。到2025年,人工智能领域的发展规模有望突破1900亿美元。根据《2022中国餐饮业年度报告》的数据统计结果,2021年全国餐饮总收入46895亿元,其中三分之一来自食品原料的采购。在这样的趋势下,人工智能与传统餐饮相结合的智慧餐饮越来越受欢迎,成为研究热点,而生鲜食材识别又是其中不可缺少的一个重要环节。本文基于深度学习方法设计识别算法并探究其在开集情况的改进,实现了对生鲜食材种类的高准确率识别,可以有效降低餐饮业验收阶段人工成本,提升整个工作流程的效率。本文主要工作及成果如下:(1)构建了一个总类别数450类、总图片数超90000张的大规模生鲜食材数据集并对图片进行预处理。根据国标制订科学命名方法对每张图片进行命名编号,综合使用裁剪、翻转、旋转、亮度变换、对比度变换、擦除变换等方法进行数据增强,进一步扩充数据,填补了国内常见生鲜食材数据集方面的缺失。(2)基于深度学习方法解决了多类别生鲜食材高准确率识别问题,同时探索出识别问题中类间相似性、类内差异性及噪声差异性等问题的解决方向。本文在Res Net、Dense Net、Efficient Net等一系列骨干网络中选取最优网络,并根据本研究的数据情况有针对性地通过融合改进通道、空间等多重注意力机制的方法设计出一种端到端识别算法,在220类生鲜食材的识别任务中取得93.28%的top1准确率,并使用可视化方法突出说明注意力机制的效果。此外,还解决了开集情况下多类别生鲜食材识别问题。针对实际应用场景中出现数据集以外新类别的问题,首次将开集识别应用在食材识别领域。将Open Max开集模块与本文设计的识别算法结合使用,并改进其类间距离表征方法的权重分配,在开集情况下的识别任务中取得74.6%的准确率。(3)以本文识别算法为基础,结合拍摄设备,基于Spring Boot、Vue、Uni-APP框架设计并开发了一套智能食材识别系统,分为Web端和小程序端,包括用户管理、食材图像采集、食材图像识别和识别结果显示等多个功能模块,通过调用本文设计的识别算法完成食材自动识别。该系统已在多个应用试点投入实际使用,平均识别准确率达到88%,平均节约用时60%。
基于深度学习的食材识别算法与系统研究
这是一篇关于深度学习,食材识别,卷积神经网络,注意力机制,开集识别的论文, 主要内容为近年来随着科技的发展,人工智能无处不在,被认为是未来的核心技术。到2025年,人工智能领域的发展规模有望突破1900亿美元。根据《2022中国餐饮业年度报告》的数据统计结果,2021年全国餐饮总收入46895亿元,其中三分之一来自食品原料的采购。在这样的趋势下,人工智能与传统餐饮相结合的智慧餐饮越来越受欢迎,成为研究热点,而生鲜食材识别又是其中不可缺少的一个重要环节。本文基于深度学习方法设计识别算法并探究其在开集情况的改进,实现了对生鲜食材种类的高准确率识别,可以有效降低餐饮业验收阶段人工成本,提升整个工作流程的效率。本文主要工作及成果如下:(1)构建了一个总类别数450类、总图片数超90000张的大规模生鲜食材数据集并对图片进行预处理。根据国标制订科学命名方法对每张图片进行命名编号,综合使用裁剪、翻转、旋转、亮度变换、对比度变换、擦除变换等方法进行数据增强,进一步扩充数据,填补了国内常见生鲜食材数据集方面的缺失。(2)基于深度学习方法解决了多类别生鲜食材高准确率识别问题,同时探索出识别问题中类间相似性、类内差异性及噪声差异性等问题的解决方向。本文在Res Net、Dense Net、Efficient Net等一系列骨干网络中选取最优网络,并根据本研究的数据情况有针对性地通过融合改进通道、空间等多重注意力机制的方法设计出一种端到端识别算法,在220类生鲜食材的识别任务中取得93.28%的top1准确率,并使用可视化方法突出说明注意力机制的效果。此外,还解决了开集情况下多类别生鲜食材识别问题。针对实际应用场景中出现数据集以外新类别的问题,首次将开集识别应用在食材识别领域。将Open Max开集模块与本文设计的识别算法结合使用,并改进其类间距离表征方法的权重分配,在开集情况下的识别任务中取得74.6%的准确率。(3)以本文识别算法为基础,结合拍摄设备,基于Spring Boot、Vue、Uni-APP框架设计并开发了一套智能食材识别系统,分为Web端和小程序端,包括用户管理、食材图像采集、食材图像识别和识别结果显示等多个功能模块,通过调用本文设计的识别算法完成食材自动识别。该系统已在多个应用试点投入实际使用,平均识别准确率达到88%,平均节约用时60%。
基于深度学习的食材识别算法与系统研究
这是一篇关于深度学习,食材识别,卷积神经网络,注意力机制,开集识别的论文, 主要内容为近年来随着科技的发展,人工智能无处不在,被认为是未来的核心技术。到2025年,人工智能领域的发展规模有望突破1900亿美元。根据《2022中国餐饮业年度报告》的数据统计结果,2021年全国餐饮总收入46895亿元,其中三分之一来自食品原料的采购。在这样的趋势下,人工智能与传统餐饮相结合的智慧餐饮越来越受欢迎,成为研究热点,而生鲜食材识别又是其中不可缺少的一个重要环节。本文基于深度学习方法设计识别算法并探究其在开集情况的改进,实现了对生鲜食材种类的高准确率识别,可以有效降低餐饮业验收阶段人工成本,提升整个工作流程的效率。本文主要工作及成果如下:(1)构建了一个总类别数450类、总图片数超90000张的大规模生鲜食材数据集并对图片进行预处理。根据国标制订科学命名方法对每张图片进行命名编号,综合使用裁剪、翻转、旋转、亮度变换、对比度变换、擦除变换等方法进行数据增强,进一步扩充数据,填补了国内常见生鲜食材数据集方面的缺失。(2)基于深度学习方法解决了多类别生鲜食材高准确率识别问题,同时探索出识别问题中类间相似性、类内差异性及噪声差异性等问题的解决方向。本文在Res Net、Dense Net、Efficient Net等一系列骨干网络中选取最优网络,并根据本研究的数据情况有针对性地通过融合改进通道、空间等多重注意力机制的方法设计出一种端到端识别算法,在220类生鲜食材的识别任务中取得93.28%的top1准确率,并使用可视化方法突出说明注意力机制的效果。此外,还解决了开集情况下多类别生鲜食材识别问题。针对实际应用场景中出现数据集以外新类别的问题,首次将开集识别应用在食材识别领域。将Open Max开集模块与本文设计的识别算法结合使用,并改进其类间距离表征方法的权重分配,在开集情况下的识别任务中取得74.6%的准确率。(3)以本文识别算法为基础,结合拍摄设备,基于Spring Boot、Vue、Uni-APP框架设计并开发了一套智能食材识别系统,分为Web端和小程序端,包括用户管理、食材图像采集、食材图像识别和识别结果显示等多个功能模块,通过调用本文设计的识别算法完成食材自动识别。该系统已在多个应用试点投入实际使用,平均识别准确率达到88%,平均节约用时60%。
面向室内终端定位的CSI开集识别与定位方法
这是一篇关于信道状态信息,室内终端定位,开集识别,图数据增强,图增量学习的论文, 主要内容为现代智能城市中室内机器人的运维工作、人员室内路径导航需求等应用场景都会使用到室内终端定位相关技术。目前,使用信道状态信息(Channel State Information,CSI)指纹作为Wi Fi信号样本进行室内定位是室内定位领域的重要方法之一。该方法往往为了保证定位精度,预采集部署工作量很大。一方面,为了简化部署工作,减少采集点位会导致指纹缺失,形成开放空间。另一方面,CSI受室内复杂动态环境干扰严重,已采集点位待测样本也会变化为开集。综上两种CSI开集(CSI Open Set)对CSI指纹方法干扰严重,是导致模型长期维护困难的重要原因,所以缺少一种面向CSI开集进行识别与定位的方法。对此,本文提出一种面向室内终端定位的CSI开集识别与定位的方法,旨在降低指纹部署工作量的同时,减小CSI开集带来的开放空间风险。首先,针对指纹库部署工作量大的问题,设计了一种基于非全域CSI指纹的室内终端到达角回归估计方法。该方法简化采集方案,设计一种基于多层感知机(Multilayer Perceptron,MLP)回归模型学习闭集指纹特征表示并对未采集点位下CSI开集进行预测。实验结果表明,所提方法在CSI到达角回归预测任务上开放空间风险约为21.67%,性能良好。其次,针对行人穿过直射路径对CSI产生扰动问题,提出一种基于改进Res Net和特征离群检测的CSI开集识别方法。通过改进的Res Net提取特征编码,在此基础上使用极值理论和离群检测进行CSI开集识别,取得97.89%的识别率,优于其余基于深度特征的开集识别方法。最后,针对使用图增量学习方式长期维护指纹库的次优图问题,提出一种基于持续进化分类器(Continually Evolved Classifiers,CEC)和图数据增强的CSI开集特征增量分类方法。为指纹库创建图结构,并通过持续将CSI开集特征拓展进指纹库、同步简化指纹库的图结构,优化指纹学习方法。增强后的CEC在CSI开集定位任务较原CEC方法有3.9%的分类准确率提升,同时可将图结构简化约为原来的80%。综上,本文所提应用方法在降低指纹部署工作量、对抗室内复杂环境干扰有一定程度的成效,在室内终端定位应用研究也有不错的应用前景。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://bishedaima.com/lunwen/52459.html
