1 厦门理工学院光电与通信工程学院, 福建厦门 361024
2 厦门理工学院福建省光电技术与器件重点实验室, 福建厦门 361024
目前通过卷积神经网络(CNN)进行监督式学习已经在计算机视觉领域得到了广泛应用, 而采用 CNN的无监督学习则受到的关注较少。针对这一问题, 利用深度卷积生成对抗网络(DCGAN)的方法, 该网络由卷积神经网络构成, 通过生成对抗网络对现有的人脸数据集进行数据训练, 生成对抗网络学习了生成器和判别器中对图像局部特征到整体场景的表示层次, 输出由各人脸特征组合而成的新人脸数据。通过在各种图像数据集上进行训练, 弥补图像数据的不足, 实现提高识别准确率的目的, 表明该方法在无监督学习上的实用性。
卷积神经网络 监督式学习 无监督学习 生成对抗网络 数据增强 convolutional neural network supervised learning unsupervised learning generative adversarial networks data augmentation
1 厦门理工学院 电气工程与自动化学院, 福建 厦门 361024
2 厦门理工学院 光电与通信工程学院, 福建 厦门 361024
3 厦门理工学院 福建省光电技术与器件重点实验室, 福建 厦门 361024
提出了一种基于深度学习技术的年龄和性别识别方法,建立了人脸识别硬件与软件系统。运用经典的反向传播算法确定预测函数的权重矩阵和偏差。针对单个识别网络准确率不高的问题,采用多个神经网络级联的方式,对输入的目标特征进行多次判定。通过设计一种投票竞争算法,让级联网络的识别结果自动进行竞争,获胜者作为最终的预测结果。预测结果与实验数据对比表明采用级联网络可有效提高对年龄性别的识别准确率,级联后的识别准确率分别达到了88%和82.61%。
深度学习 人脸识别 反向传播 级联网络 投票竞争算法 deep learning face recognition backpropagation cascaded network voting competition algorithm
1 厦门理工学院电气工程与自动化学院, 福建 厦门 361024
2 厦门理工学院光电与通信工程学院, 福建 厦门 361024
3 厦门理工学院福建省光电技术与器件重点实验室, 福建 厦门 361024
针对GaN基正装结构的LED芯片存在电流分布不均匀的问题,对传统的电极结构进行优化设计。通过建立有限元分析软件COMSOL的三维仿真模型,对传统结构和优化电极结构的芯片有源层电流分布进行了仿真,结果表明优化后的芯片电流分布更均匀。然后制备了不同结构的LED芯片进行光电性能测试,发现将N电极形状改变为扇形结构能提高LED的出光效率,在输入电流为20 mA时,LED芯片的输出光功率为31.84 mW,出光效率为52.03%,相比传统LED芯片出光效率提高了6.14%。
LED芯片 三维仿真模型 电极结构 出光效率 激光与光电子学进展
2020, 57(7): 072301
