北京邮电大学 信息光子学与光通信国家重点实验室, 北京 100876
当前光子神经网络的研究主要集中在单一模态网络的性能提升上，而缺少对多模态信息处理的研究。与单一模态网络相比，多模态学习可以利用不同模态信息之间的互补性，因此，多模态学习可以使得模型学习到的表示更加完备。本文提出了将光子神经网络和多模态融合技术相结合的方法。首先，利用光子卷积神经网络和光子人工神经网络相结合构建异构光子神经网络，并通过异构光子神经网络处理多模态数据。其次，在融合阶段通过引入注意力机制提升融合效果，最终提高任务分类的准确率。在多模态手写数字数据集分类任务上，使用拼接方法融合的异构光子神经网络的分类准确率为95.75%；引入注意力机制融合的异构光子神经网络的分类准确率为98.31%，并且优于当前众多先进单一模态的光子神经网络。结果显示：与电子异构神经网络相比，该模型训练速度提升了1.7倍。与单一模态的光子神经网络模型相比，异构光子神经网络可以使得模型学习到的表示更加完备，从而有效地提高多模态手写数字数据集分类的准确率。
光子神经网络 多模态 注意力机制 photonic neural network multimodal attention mechanism
1 哈尔滨工业大学(深圳)机电工程与自动化学院, 广东 深圳 518000
2 深圳市西渥智控科技有限公司, 广东 深圳 518000
该文搭建迟滞测量实验平台, 测量一种用于LED晶圆检测压电执行器的迟滞效应, 设计了一种基于长短期记忆(LSTM)神经网络的压电迟滞模型, 使用时间序列预测法对压电执行器位移迟滞效应建模。将该模型与传统的Prandtl-Ishlinskii(PI)模型进行对比。实验结果表明, 神经网络模型具有较好、较广泛的迟滞建模效果, 对于正弦波, 位移预测精度保证小于2%; 对于衰减正弦波, 位移预测精度可保证小于3%。较高的模型预测精度为使用压电执行器进行LED晶圆检测提供了依据。
压电执行器 迟滞非线性 长短期记忆(LSTM)神经网络 piezoelectric actuator hysteresis nonlinearity long short-term memory(LSTM) neural network
1 北京信息科技大学高动态导航技术北京市重点实验室, 北京 100000
2 中船航海科技有限责任公司, 北京 100000
温度变化对光纤陀螺零偏的影响是制约其性能的关键因素之一, 采用BP神经网络进行预测能在一定程度上提高温度补偿精度, 但BP神经网络存在局部极小的问题。采用蚁群优化(ACO)BP神经网络算法补偿光纤陀螺漂移, 优化了BP神经网络的初始参数。实验结果表明, 采用ACO-BP神经网络进行补偿, 可使得在-40 ℃~60 ℃温度范围内光纤陀螺零偏稳定性比补偿前有80%左右的精度提升, 与以往的BP神经网络效果相比, 补偿效果更好。
光纤陀螺 温度补偿 BP神经网络 蚁群算法 fiber optic gyroscope temperature compensation BP neural network ant colony algorithm
针对四旋翼编队队形保持控制中常用简化自驾仪来代替内回路并未能贴合现实模型的问题, 以及常受扰动和控制器调参数困难从而引起控制精度下降的现象, 提出一种基于RBF与BP神经网络的滑模编队控制器。首先采用Leader-Follower思想对四旋翼编队问题进行建模, 并基于RBF神经网络逼近不确定项与干扰项来设计内回路轨迹跟踪控制器。在此基础上根据机间通信关系设计编队保持控制器并结合BP神经网络对控制器参数进行整定, 最后利用Lyapunov方法证明其稳定性。仿真结果表明, 所提控制器具有良好的抗干扰能力, 并且能有效提高队形保持精度, 使编队保持稳定期望队形。
四旋翼 编队控制 神经网络 滑模控制 quadrotor formation control neural network sliding mode control
针对合成孔径雷达(SAR)目标分类问题, 联合二维变分模态分解(BVMD)和卷积神经网络(CNN), 通过二维变分模态分解获得原始SAR图像的多模态表示, 反映目标的全局和细节信息; 设计适当的卷积神经网络分别对各个模态进行分类并输出后验概率矢量; 基于Bayesian理论融合各个模态的后验概率矢量;并根据融合后的结果判定目标结果。所提方法通过结合二维变分模态分解和卷积神经网络的优势综合提升SAR图像目标分类性能。实验中, 基于MSTAR数据集对所提方法在4种典型场景下进行了测试并与现有方法进行对比, 结果表明所提方法性能更具优势。
合成孔径雷达图像 目标分类 二维变分模态分解 卷积神经网络 Bayesian决策融合 SAR image target classification BVMD CNN Bayesian decision fusion
1 贵州大学 大数据与信息工程学院，贵州 贵阳 550025
2 贵阳铝镁设计研究院有限公司，贵州 贵阳 550009
传统的语义分割知识蒸馏方法仍然存在知识蒸馏不完全、特征信息传递不显著等问题，且教师网络传递的知识情况复杂，容易丢失特征的位置信息。针对以上问题，本文提出了一种基于知识蒸馏的特征提炼语义分割模型FRKDNet。首先根据前景特征与背景噪声的特点，设计了一种特征提炼方法来将蒸馏知识中的前景内容进行分离，过滤掉教师网络的伪知识后将更准确的特征内容传递给学生网络，从而提高特征的表现能力。同时，在特征空间的隐式编码中提取类间距离与类内距离从而得到相应的特征坐标掩码，学生网络通过模拟特征位置信息来最小化与教师网络特征位置的差距，并分别和学生网络进行蒸馏损失计算，从而提高学生网络的分割精度，辅助学生网络更快地收敛。最后在公开数据集Pascal VOC和Cityscapes上实现了优秀的分割性能，MIoU分别达到74.19%和76.53%，比原始学生网络分别提高了2.04%和4.48%。本文方法相比于主流方法具有更好的分割性能和鲁棒性，为语义分割知识蒸馏提供了一种新方法。
语义分割 神经网络 知识蒸馏 特征提炼 深度学习 semantic segmentation neural network knowledge distillation feature refine deep learning
1 中国科学院 长春光学精密机械与物理研究所，吉林 长春 130033
2 中国科学院大学，北京 100049
在红外焦平面阵列探测器（IRFPA）非均匀性校正问题中，传统的神经网络算法会出现图像边缘模糊、对比度低、“鬼影”等现象。针对此类现象，本文提出一种基于侧窗滤波改进的神经网络非均匀性校正算法。该算法首先对输入图像采用侧窗滤波获得期望图像，在去除非均匀性噪声的同时保护目标边缘细节达到提升图像质量的效果。在此基础上，通过饱和非线性函数抑制校正参数局部发散，能够有效避免校正后图像出现‘鬼影’问题。实验结果表明，使用本文提出的算法能够有效去除图像中的非均匀性噪声，且无明显“鬼影”现象。在3组测试图像序列中，平均图像粗糙度降低了30.17%。在实验计算机上连续处理400帧图像序列最大耗时为37.417 0 s，较基于双边滤波改进的对比算法耗时减少了95.05%，较基于小波主成分分析的对比算法耗时减少了45.81%。本文算法在非均匀性校正效果和算法运行效率方面具有明显优势，为小算力、低功耗移动平台实现实时非均匀性校正提供了新的研究思路。
红外焦平面阵列 非均匀性校正 侧窗滤波 神经网络 infrared focal plane array nonuniformity correction side window filter neural network
1 南京信息工程大学电子与信息工程学院, 江苏 南京 210044
2 南京信息工程大学物理与光电工程学院, 江苏 南京 210044
3 太谱(苏州)纺织科技有限公司, 江苏 苏州 215159
4 江苏阳光集团, 江苏 江阴 214426
纤维成分的定性及定量分析在纺织品检测中一直是研究热点, 但常规检测手段存在周期长、 工序复杂且对环境不友好等问题, 因此提出一种对纺织品纤维含量快速、 无损且准确的检测方法就显得尤为重要。 研究提出一种纺织品纤维含量的定量校正模型, 可以准确预测纺织品中棉/涤纶/羊毛的纤维含量, 解决传统校正模型无法兼顾准确与多种纤维预测的难点。 针对645个羊毛/涤纶、 棉/涤纶以及羊毛/涤纶/棉混纺样品为研究对象, 采用红外光谱分析仪采集样品的近红外反射光谱, 在光谱数据预处理的基础之上, 提出一种一维卷积神经网络(1D-CNN)模型, 实现对多种纤维含量的同时预测, 为了凸显模型的优势, 在相同的训练集和测试集样本之上对比3种不同机器学习算法的预测结果。 结果表明： 选用线性函数归一化、 多项式平滑滤波(SG平滑, 滑动窗口为9, 拟合阶数为7)的预处理方法, 结合所提出的1D-CNN模型效果最优, 其模型决定系数R-Squared可达到0.998, 各含量预测的平均绝对误差(MAE)为0.62, 预测均方根误差(RMSE)为1.31。 同时采用未参与建模的138个纺织品样品验证模型泛化能力, 模型在测试集上的表现为, 决定系数R-Squared为0.996, 各含量预测的平均绝对误差(MAE)为0.80, 预测均方根误差(RMSE)为2.01。 采用所提出的模型, 可以准确预测羊毛、 棉和涤纶混纺织品中纤维含量, 为快速无损检测纺织品提供了一种可行的方法, 同时为其他混纺纤维含量的定量分析提供了新的思路。
近红外光谱 定量校正模型 羊毛/涤纶/棉 一维卷积神经网络 Near-infrared spectroscopy Quantitative correction model Wool/polyester/cotton 1D-CNN 光谱学与光谱分析
2023, 43(11): 3565
