论文部分内容阅读
随着互联网技术的快速发展和各种传感器的普及，人们能够非常便捷地获得海量时序数据，这些数据蕴含了丰富的内隐信息，广泛存在于安全监测、人机交互以及电子对抗等领域，如何对时序数据特征进行有效建模，有效提取内隐信息是时序数据分析需要解决的关键科学和技术问题，具有重要的理论意义和应用价值。传统时序数据分析方法主要是基于传统机器学习和模式识别等技术，存在模型特征表达能力较弱、时序数据特征建模困难等不足。深度学习技术能够有效学习数据的内在规律和层次表示，具有适应能力强、应用范围广等优点，是时序数据特征建模的有效手段，为时序数据分析提供了全新的解决思路。本文以深度学习理论为基础，重点研究利用卷积神经网络对时序数据特征建模时存在的一些主要问题，并结合具体实际应用，提出了一系列的解决方法。论文取得的主要研究成果如下：
1.研究了因时序数据维度较高导致时序模型收敛速度缓慢的问题。在基于卷积神经网络的时序模型基础上，提出一种非线性门控通道网络。该方法首先提取卷积神经网络的卷积特征，对卷积特征通道的非线性全局特性进行编码。然后，结合视频行为识别应用，提取行为在空间和时间域上的全局特征，可有效减少模型到达局部最优值的迭代次数，加速模型的收敛过程，提高了算法的实用性。
2.研究了因时序模型参数过多导致网络过拟合的问题。在基于卷积神经网络的时序模型基础上，提出一种时域随机线性编码网络。该方法通过对长期时序数据特征建模框架的卷积特征进行随机线性编码，能够在特征层面增加视频序列中行为的类内多样性，可有效防止网络过拟合。该方法也可应用于解决目标检测、图像分割和视频跟踪等领域的特征表达模型问题。
3.研究了长期时序数据特征建模困难问题。结合视频复杂行为识别等应用中有效提取行为的长期运动特征关键问题，在基于卷积神经网络的时序模型基础上，提出一种非线性动态空间映射网络。该方法通过将三维视频数据映射到二维空间，将行为识别转换为二维离散数据分类，可捕获视频数据中行为的长时间依赖关系，实现行为的有效识别。同时，该方法为解决长期时序数据特征建模困难问题提供了有效途径。
4.研究了时序模型自适应能力差的问题。结合雷达辐射源识别实际应用问题，提出一种共性特征的概念，结合时序模型，进而提出一种共性特征统一网络。该方法首先将雷达辐射源信号输入卷积神经网络，提取辨别性特征。然后通过构建辅助分支，将辐射源信号和辐射源信号特征映射到公共子空间，以便提取共性特征，构建辐射源个体特征的一般表示。该方法能够实现雷达辐射源个体的端对端识别，有效增强了时序模型的自适应能力，为构建端对端的模式识别系统提供了技术途径。
以上四个关键问题的解决为利用卷积神经网络对时序数据特征进行建模提供了新思路和新方法，为时序数据识别体系研究提供了理论和方法支撑，可推广应用于数据挖掘与分析、模式识别等领域。
1.研究了因时序数据维度较高导致时序模型收敛速度缓慢的问题。在基于卷积神经网络的时序模型基础上，提出一种非线性门控通道网络。该方法首先提取卷积神经网络的卷积特征，对卷积特征通道的非线性全局特性进行编码。然后，结合视频行为识别应用，提取行为在空间和时间域上的全局特征，可有效减少模型到达局部最优值的迭代次数，加速模型的收敛过程，提高了算法的实用性。
2.研究了因时序模型参数过多导致网络过拟合的问题。在基于卷积神经网络的时序模型基础上，提出一种时域随机线性编码网络。该方法通过对长期时序数据特征建模框架的卷积特征进行随机线性编码，能够在特征层面增加视频序列中行为的类内多样性，可有效防止网络过拟合。该方法也可应用于解决目标检测、图像分割和视频跟踪等领域的特征表达模型问题。
3.研究了长期时序数据特征建模困难问题。结合视频复杂行为识别等应用中有效提取行为的长期运动特征关键问题，在基于卷积神经网络的时序模型基础上，提出一种非线性动态空间映射网络。该方法通过将三维视频数据映射到二维空间，将行为识别转换为二维离散数据分类，可捕获视频数据中行为的长时间依赖关系，实现行为的有效识别。同时，该方法为解决长期时序数据特征建模困难问题提供了有效途径。
4.研究了时序模型自适应能力差的问题。结合雷达辐射源识别实际应用问题，提出一种共性特征的概念，结合时序模型，进而提出一种共性特征统一网络。该方法首先将雷达辐射源信号输入卷积神经网络，提取辨别性特征。然后通过构建辅助分支，将辐射源信号和辐射源信号特征映射到公共子空间，以便提取共性特征，构建辐射源个体特征的一般表示。该方法能够实现雷达辐射源个体的端对端识别，有效增强了时序模型的自适应能力，为构建端对端的模式识别系统提供了技术途径。
以上四个关键问题的解决为利用卷积神经网络对时序数据特征进行建模提供了新思路和新方法，为时序数据识别体系研究提供了理论和方法支撑，可推广应用于数据挖掘与分析、模式识别等领域。