为了解决传统算法应用于心冲击信号(Ballistocardiogram,BCG)心动周期检测时容易受到干扰导致准确率不高的问题,提出了一种基于复杂特征检测BCG 心动周期的算法。该算法通过同步采集的心电图信号(Electrocardiogram,ECG)将BCG信号划分为若干子序列,提取每段子序列信号的Shapelet,利用Shapelet变换将BCG子序列与其Shapelet映射到同一空间中,将Shapelet与BCG子序列的距离作为特征。同时,提取BCG子序列的小波变换特征,将两种特征融合后,使用人工神经网络(ANN)进行心动周期的检测,并且与传统分类器进行比较。实验结果表明,提出的算法在心动周期检测方面准确率提升了2.69百分点,证明了该算法在实际检测中的可行性。
织造车间的信息化以数据采集为基础,但采集过程易产生脏数据,为保证数据被准确采集,文章研究了织造车间的数据采集与清洗算法。首先,针对设备多样、数据并发高的特性,设计了分频采集方案和服务器均衡负载方案,以及织造设备数据流处理有向网。其次,针对织造车间的数据特点,将数据分为常分量、增分量和状态分量,并结合箱线图、滑动时间窗研究了三分量清洗算法对各分量数据的清洗。最后,通过实验证明采集方案和数据清洗方法能保证数据采集的实时性、有效性及准确性。
针对内窥镜场景,亮度与细节增强算法可能会引入色调改变和图像噪声问题,提出改进型MBLLEN(Multi-Branch Low-Light Enhancement Network)网络对内窥镜图像进行增强。首先,采用改进型MBLLEN网络对内窥镜图像亮度进行增强,减少特征提取卷积层,并采用跳连接方式,将增强模块替换成U-Net结构;其次,引入Hessian矩阵特征值,对图像的全局线性结构做细节后处理增强。消融实验结果表明,改进结构在内窥镜场景下相比于原结构更具适应性,并且验证集的增强结果的平均PSNR值为26.829,SSIM值为0.868,DVBV值为131.372,该算法的指标结果与6种主流算法比较,均排名前列。由此可见,本研究算法在保证内窥镜图像质量的基础上,有效地提高了亮度与细节表现。
针对目前农作物蛋白质磷酸化位点预测成本高、效率低等问题,提出了一种基于深度学习的计算方法。在编码器中加入门控单元,引入蛋白质内在无序性得分作为特征并优化了训练样本采样方式。相较于基于Transformer的方法,该方法具有相同的精度,并且计算量显著减少,展现出高效的计算性能;与DeepIPs、TabNet、TransPhos等现有方法相比,也表现出卓越性能,并且在五倍交叉验证下的AUC提升2%以上。此外,该方法使用的特征可以仅从序列中提取,简化了操作,同时提高了预测效果,为农作物蛋白质磷酸化的研究提供了重要的参考。
为解决真实场景图像采集过程中受随机噪声影响导致采集质量下降的问题,提出一种基于改进KSVD(K-Singular Value Decomposition)的稀疏表示算法。通过无逆稀疏贝叶斯学习(Inverse Free Sparse BayesianLearning,IFSBL)优化稀疏编码,提高字典原子利用率,让更多的字典原子信号参与到字典更新的过程中,在增强字典表达能力的同时,使稀疏表示的准确性更高;使用IFSBL-KSVD算法对含噪声的图像进行稀疏表示去噪,实验采用通用的图像数据集Set12进行测试,结果表明所提算法的PSNR相比于KSVD的PSNR提升了0.5 dB,能有效提升实际场景中采集图像的质量。
针对复杂场景下汉字特征提取难的问题,提出了一种基于多维特征表示的汉字识别方案。首先,提出一种融合空间信息的关键笔形特征提取方法,能够利用少量关键特征实现汉字的唯一识别;其次,通过多任务网络提取多维特征,增强特征提取能力,从而提高汉字识别的准确性;最后,应用字符相似度算法消除噪声,优化识别结果。实验结果表明,相较于可插拔的部首感知分支(PRAB)模型,本方案在场景数据集、网页数据集、文本数据集和手写数据集中的性能分别提升了1.62百分点、1.09百分点、0.15百分点和1.27百分点,证明了该方案的有效性。
针对基于成本体积金字塔的多视图立体网络在初始构建成本体积时存在深度预测误差大的问题,提出了一种利用注意力权重特征图补充三维卷积的方法。该方法引入注意力机制关注感受野空间特征,计算源视角图像特征金字塔的注意力权重,将其加权到原始特征图中,同时设计引导成本体积激励模块,通过特征图丰富三维卷积。在DTU(Danish Test of Urban Competencies)基准数据集上的结果显示,该方法表现很好,准确度达到了0.291,相较于CVPMVSNET(Cost Volume Pyramid Based Depth Inference for Multi-View Stereo),整体精度提高了6.55%,表明该模型的改进有效。
胃癌作为高发恶性肿瘤,其致死率近年来居高不下,因此精准预测胃癌患者的生存风险对于治疗至关重要。文章提出了一种基于多模态深度学习的预测模型,旨在评估胃癌患者的生存风险。该模型整合了H&E(Hematoxylin-Eosin staining)染色图像和基因表达数据,首先,采用ResNet18卷积神经网络模型提取深层H&E图像信息,将其编码为一维特征向量。其次,采用多模态紧凑型双线性池化方法,将图像特征与基因表达数据进行融合,用于预测胃癌患者的风险分数。在TCGA的胃癌样本中,该模型的一致性指数(c-index)为0.70。在测试集上进行的Kaplan-Meier分析结果显示,模型成功地区分出高风险群和低风险群。结果表明,该模型在区分胃癌患者风险层次方面表现出色,具有显著优势。
交通流预测是提高路网利用效率,缓解城市交通拥堵问题的重要方法之一。为了进一步提高交通流预测精度,提出了一种基于时间信息增强Transformer的短时交通流预测模型。该模型利用多图卷积网络从不同角度建模空间特征,利用长短期记忆网络和Transformer同时建模短期时间特征和长期时间特征。此外,模型采用了一种轻量化的结构以提高模型实时响应速度。在PEMS(Performance Measurement System)数据集上与基线方法相比,该模型的预测精度提高了5%,时间复杂度降低了65%。实验结果表明,基于时间信息增强Transformer的短时交通流预测模型在有效提取交通流数据中时空特征的同时,显著降低了模型的复杂度。
针对基于深度学习的非标定光度立体方法,设计了一种基于自注意力和多重特征融合的网络模型。该模型在光照估计网络中引入了自注意力机制,用于帮助网络理解图像长距离像素间的依赖关系,提升网络对图像深层特征的感知能力。同时,为了提升在多图像输入时的特征融合效果,设计了一种基于多重最大池化和残差模块的法线恢复网络。该方法在DiLiGenT光度立体数据集上测试的光源方向和法向的平均角度误差分别为3.2和8.5。
针对现有电梯维修保养(维保)方案无法适应维保人员短缺及无法保障维保成本的问题,从考虑平衡员工工作负荷的角度出发,提出了一种基于多目标遗传算法的电梯维保路径规划方案。首先,在考虑任务优先级和多维保站点调度的基础上,建立多目标优化模型;其次,对传统编码方式和遗传算子进行修改,并利用多目标遗传算法对模型进行求解;最后,采用实例对方案进行验证,并对比分解法和全局法两种方案在实例中的应用结果。结果表明,当算法迭代次数相同时,分解法展现出更为出色的性能。相比于全局法,分解法节约了17.3%的成本,减少了49.7%的员工工作时长标准差,节约了26.6%的人力资源。该方法可为电梯维保路径规划提供有益参考。
针对现有人工标靶定位方法精度不高且效率低的问题,提出一种基于ICP(Iterrative Closest Point)的定位标靶中心算法,并在所提出的定位方法的实现上进行加速,对检测到的二维边缘点集在CPU中建立VP-tree(Vantage Point Tree)数据结构后,传入图形处理器(Graphics Processing Unit,GPU)缓冲区中,使用全称为开放计算语言(Open Computing Language,OpenCL)框架并行计算,并且使下一时刻的边缘点云继承上一时刻的刚性变换矩阵,减少迭代次数并加快收敛速度,实现实时定位。经实验验证,本文算法在1.6 m的视场范围,定位精度约为0.081 9 pixel,平均绝对误差约为0.026 1 mm。实验结果验证了该方法具有可行性且算法有效。
近年来,由交通事故引起的人身伤害和经济损失比例逐渐上升,准确预测交通事故的严重程度对于交通安全的管理和控制至关重要。文章创新性地提出了一种具备可解释性的深度神经模糊系统(Deep Neural FuzzySystem,DNFS)对交通事故的严重程度进行预测。该系统通过学习历史数据中的特征相关性和模糊规则,实现对输入特征的降维,使其能更准确地捕捉特征之间的潜在关系。实验结果表明,DNFS对轻微事故、严重事故和致命事故的预测准确率分别达到91%、93%和93%,在多类别预测任务中展现出卓越的性能。
针对信号通过集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)处理后获取的缺陷特征不明显的问题,提出一种EEMD联合主成分分析法(Principal Component Analysis,PCA)的信号处理方法。此方法首先对信号进行EEMD处理;其次在重构信号时,采用相关系数法进行特征选取;最后采用PCA对缺陷信号分量进行处理,能够在有效抑制模态混叠现象的同时,加强信号特征。通过仿真验证得到,经改进后的信号处理方法的重构信号信噪比为29.523 7dB,相较于单一EEMD方法提高了51.06%,均方根误差降低了51.02%。改进后的算法能够在去除噪声的同时,保留更多的信号特征,更适用于处理超声检测信号。
古陶器纹理修复是重现历史文物真实面貌的重要手段,对于研究和保护数字文化遗产具有重要意义,同时提供了重要依据。文章针对修复过程中存在的训练数据集规模小、待修复区域大及模型学习困难等问题,提出了一种特殊的修复方法。首先,通过傅里叶滤波器处理输入图像,提取高频分量作为输入条件,为模型提供纹理信息,从而引导修复结果的生成。其次,通过增加颜色损失对模型进行约束,为模型提供颜色信息,使修复结果更加真实。实验证明,与现有图像修复方法相比,该算法在PSNR指标上实现了0.47 dB的提升,同时在SSIM和LPIPS指标上也均表现出不同程度的优化。
图注意力网络(Graph Attention Networks,GAT)通过汇聚相邻节点计算中心节点特征时,缺少图的结构信息且没有利用高阶邻域节点。针对此问题,提出一种采用随机游走策略的图扩散模型。该模型通过随机游走访问邻域内的节点以提取结构信息,并通过设置游走时的重启参数和迭代次数,控制邻域范围以提取局部和全局节点信息,再通过图注意力的加权求和机制对特征进行转换。该模型在3个引文图数据集上进行实验比较,比传统GAT模型的准确率平均提升了1.1%,证明了随机游走策略在捕获节点结构信息方面发挥了重要作用。