基于图像特征的卷积核初始化方法

针对当前卷积核初始化方法易导致网络不稳定及主成分分析算法对网络结构限制的问题, 提出一种基于图像特征的卷积核初始化方法. 该方法先结合模糊处理技术和边缘处理技术对图像进行采样, 再将采样后的数据随机分组, 使用主成分分析算法提取各组数据的主成分, 初始化卷积核. 将该方法应用于数据集Cifar-10和Corel-1000, 并与Gauss初始化方法和He初始化方法进行对比测试, 实验结果表明, 该方法性能优于其他卷积核初始化方法.     

超声衍射层析成像的高精度核卷积插值重建算法

针对超声衍射层析成像传统采用的双线性插值法重建精度不高的问题,提出一种高精度的核卷积插值重建算法.首先,根据标准的sheep and Logan体模算出重建数据点的值,再选用最小二乘非均匀快速傅里叶变换(LS-NUFFT)算法里的核矩阵作为卷积核,并用此核矩阵将非笛卡儿分布的重建数据点插值到笛卡儿网格内,最后用二维的傅里叶逆变换完成图像的重建.与双线性插值法和高斯核卷积法相比较,LS-NUFFT核矩阵法所得重建图像的2-范数误差比双线性法减少了40%以上,重建时间比高斯核卷积法减少约50%.     

RIP软件中插值算法的选择和优化

目的 为RIP软件选择恰当的插值算法并对其速度进行优化.方法 通过比较不同插值算法的时域和频域特性选择3次卷积插值算法作为RIP软件的插值算法.将插值运算的反向坐标变换中的浮点数乘法转换为整数加法;计算插值核时利用插值核矩阵的行相关性减少计算次数.结果 优化后的插值算法在保证良好输出效果的同时其速度得到提高.可满足大幅面喷墨绘图机RIP软件的要求.结论 三次卷积算法速度有较好的优化结果,但由于"平滑效应",尚有待进一步改善.     

多尺度卷积核U-Net模型的视网膜血管分割方法

针对病变视网膜血管结构的计算机辅助诊断问题,提出了一种多尺度卷积核U-Net模型的视网膜血管分割方法.在U-Net模型基础上设计了融合Inception模块和最大索引值上采样方法的多尺度卷积神经网络结构.在网络训练阶段,采取旋转、镜像等操作进行数据集扩充,运用CLAHE算法进行图像预处理;训练后得到的双通道特征图,进行Softmax归一化;最后通过改进的代价损失函数对归一化结果迭代优化,得到完整的视网膜血管分割模型.实验结果表明,所提方法在DRIVE数据集上分割的准确率达到0.9694,灵敏性达到0.7762,特异性达到0.9835,比U-Net模型具有更优的分割效果和泛化能力,与其他现存方法相比具有一定的竞争力.     

基于生成树的回路核

针对图的相似性问题,提出了基于生成树的回路核,其中包括基于最小生成树的回路核、基于最大生成树的回路核、基于最小生成树或最大生成树的回路核、基于最小生成树与最大生成树的回路核、基于混合生成树的回路核、基于赋权混合生成树的回路核.结果表明,所定义的基于生成树的回路核是可计算的、正定的;在实验中,回路核的识别率高于通路核的识别率,最高可达100%.     

模式分析的核函数设计方法及应用

利用卷积算子和H1(R)核函数给出了一种设计Hn(R)核函数的新方法,该方法简便易行。运用该方法设计的核函数,应用在轴承正常振动信号数据、轴承内圈、外圈以及滚动体故障振动信号数据进行核主成分分析(KPCA)中,仿真结果表明:该方法可以有效地识别轴承正常和内圈、外圈以及滚动体故障。     

二类具有反射的卷积型奇异积分方程

提出并讨论了二类既含有Cauchy核又含有反射的卷积型方程,利用Fourier变换将其转化为具有反射的间断系数的Riemann边值问题,按照经典的Riemann边值问题的解法,得到了方程在{0}类中的一般解与可解条件.     

由高斯核确定的卷积函数类上的n-宽度

研究了由高斯核确定的多元卷积函数类上的n-宽度,并得到了某些情况下宽度的渐近阶.     

核数据评价与建库研究

核数据是描述原子核基本性质以及原子核与其他粒子发生相互作用的核参数的总称,是核科学发展的基础数据,是连接核物理基础研究与核工程以及核技术应用的重要桥梁,是核物理研究的一个重要分支学科.本文首先简要说明了核数据的内涵、种类和用途;然后对中子核反应实验数据库、核数据评价的关键流程以及国际上几个主要的评价核数据库情况进行了简单的介绍;之后对我国核数据评价与建库工作研究的起步与发展历程、国际主要核数据组织的活动以及目前国际核数据研究的发展趋势进行了评述;最后探讨了我国核数据评价与建库研究工作需要重点关注的问题以及未来我国核数据工作可能的发展方向.     

具有余割核和卷积核的奇异积分方程的求解

利用离散的Fourier变换首次讨论了含有余割核csc(τ-θ)和卷积核的二类奇异积分方程的求解,并首先在L2[-π,π]上得到了可解条件和一般解.     

基于SVM的空间数据库的层次聚类分析

支持向量机用于两类问题的识别研究.本算法引入了SVM,构造二叉树对多类问题进行层次聚类分析.该算法采用SVM对两类问题进行识别,通过合并逐步由底向上构造二叉树,最终二叉树的数目即为聚类数.它适合任意形状的聚类问题,而且可以确定最优聚类的结果,并适于高维数据的分析.     

可配置高速二维卷积处理器设计与Gabor滤波应用

针对具有多种大尺寸卷积内核的Gabor滤波器组,设计了可配置二维卷积处理器来实现硬件加速。该处理器利用FPGA(field programmable gate array)内部逻辑资源构建具有多级流水线的二维卷积运算单元,并通过子块分割及重组来支持任意尺寸的卷积运算。使用高级语言对其控制器编程来实现对卷积运算单元及数据流的配置,从而实现Gabor滤波。实验表明:使用EP2C70F896C6型FPGA工作在75MHz,对于120×90像素的灰度图像计算五尺度八方向Gabor滤波(最大尺寸为41×41像素,系数为复数)总耗时28.8ms。     

基于密度信息熵的K-means算法在客户细分中的应用

为解决企业客户价值体现问题, 提出一种TFA客户细分改进模型, 以客户发展空间T、 购买频次F和平均购买额A为指标, 充分体现客户的价值和发展空间. 首先, 引入局部密度值ρ和信息熵H, 改进K-means聚类算法, 以优化传统K-means聚类方法初始聚类中心的选取问题；其次, 通过搭建机器学习框架, 对选取人工数据集及真实数据集进行聚类实验, 验证模型的有效性. 实验结果表明, 该模型能有效分类客户, 充分反映客户价值及其发展空间, 并通过改进聚类算法提升了算法效率.     

多级细节信息融合的人脸表情识别

在自然环境中各种因素的干扰下,人脸表情信息匹配的识别率受到严重影响,针对此问题,提出一种改进的基于VGGNet16(visual geometry group network16)的网络模型.在VGGNet16模型的侧方添加一系列的侧输出层,并在该侧输出层添加不同的卷积核,通过上采样和下采样方法连接侧输出层的上下2层,并通过训练使侧输出层能够对其上下2层的表情信息进行加权融合.在VGGNet16第5层的后方添加2种不同的卷积核.将侧输出层最终得到的特征图进行局部卷积操作,将VGGNet16输出的最终特征图进行全局特征卷积操作,使局部特征与全局特征融合得到最终要进行分类的特征.该模型在CK+(the extended cohn-kanade)数据集上的识别率为98.6％,在RAF-DB(real-world affective faces)数据集上的表情识别率为79.59％,通过对比常用模型在这2种数据集上的识别率发现该模型具有一定的优势.     

一种基于信息熵的聚类结果评价方法

文章基于信息熵理论,将模糊聚类评价方法和决策树分类算法联系起来,提出从信息熵角度用决策树分类算法来评价聚类算法结果的有效性,从而确定最佳的聚类个数;并将该方法应用到证券行业客户忠诚度分析模型的建立中.实验结果表明,该方法可以明显提高聚类的效果,并且使得聚类结果的可解释性强,具有良好的实用价值.     

一种深度学习网络的树木点云骨架重建方法

基于激光雷达(Light Detection And Ranging, LiDAR)数据重建树体三维模型并精准获取林木空间枝干结构参数是精准林业发展的必然趋势。本研究面向激光点云提出了一种融合基于晶格投影的深度学习网络,以及面向提取的枝干点云的树木模型骨架重建的方法。该深度学习网络包括旋转不变性模块、晶格投影与重心插值模块,多尺度变换与卷积操作层,通过将旋转变换后的点云晶格投影到三个坐标平面上再分别重心插值获得变换系数,解决了三维点云因排列无序而造成空间卷积困难的问题。以海南多类树木为研究对象,首先,把带枝叶标签的林木点云基团带入构造的深度学习网络中训练网络参数,实现测试样本中的林木数据的枝叶分离。其次,对分类后的树木枝干点云垂直分层并空间聚类,获取每层的聚类中心点并按相邻层中心点距离最小原则实现骨架链表构造,同时采用自适应随机抽样一致（random sample consensus,RANSAC ）方法来计算的圆柱体拟合半径,以重建树木的各级枝干。最后,根据中心点连通的链表结构以及角度变化最小准则自动识别树木中的主枝干和各个一级分枝。通过与实测数据比对验证表明,深度学习枝叶分类准确率为91.31%,高于传统的机器学习分类方法7%左右。算法得到的橡胶树一级枝干直径与实测值比对为：决定系数（coefficient of determination, R2）=0.92, 均方根误差（root mean square error, RMSE）=0.64cm, 相对均方根误差（relative root mean square error, rRMSE）=6.39% ;相应的一级枝干与主枝干的分枝角与实测值比对为：R2=0.91, RMSE=3.32°, rRMSE=7.81%。本研究设计了深度学习网络与计算机图形学的算法快速精准从地基点云中重建树木的骨架模型,精度吻合实际测量值,具有一定推广价值。     

一种加权的系统聚类方法及应用

提出了加权的系统聚类方法．该方法通过对不同的客户特征赋予不同的权重,达到对客户的聚类结果更符合企业经营目标的目的．为分析客户特征的权重,利用线性回归挖掘企业的历史数据,得到物流企业对客户各个特征的重视程度,并把重视程度作为权重进行客户聚类．实验分析表明,与传统的系统聚类相比,加权的系统聚类方法可以发现隐藏在一般客户中的重要客户,从而使物流企业对本公司的重要客户提供优质服务．     

基于文档对象模型结构聚类的钓鱼网页检测方法

为了解决现有的钓鱼网页分析方法,往往基于页面的文本特征,而忽略了页面的结构特征的问题,提出基于文档对象模型(document object model,DOM)结构聚类的钓鱼检测方法,其关键在于如何快速有效地计算网页的相似度。首先对获取的页面进行DOM结构解析,构建DOM树层次标签向量以刻画网页的结构特征;然后重新定义DOM树距离的概念,通过不同DOM树之间的距离来度量网页间的相似度;最后采用划分聚类思想实现网页的聚类。一系列的仿真实验表明,方法具有较高的召回率与精确率,运行时间也较短。     

基于改进FP-树的时序关联规则挖掘的研究

时序关联规则的研究具有重要的现实意义,因而根据传统的FP-树思想,提出了一种基于改进的FP-树的时序关联规则挖掘的方法．根据FP-树的思想,将时间序列中的频繁项映射到树中,以降低频繁时序模式的搜索空间,该算法在挖掘过程中不用生成大量的频繁模式候选集,提高了时序关联规则的挖掘效率．     

基于改进的卷积神经网络的钢号识别

为获取样本的多样性特征,提出了一种改进的卷积神经网络结构。该网络中引入多层递归神经网络,利用卷积神经网络提取输入图像的浅层特征,同时利用卷积神经网络和递归神经网络并行提取高层特征,最后将两种网络学习到的特征进行融合输入到分类器中分类。利用迁移学习理论解决小样本集数据训练不足的问题,并将这种卷积神经网络结构应用于石油物资管线钢号识别中。实验探究了递归神经网络个数与卷积核个数对网络性能的影响,实验结果表明,改进的网络结构与其它网络进行对比,错误率降低了 3% 。