基于空间自适应和混合损失对抗网络的乳腺肿块图像分割方法

在乳腺癌筛查的计算机辅助诊断过程中，乳腺肿块的精确分割至关重要.然而，乳腺肿块在X光成像中与背景灰度接近、形状不规则，使得精确分割面临很大挑战.为进一步提升分割性能，提出一种基于空间自适应和混合损失对抗网络的乳腺肿块分割新方法.首先，提出可分离卷积U-Net模型作为对抗网络中的生成器，以减少参数量和计算量；然后，在判别网络中添加空间自适应归一化层来获取分割掩码中蕴含的语义信息；最后，综合考虑类别不平衡、语义一致性等因素的影响，提出一种融合对抗损失、分割损失和感知损失的混合损失函数以提升模型学习效果.实验结果表明，新方法在INbreast和CBIS-DDSM两个乳腺分割公开数据集中分别取得99.35%和99.72%的准确率，以及81.27%和82.01%的集合相似度，获得优于现有方法的分割性能.     

低算力深度学习下的图像卡通风格化研究

在深入研究图像风格迁移的基础上，提出了一种适用于图形处理器性能受限情况下，卡通（cartoon）图像风格迁移训练的生成式对抗网络(generative adversarial networks，GAN)．利用视觉几何组（visual geometry group，VGG）网络提取图片先验信息，实现学习过程的加速；裁剪cartoonGAN模型，在保证效果的基础上，使得低性能计算条件下的网络收敛成为可能；设计合理的损失函数，保证整体风格化效果．基于tensorflow 2.0构建试验平台，通过对试验结果分析可发现，该方法的迁移效果好，稳定性强，且收敛时间短．对算法的参数和初始化方法给出了相关讨论，并提出了进一步的解决方案．      

一种从融合颜色信息和深度信息的PNG文件中提取点云数据的方法

使用微软Kinect体感设备对物体三维信息构建时会产生大量的场景彩色信息和深度信息,可在Open CV框架下将Kinect视场下的信息保存为两张PNG格式的RGB图和深度图,为后续的物体三维构建提供原始的数据信息,这种方法使用比较繁琐。针对此问题提出了一种将颜色信息和深度信息融和到一张PNG文件中,隐藏深度信息到Alpha通道并在OpenFrame Works平台下实现了提取三维点云数据的方法。     

FrFT-Bark域特征提取与CNN残差收缩网络心音分类算法

为充分挖掘心音信号的生理、病理信息，提高心音自动分类的准确率，提出一种不依赖于分割和去噪的心音自动分类新算法.首先提取心音信号Bark域分数傅里叶变换的时频特征，然后将深度残差收缩网络引入卷积神经网络中构建新的分类模型，该模型能够自动去除与当前任务无关的特征信息，提高模型预测的准确率及稳定性.研究所用心音样本5 000例，其中1 000例用于测试.实验结果表明，提出算法的准确率、灵敏度、特异度分别为0.925、0.902、0.948,F1值为0.923.该方法整体性能较以往方法有明显提升，具有较强的鲁棒性和泛化能力，有望应用于先心病的临床筛查.     

采用深度学习的异步电机故障诊断方法

为解决传统异步电机故障诊断方法因电机结构复杂、信号非平稳和机械大数据等因素引起的诊断困难问题,提出一种高效准确的异步电机故障诊断(SDAE)方法。该方法利用堆叠降噪自编码提取信号特征,结合Softmax分类器实现高效准确的电机故障诊断。首先,采集异步电机的整体电流和振动信号,将电流信号与傅里叶变换后的振动频域信号组合构成样本,并做归一化处理;然后,构建堆叠降噪自编码网络,确定网络层数、各隐藏层节点数、学习率等参数;最后,输入训练样本依次训练自编码和分类器,微调整个网络并用测试数据验证网络的优劣。试验结果表明,在合适的参数下采用SDAE方法的异步故障诊断准确率高达99.86%,比传统电机故障诊断方法提升至少6%。     

TADS系统在小区覆盖中的应用

随着智能机的出现,日常生活与通信网络的关系变得越来越密切,人们已经很难离开网络而生活了,于是对于网络覆盖的要求也变得越来越高;但另一方面,随着用户的增加、高楼的快速建成、建筑密度的增加,无线网络质量经受越来越大的挑战。传统的微蜂窝覆盖由于各种限制很难对楼宇小区做到深度的全覆盖,本文引入了TADS系统,将其应用于某市一别墅型住宅小区,证实了TADS系统相较于传统覆盖方式的优越性。     

基于气象因素的机场进离港延误预测

针对机场延误预测过程中难以提取延误传播时空特征、预测结果受天气扰动大的问题，提出了基于气象因素的时空图卷积网络(meteorology-based spatio-temporal graph convolutional networks, MSTGCN)机场延误预测模型。该模型使用图卷积神经网络(graph convolutional neural network, GCNN)与门控卷积神经网络(gated convolutional neural network, Gated CNN)挖掘机场延误的时空特征，同时加入气象特征提取模块对机场延误时间进行预测。实验结果表明，该模型在中短时预测上的表现均优于其他对比模型；相较于不考虑气象因素的模型，MSTGCN对未来1 h、4 h和12 h预测的平均绝对误差分别降低了7.03%,7.93%,11.54%,对预测结果起到了极大的修正作用。     

土岩组合地层排桩支护基坑嵌固深度的探讨

随着城镇化的不断发展,城市用地寸土寸金,地下空间也需充分利用,与之相对应的基坑开挖深度也越来越深,土岩组合地层基坑在丘陵山区城市中也较为常见。本工程为大连市中心某基坑原设计支护桩深度范围内为强风化岩层,由于风化岩层起伏等原因,嵌岩深度内某一区段范围遇中风化岩层,支护桩采用人工挖孔桩,中风化岩层施工较为困难,而且造价也比原设计增加很多,需按照新的中风化地层深度减小嵌固深度,但嵌固深度多少为适宜有待商榷,本文结合成功的工程案例对嵌固深度进行分析,为今后类似工程提供参考资料。