基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。     

一种HEVC样点自适应补偿快速算法

为解决高性能视频编码标准H.265/HEVC中引入的样点自适应补偿技术的计算复杂度极高导致严重影响编码效率的问题,提出一种HEVC样点自适应补偿快速算法.首先根据编码单元(coding unit, CU)的划分深度确定亮度树形编码块(coding tree block, CTB)中需要提取边缘方向的区域,然后利用边缘方向提取算法获得亮度CTB的边缘方向列表,并根据此列表减少亮度CTB在模式判别过程中遍历的模式数量,最后利用亮度和色度CTB之间的相关性进一步简化色度CTB的模式判别过程.实验结果表明,在性能损失较小的情况下,本算法可以在全I帧(AI)、随机访问(RA)、低延时B帧(LB)、低延时P帧(LP)四种配置下分别节省31.75%、 56.85%、 52.81%、 51.51%的样点自适应补偿编码时间.     

《青海大学学报》(自然科学版)征稿简则

<正>《青海大学学报》(自然科学版)是青海大学主管、主办的自然科学综合性学术理论刊物,国内外公开发行,双月刊。其办刊宗旨为:以科学发展观为指导,贯彻"双百"方针,为学校教学、科研服务。     

光MIMO-OFDM预编码矩阵优化

由于水下非成像光多输入多输出正交频分复用(multiple input multiple output-orthogonal frequency division multiplexing，MIMO-OFDM)通信系统采用强度调制-直接检测的通信方式，缺失频率和相位分量，不同光源的光束在接收端相互叠加，因此其信道相关性强，误码率(bit error rate，BER)高。针对这一问题，提出一种基于非成像光MIMO-OFDM接收信号欧氏距离的预编码算法。假设发送端预知信道状态信息，在满足光信号非负性和总功率受限的约束下求解最优预编码矩阵，通过对不同光源分配不同的功率实现最大化接收信号的最小欧氏距离。系统发送端通过预编码矩阵对信号进行预编码，接收端通过最大似然方法对最大化欧氏距离的接收信号进行解码。仿真结果表明，与基于奇异值分解的光MIMO预编码算法相比，提出的算法在总功率不变的前提下，进一步降低了非成像光MIMO-OFDM系统误码率。     

伯恩斯坦语言编码理论视角下的隔代教育分析

隔代教育原本是帮助年轻父母解决后顾之忧的重要举措,而现实生活中隔代教育存在的众多教育问题对孩子的成长和发展极为不利。文章借用伯恩斯坦的语言编码理论对隔代教育进行解释和剖析,指出隔代教育效果不如双亲教育的重要原因在于祖辈用的是限制型语言编码,孙辈在和祖辈的生活中习得了这种语言编码,与学校教育和主流社会要求的精致型语言相背离,一旦他们走进学校和社会则较难取得成功。破解隔代教育的困境,关键在于构建孩子的精致型语言编码。     

极小相关组的Matlab实现及其在编码中的应用

纠错码技术是通信技术中不可或缺的一项技术,并在当今的通信技术发展中占有很高的地位,线性分组码是常用的一种纠错码,其纠错能力的计算需要以线性分组码最小码距的计算为基础。向量组极小相关组的提出,引入了向量组的距的定义,为线性分组码纠错能力的计算提供了新思路,极小相关组的有效而且快速求解方法研究将是一个新课题,针对计算机通信科学发展的需求,基于遍历法的思想,运用Matlab软件编写程序求解向量组的极小相关组,并将程序简单应用于具体向量组极小相关组的计算以及线性分组码纠错能力的计算。     

基于改进卷积神经网络的短文本分类模型

基于卷积神经网络, 提出一种基于改进卷积神经网络的短文本分类模型. 首先, 采用不同编码方式将短文本映射到不同空间下的分布式表示, 提取不同粒度的数字特征作为短文本分类模型的多通道输入, 并根据标准知识库提取概念特征作为先验知识, 提高短文本的语义表征能力； 其次, 在全连接层增加自编码学习策略, 在近似恒等的基础上进一步组合数字特征, 模拟数据内部的关联性； 最后, 利用相对熵原理为模型增加稀疏性限制, 降低模型复杂度的同时提高模型的泛化能力. 通过对开源数据集进行短文本分类实验, 验证了模型的有效性.     

基于半监督宽度学习系统的气温空间插值

近年来,基于人工神经网络的气象空间插值研究因其较强的非线性映射能力受到越来越多的关注。然而,由于网络参数众多,这些方法的训练过程都非常耗时。考虑到以上原因,基于宽度学习系统提出了一个高效的气温空间插值模型,首先使用稀疏编码对输入数据进行特征提取,然后将映射后的向量引入宽度学习系统中得到一个半监督宽度学习模型。相关实验建立在山西省的气象数据集上,实验结果表明,该方法比基于深度学习的方法和传统空间插值方法具有更好的预测性能和时间损耗。     

联合自编码任务的多机制融合复述生成模型

基于神经网络编码–解码框架的复述生成模型存在两方面的问题: 1) 生成的复述句中存在实体词不准确、未登录词和词汇重复生成; 2) 复述平行语料的有限规模限制了编码器的语义学习能力。针对第一个问题, 本文提出在解码过程中融合注意力机制、复制机制和覆盖机制的多机制复述生成模型, 利用复制机制从原句复制词语来解决实体词和未登录词生成问题; 利用覆盖机制建模学习注意力机制历史决策信息来规避词汇重复生成。针对第二个问题, 基于多任务学习框架, 提出在复述生成任务中联合自编码任务, 两个任务共享一个编码器, 同时利用平行复述语料和原句子数据, 共同增强复述生成编码器的语义学习能力。在Quora复述数据集上的实验结果表明, 提出的联合自编码的多机制融合复述生成模型有效地解决了复述生成的问题, 并提高了复述句的生成质量。