基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法，利用带通滤波对原始心电数据进行降噪处理，实现QRS波群定位和心拍截取；设计7层的一维卷积神经网络（convolutional neural network，CNN）模型，对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测，从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练，结果显示，其准确度为9900%，召回率为9908%；与相关文献的研究方法对比，本方法具有较高识别精度，能有效解决人工对心电图识别的误诊、错诊问题。     

基于级联可分离空洞残差U-Net的肝脏肿瘤分割

计算机辅助肝脏肿瘤分割可减少医生工作量，提高手术成功率，因而具有重要的临床诊疗价值。为获得精确的肝脏肿瘤自动分割结果，该文结合医学影像分割领域近年新兴的U-Net模块提出了基于级联可分离空洞残差U-Net（cascaded separable and dilated residualU-Net，CSDResU-Net）的肝脏肿瘤分割方法。CSDResU-Net采用了级联操作，解决了因肿瘤在整幅图像中占比小而造成的肿瘤分割数据不平衡问题；通过在分割网络中整合残差单元、深度可分离卷积和空洞卷积，能够增加卷积核感受野并快速提取更具判别性的肝脏肿瘤图像特征，从而提高肝脏肿瘤分割精度。在国际医学图像计算和计算机辅助干预协会肝脏肿瘤分割数据库上的实验结果表明，CSDResU-Net比基线方法的Dice系数指标提升了1.3%，同时发现空洞率对分割网络的性能表现影响较大。     

无定形区特征增强全景分割算法

针对UPSNet全景分割算法在目标分割过程中存在对无定形区目标分割精度不高的现象,提出一种无定形区特征增强的UPSNet全景分割算法APS。该算法引入空洞卷积,采用自下而上的方式构建特征融合结构,使无定形区特征得以增强,解决无定形目标特征不显著问题,提高语义分割效果,进一步提高全景分割精度。经仿真测试,该算法对道路、草地等无定形目标分割效果均有提高,在COCO数据集上的检测结果与UPSNet相比,SQ值提高4.75%,适合应用于无人车和移动机器人等场景。     

MEMS惯性高度尺测量精度分析

研究了基于微电子机械系统(micro-electro-mechanical systems,MEMS)的惯性导航系统的短时相对高程测量精度,设计了“惯性高度尺”算法,进行了桌面测高和楼层测高两个验证性实验。分析了不同运动条件和运动时间下“惯性高度尺”的测高精度。基于零速修正技术提出了一种分段测量的方法。实验结果表明,桌面测高可实现毫米级精度(相对误差0.17%),楼层测高可实现多层厘米级和单层毫米级测量精度(相对误差分别为0.22%,0.06%)。测量误差与载体的姿态动态和运动时长成正相关。实验验证了MEMS惯导用于高度测量具有较高可行性,稳定的运动条件和较快的测量时间能够提高测量精度。     

基于生成对抗网络的半监督图像语义分割

提出了一种基于生成对抗网络的语义分割模型,包括一个全卷积语义分割网络以及一个判别网络,其中语义分割网络负责生成与输入图像对应的语义分割图,判别网络负责检测分割图与真实标签的区别,以促使分割网络改进分割效果。为了更好的提取全局结构信息,语义分割网络中采用了金字塔池化模块,对不同规模的空间区域进行池化操作。另外,为了应对语义分割训练数据集人工标注成本过高的问题,利用判别网络生成伪标签协助语义分割网络进行训练,从而实现了半监督训练效果。模型在PASCAL VOC2012数据集中进行了测试,结果表明该模型在全监督和半监督条件下均优于已有方法。     

基于密度自适应深度网络的点云场景语义分割算法

由于传感器噪声干扰，点云密度不均匀，场景复杂多样以及物体之间存在遮挡现象等问题，使得三维点云场景语义分割问题的研究工作极具挑战性。针对三维点云数据采样密度不均匀以及图卷积网络深度有限的问题，提出一种密度自适应的方法。该方法通过多层感知器学习一个权重函数，利用核密度估计学习一个密度函数，对非均匀采样的点云数据进行卷积操作。同时，受深度学习在图像领域的启发，引入残差连接、空洞卷积等结构，训练更深层的点云分割网络。该算法在多个点云分割的标准数据集上取得了优秀的性能。     

基于正弦注意力表征网络的环境声音识别

将正弦注意力表征网络引入环境声音识别，首先提取梅尔频率倒谱系数（Melfrequency cepstral coefficient，MFCC）作为音频识别特征，使用门控循环单元提取MFCC每一帧的特征，根据正弦函数激活每一帧音频得分，并依照每一帧的音频得分为音频重新分配权重，从而将注意力集中在音频重点区域。最后结合全连接层和Softmax分类器对环境声音类别进行判别。实验在公开数据集Urban Sound 8K上验证并与其他模型对比，结果表明所提出模型效果最好，在数据集上的识别率高达93.5%。     

苹果树病虫害智能识别系统设计与实现

为提高苹果的产量和质量,防止病虫害对果实质量的影响,设计了一款基于机器视觉的苹果树病虫害智能识别系统。该系统采用交互式分割(GrabCut)算法对图像进行分割,然后使用高斯拉普拉斯算子和拉普拉斯高斯(Laplacian-of-Gaussian, LOG)算法将苹果叶片中的病斑提取出来,最后将提取出的图像送入深度神经网络(deep neural networks, DNN)进行进一步的分析与处理,能够实时、方便地识别出苹果树叶病害中较为常见、发病率高的花叶病,锈病,灰斑病,斑点落叶病以及褐斑病。经测试,该系统对苹果树5种常见病虫害识别率精度高达91.17%。结果表明,该算法能够有效提升苹果树病虫害防治,优于基于卷积神经网络特征的区域方法(regions with CNN features, R-CNN)、YOLO(you only look once)等单一病虫害检测方法。     

基于改进K-Means++分时电量聚类与行业用电行为分析

由于能源互联网中分时电量分布不仅为分时电价的制定提供依据还代表着用户的用电意识,提出改进K-Means++的聚类算法与典型用户筛选模型对分时电量进行挖掘。首先对K-Means++进行改进,利用模拟退火算法(simulated annealing, SA)与中位数阈值分割自动确定聚类初始质心与聚类数,弗雷歇与欧式距离的加权复合作为相似性的度量,权值由信息熵与层次分析法(analytic hierarchy process, AHP)确定。然后对分时电量进行聚类,从每簇聚类结果中依据典型用户筛选模型筛选典型用户,得到3种用电类型,最后从主要用电类型与用电类型转变的角度对行业用电行为分析,得到不同行业相同的用电行为。有助于供电侧初步掌控区域性行业用电群体的用电特征,为精细有序的用电管理做准备。     

基于CGRU多输入特征的地空通话自动切分

自动语音切分是语音识别、声纹识别、语音降噪等语音应用中非常重要的预处理环节，切分算法的优劣直接影响了系统输出结果的精度.在空管地空通话中，传输信道噪声、天气因素以及说话人工作状态均会对语音信号产生影响，进而在一定程度上影响语音切分性能.在分析空管地空通话语音特性基础上，提出了一种基于CGRU网络多输入特征的自动语音切分方法.该方法结合地空通话的特点，采用深度学习的方法进一步提取语音信号的时域和频域非线性特征，将语音信号帧分类为语音帧、结束帧以及其他帧三类.实验对比了多种语音特征作为输入对切分效果的影响，同时验证了GMM、CNN、CLDNN、CGRU等切分算法在真实地空通话测试集上的表现，并提出了一种简单预测结果平滑算法.实验结果表明，文中提出的自动切分方法在地空通话中具有明显优势，分类模型的AUC值达到了0.98.