基于模糊信息增益的图像相关性度量

针对图像中所含有的统计概率不确定信息以及模糊不确定信息,提出了一种综合图像概率信息与模糊信息的新模糊信息增益度量方法来比较目标图像与参考图像之间的相关度,从而为图像相关匹配与检索提供强有力的依据.实验结果表明,该方法是有效的.     

基于主成份分析的仿射不变特征图像匹配方法

从理论和实验上分析比较了尺度不变特征图像匹配方法和仿射不变特征图像匹配方法的异同,为提高图像匹配的速度和图像特征描述的准确性,提出了一种利用主成份分析对仿射不变特征匹配特征描述向量降维的方法。实验结果表明该方法能加速仿射不变特征图像匹配方法,在不降低匹配效果的前提下,将128维特征向量降低至15维。     

一种新的子空间聚类算法

通过对数据空间进行网格划分并寻找稀疏区域来发现类的边界，提出了一种基于密度与网格的新的子空间聚类算法．该算法使用投影寻踪的搜索策略来发现存在于子空间内的类，同时运用基于竞争的修剪方式来有效地控制算法的计算复杂性．实验结果表明，所提算法在精度、时间复杂性等方面具有优良性能.     

康复医学在下肢康复器械设计中的应用

康复器械的设计是在人机工程学运用人体测量学、生理学和生物力学以及色彩心理学等学科的基础上,密切联系康复医学,综合地进行人体结构、功能、心理以及力学问题的研究,从而设计出用户能发挥最大效果的机械、仪表和控制装置。文章以一款下肢力量恢复训练的康复器械为例,阐述了康复医学在康复器械中的应用。     

一种新的子空间聚类算法

通过对数据空间进行网格划分并寻找稀疏区域来发现类的边界,提出了一种基于密度与网格的新的子空间聚类算法.该算法使用投影寻踪的搜索策略来发现存在于子空间内的类,同时运用基于竞争的修剪方式来有效地控制算法的计算复杂性.实验结果表明,所提算法在精度、时间复杂性等方面具有优良性能.     

下肢康复器械设计中的人机工程学分析

通过运用计算机软件,建立器械模型并做仿真试验,用人机工程学的理论分析一款下肢康复器械的设计。     

基于深度学习与领域规则建模的蛋白质信号肽及其切割位点预测

为了提升蛋白质信号肽及其切割位点预测精度,有效区分3种不同类型的信号肽,提出基于位置特异性打分矩阵(PSSM)和同源检测迭代的隐马尔科夫(HMM)文件的深度学习预测方法。设计基于自注意力机制的神经网络模型用于信号肽预测,并使用基于知识迁移的模型集成方法提升预测效果。设计基于门控循环单元(GRU)网络的条件随机场(CRF)来预测信号肽切割位点,并集成领域规则方法提升预测能力。实验结果表明,该文方法对革兰氏阴性菌和革兰氏阳性菌的Sec/SPI、Sec/SPII与Tat/SPI信号肽预测任务的平均马修斯相关系数(MCC)为0.962。该文方法对革兰氏阴性菌和革兰氏阳性菌的Sec/SPI、Sec/SPII与Tat/SPI信号肽切割位点预测任务的平均召回率和准确率分别为0.698和0.662。在部分信号肽样本上,该文方法能正确预测SignalP 5.0方法预测错误的样本,2种方法在切割位点的预测上存在着一定的互补性。     

采样定理、视觉原理及无监督聚类分析理论

通过引入采样定理，提出了基于视觉采样定理的新聚类算法，将生物物理学中的Weber定律、采样定理和视觉结构有效地结合起来，并在此算法的基础上提出了聚类的有效性准则．该算法基于视觉系统工作原理，具有更强的物理解释性能．实验表明，此算法简洁、有效．     

基于加速度信号几何特征的动作识别

根据人行为动作的特点,提出了一种基于加速度信号几何特征的层次识别算法以识别多种人的行为,例如:步行、下楼、上楼、跑步等.所分析的数据由绑在人体胯部的加速度传感器在实际环境中采集.该算法利用加速度信号的几何特征(周期,波峰值,波谷值)和信号的物理意义(如各方向的能量分布),所选取的特征对个人依赖较小.识别的过程采用了分层识别算法.该算法识别速度快,准确率高,在实际应用中取得了较好的效果.大量的实验表明,该算法对动作的识别正确率在80%以上.     

基于图神经网络的固定骨架蛋白质设计方法研究

针对图神经网络(GNN)ProteinSolver结构特征约束不充分的问题，增加了骨架二面角、配对氨基酸的相对位置编码和相对方向等结构约束，提出了一种基于GNN的固定骨架蛋白质设计方法。实现了基于Transformer多头注意力机制的GNN架构，将物理坐标添加到消息传递和更新步骤中，提高了原子坐标的等变特性。在CATH数据集上的训练和测试结果显示：该文模型平均困惑度为8.12,比ProteinSolver的平均困惑度8.97降低了0.85;在掩盖率为50%时，ProteinSolver的恢复率为28.7%;然后，增加更多的结构约束，恢复率达到了30.3%;随后，将ProteinSolver的GNN替换成基于Transformer的GNN,恢复率达到了34.3%;最后，通过再引入等变特性，恢复率进一步提高到35.0%。