MIS数据结构特征抽取与功能组合

本文在对管理信息系统MIS环境及数据逻辑结构进行分析的基础上,将MIS的基本数据进行结构特征抽取。通过对系统应用模型的参数的分离,定义其功能组合,以实现MIS对应用环境变化的适应性和灵活性。文中通过实例分析,阐述了建立、重构MIS的过程。     

一种手写印刷体汉字识别方法

本文提出一种手写印刷体汉字识别方法,使用该方法无需先对汉字进行细化和平滑处理。利用汉字笔划的相关性,抽取汉字图像的结构特征.在特征抽取过程中,考虑到一些噪声的影响,因而对质量较低劣的汉字识别也有效。实验结果较满意。     

基于快速区域卷积神经网络识别变形仪表图像的二次矫正方法

为解决工业中摄像头在俯视、仰视等角度拍摄仪表时导致表盘变形影响读数的问题,提出一种基于Faster R-CNN识别变形仪表图像的二次矫正方法。利用ResNeXt50作为Faster R-CNN的主干网络,结合特征金字塔FPN(Feature Pyramid Network)生成特征层,并融合SENet(Squeeze and Excitation Networks)模块将仪表特征更为突出,便于定位仪表区域并裁减,再由Harris角点检测找到表盘的四个顶点;利用二次矫正方法对变形仪表还原成正视角度仪表;最后计算示数。实验结果表明：该方法使得mAP值由基本模型的75.51%提升至94.45%,且仪表在变形情况下,仍能得到比较好的读数结果,误差率为0.83%。     

基于多层次特征融合的Transformer人脸识别方法

卷积神经网络中的卷积操作只能捕获局部信息,而Transformer能保留更多的空间信息且能建立图像的长距离连接.在视觉领域的应用中,Transformer缺乏灵活的图像尺寸及特征尺度适应能力,通过利用层级式网络增强不同尺度建模的灵活性,且引入多尺度特征融合模块丰富特征信息.本文提出了一种基于改进的Swin Transformer人脸模型——Swin Face模型.Swin Face以Swin Transformer为骨干网络,引入多层次特征融合模块,增强了模型对人脸的特征表达能力,并使用联合损失函数优化策略设计人脸识别分类器,实现人脸识别.实验结果表明,与多种人脸识别方法相比,Swin Face模型通过使用分级特征融合网络,在LFW、CALFW、AgeDB-30、CFP数据集上均取得最优的效果,验证了此模型具有良好的泛化性和鲁棒性.     

机械CAD设计方法中基于特征的设计

从机械零件三维设计的角度出发，利用特征造型的技术，提出了基于特征的设计的设计方法，并分析了该方法在产品模型的表达方法上的应用。     

板材FMC中特征技术研究

机械设计CAD领域中,目前所采用的设计方法主要在于功能到形式的转换,设计决策时对产品生命周期中下游活动(包括工艺规划、制造、装置、测试、销售、服务、培训)的影响考虑较少.设计结果对下游活动的影响情况往往是在设计完成之后,进行下游活动时才得以发现.这样,增加了设计时间,而且由于设计阶段的信息不充分,设计决策的制定很难做到最优.因此,作者的目标是运用一种新的设计理论,使得从贯穿产品生命周期时各阶段中得到的约束信息能直接用于产生新的设计.并行工程的核心是建立一个统一的产品信息模型,它是信息的全集,既能满足设计的需要,又能满足加工和检验的需要,特征技术正是针对如何建立集成系统统一产品模型问题的一个卓有成效的探索,是并行工程     

基于零件图的板料件产品模型

本文基于板料件零件图及其成形工艺,探讨了板料件特征构型方法,提出了以特征线为核心的产品模型.采用特征线可较好地解决形状特征与精度特征的统一描述问题,使得产品模型的特征信息完备.本文详细地描述了形状特征和精度特征及其与特征线的关系.     

基于复杂网络和遗传算法的特征选择方法

特征选择作为一种常见的降维方法,一直以来都是机器学习和数据挖掘领域的热点话题.针对传统特征选择算法没有充分考虑特征全局冗余性,导致选择的特征子集对分类识别精度不够高的问题,提出基于复杂网络节点重要度评估和遗传算法的特征选择算法,将每个特征视为网络节点,根据互信息建立边,将特征选择问题转化为节点重要度评估问题,利用遗传算法选择最优特征子集.实验结果表明此算法能够找到较为优秀的特征子集,有效降维并提高分类精度.     

基于Multi—Agent的图像检索技术的研究

针对当前图像特征提取方法中,算法运行速度较慢以及远程图像的信息交换中带宽的限制,设计了一种基于Multi—agent技术的图像特征提取方法,重点讨论了该方法实现的关键技术,包括纹理特征、颜色特征和形状特征的提取算法。模拟实验表明,该方法所提取的特征内容丰富,占用网络的带宽较少,采用的算法运算速度提高明显,而三种基于内容的图像的特征能满足不同类型图像的识别和检索。     

A data-mining approach to biomarker identification from protein profiles using discrete stationary wavelet transform

Objective： To develop a new bioinformatic tool based on a data-mining approach for extraction of the most informative proteins that could be used to find the potential biomarkers for the detection of cancer. Methods： Two independent datasets from serum samples of 253 ovarian cancer and 167 breast cancer patients were used. The samples were examined by surfaceenhanced laser desorption/ionization time-of-flight mass spectrometry （SELDI-TOF MS）. The datasets were used to extract the informative proteins using a data-mining method in the discrete stationary wavelet transform domain. As a dimensionality reduction procedure, the hard thresholding method was applied to reduce the number of wavelet coefficients. Also, a distance measure was used to select the most discriminative coefficients. To find the potential biomarkers using the selected wavelet coefficients, we applied the inverse discrete stationary wavelet transform combined with a two-sided t-test. Results： From the ovarian cancer dataset, a set of five proteins were detected as potential biomarkers that could be used to identify the cancer patients from the healthy cases with accuracy, sensitivity, and specificity of 100%. Also, from the breast cancer dataset, a set of eight proteins were found as the potential biomarkers that could separate the healthy cases from the cancer patients with accuracy of 98.26%, sensitivity of 100%, and specificity of 95.6%. Conclusion： The results have shown that the new bioinformatic tool can be used in combination with the high-throughput proteomic data such as SELDI-TOF MS to find the potential biomarkers with high discriminative power.