基于空间模糊化表示的图形相似性测度

根据人的视觉感知的模糊性,提出了一种新的图形相似性测度的计算方法。首先将图形在空间上进行模糊化处理,将一个确定的图形模糊化为二维平面上的一个模糊子集,将两个图形间的相似性测度问题转化为图形元素在图形模糊集中的隶属度问题,从而可以定量地表示相似性的程度。最后给出了用模糊相似性测度实现图像检索的例子。实验表明,该测度算法的结果和人的主观感受是基本一致的。     

向量随机场模拟及其在岩土工程中的应用

对于岩土工程中多个土性随机参数向量随机场,将随机场谱表示模拟方法与Monte-Carlo法相结合,得到了考虑土性参数自相关性与互相关性的Monte-Carlo随机有限元法,并应用于堤坡失效概率的计算。计算结果表明:谱表示模拟方法比普通协方差分解方法收敛速度快,采用该模拟方法的Monte-Carlo随机有限元法是计算岩土工程可靠度的有效方法;在土性参数随机场的模拟中应考虑参数间的互相关性对于岩土工程可靠度的显著影响。     

基于稀疏性约束非负矩阵分解的人脸年龄估计方法

基于人脸图像的年龄自动估计已经成为当前人脸识别领域的一个重要研究方向。首先通过非负矩阵分解(non-negative matrix factorization,NMF)算法对基矩阵或系数矩阵进行稀疏性约束,用形成的更具有局部表达能力的子空间对人脸图像数据进行表示。然后使用径向基函数神经网络进行训练和测试,提取包含在大多数人脸图像上的年龄信息来进行年龄估计。实验结果表明,具有稀疏性约束的非负矩阵分解算法对年龄估计问题具有良好的应用效果。     

基于时空建模的动态图卷积神经网络

为了使图表示学习得到的嵌入向量对节点和边不断变化的动态图具有很好的信息表征能力,提出一种动态图卷积神经网络模型(DyGCN),将动态图上的表示学习建模为时间和空间信息的聚合.该模型将从图卷积神经网络(GCN)的空间卷积提取图上的结构信息与从时间卷积神经网络(TCN)的因果卷积提取时序上的历史信息相结合,同时在空间卷积层...     

在实表象中含时Hamilton量解的不变量

通过实表象的运动方程的确切解,得到了在静磁场中的含时一维、二维Hamilton谐振子的Lewis-Riesenfeld不变量。数学上,这个正交的不变量函数是一个各向同性的二维Hamilton谐振子的角动量。根据得出的不变量,通过一个简单的试探函数方法仍然可以简单推导出在静磁场中柱坐标下的二维含时Hamilton谐振子的波函数,并且通过在直角坐标下二维含时Hamilton谐振子的波函数表示成为叠加态的形式。     

海岸带多源数据三维无缝拼接技术

为解决多源海陆数据中基准不一致、数据模型及格式不统一、同一地物表达上的差异等问题,设计了海陆数据的无缝拼接方案.利用坐标转换和垂直基准差拟合解决空间基准的不一致性,建立统一海部水深离散点和陆部等高线的多源数据无缝数字高程模型(DEM),基于点删除的不规则三角网(TIN)简化算法可实现海岸带模型的多尺度表达.实例分析表明,该方案可实现多源海陆数据的三维无缝拼接和多尺度表达.     

基于案例推理的知识管理咨询系统

在分析基于案例推理技术特点和知识管理咨询系统含义的基础上,提出了基于案例推理的知识管理咨询系统架构,并分析了架构的组成,给出了基于案例推理的知识管理咨询系统的定义。研究了实现系统所采用的案例知识表示、检索、存储和案例学习等关键技术。依据提出的架构及其关键技术,企业易于实现其知识管理咨询系统,从而有效地支持知识重用和知识创新,提高知识管理的有效性,以及知识资源的共享和充分运用。     

基于目标背景加权的核跟踪

在核跟踪(Mean Shift跟踪)算法中,目标的表示方法对跟踪性能有很重要的影响.传统的核跟踪算法只是通过计算目标模型和候选目标模型,对目标进行跟踪,没有消除背景的影响,特别是目标与背景相近的情况.对此,提出了一种目标背景加权的核跟踪算法,该算法是在跟踪过程中对目标模型进行背景加权,并且在目标的表示中采用颜色纹理联合直方图.为了验证跟踪的可靠性,利用跟踪位置与目标位置之间偏移量的均值和方差进行衡量.实验结果表明,与传统的跟踪算法相比,该算法在目标的表示和跟踪性能上有很大的提高.     

基于位平面和协作表示的人脸识别算法

为提高人脸识别的准确性和高效性,提出了一种基于位平面信息的协作表示人脸识别算法,利用8位灰度图像的8个位平面和协作表示原理进行人脸识别.采用直方图均衡算法增强图像的对比度,并将均衡后的图像分解成8个包含有不同信息的二进制位平面图像.根据各位平面图像包含的识别信息量对它们进行加权求和,构造虚拟人脸图像.最后在虚拟人脸图像数据库上采用协作表示进行识别.实验结果表明,该算法具有较高的识别率和较快的识别速度.      

Big data analysis of the human brain’s functional interactions based on fMRI

The human brain is a huge, complex system generating brain activity. The exploration of human brain function using functional magnetic resonance imaging （fMRI） is a promising method to understand brain activity. However, the complexity of the big data generated by fMRI facilitates the analysis of various levels of human brain activity, such as the distribution of neural represen- tations, the interaction between different regions, and the dynamic interaction over time. These different levels can depict distinct prospects of the human brain activity, and considerable progress has been achieved. In the future, more big data analysis methods combining advances in computer science, including larger-scale computing, machine learning, and graph theory, will promote the understanding of the human brain.