基于深度学习的秀丽隐杆线虫显微图像分割方法

利用计算机实现自动、准确的秀丽隐杆线虫(C.elegans)的各项形态学参数分析,至关重要的是从显微图像上分割出线虫体态,但由于显微镜下的图像噪声较多,线虫边缘像素与周围环境相似,而且线虫的体态具有鞭毛和其他附着物需要分离,多方面因素导致设计一个鲁棒性的C.elegans分割算法仍然面临着挑战。针对这些问题,提出了一种基于深度学习的线虫分割方法,通过训练掩模区域卷积神经网络(Mask R-CNN)学习线虫形态特征实现自动分割。首先,通过改进多级特征池化将高级语义特征与低级边缘特征融合,结合大幅度软最大损失(LMSL)损失算法改进损失计算;然后,改进非极大值抑制;最后,引入全连接融合分支等方法对分割结果进行进一步优化。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP)提升了4.3个百分点,平均交并比(mIOU)提升了4个百分点。表明所提出的深度学习分割方法能够有效提高分割准确率,在显微图像中更加精确地分割出线虫体。     

基于OMNEST的以太网传输丢包问题研究

针对实验过程中以太网传输的丢包问题,使用OMNEST进行仿真建模,利用精确的系统描述,复现所出现的问题,进行丢包和端到端时延的研究。通过仿真分析定位问题,发现ARPCache中目的地址的超时或定期清空导致故障发生。基于此问题提出解决方案,为解决问题提供支持。     

基于神经网络算法的三维模型预取系统

三维漫游已经成为十分普遍的远程游览或监控的一种方式。三维漫游过程中,系统往往需要动态调用数据并生成三维模型,这会影响系统运行的效率,降低用户体验。针对这一问题,提出一种基于神经网络的智能预取系统。历史访问日志中,模型的特征与被访问频率之间的映射被提取出来,并用以训练系统。系统可以根据模型特征判断哪些模型更可能被用户请求到,并把它们提前存入内存中。通过某三维变电站实时监控与装配管理系统对该预取系统进行验证。结果表明,通过短时间(一天)对系统的训练,即可做出长期(三个月)的高准确率(90%)的预测,有效提高了系统运行的效率。     

基于GFU和分层LSTM的组群行为识别研究方法

提出一种以"关键人物"为核心，使用门控融合单元（GFU，Gated Fusion Unit）进行特征融合的组群行为识别框架，旨在解决两个问题：①组群行为信息冗余，重点关注关键人物行为特征，忽略无关人员对组群行为的影响；②组群内部交互行为复杂，使用GFU有效融合以关键人物为核心的交互特征，再通过LSTM时序建模成为表征能力更强的组群特征.最终，通过softmax分类器进行组群行为类别分类.该算法在排球数据集上取得了86.7%的平均识别率.     

俯仰角速度传感器信号重构方法研究

为了提高关键传感器系统的容错能力,避免增加引入硬件设备的额外成本、重量与维护负担,提出了俯仰角速度传感器的信号重构方法。信号重构采用了自适应当前统计模型的卡尔曼滤波算法,改进模型能够更准确地描述飞机实际的角运动情况,提高解析信号的精度。通过不同飞行状态下的飞机角运动仿真,将所提方法与典型的信号重构方法进行对比,验证了所提方法的有效性和优越性。     

医学专业大学新生适应问题与应对方式、人格特征相关研究——以海南医学院医学新生为例

目的:了解医学专业大学新生适应问题的现状,不同医学生在适应问题、应对方式的选择及人格特质层面的差异并分析适应性与应对方式及人格特质的关系。方法:采用大学生适应性量表(CCSAS)、大五人格量表以及应对方式量表对海南医学院322名医学专业大学新生进行测评。比较不同性别学生各量表评分情况,分析各量表间的相关性。结果:男学生校园生活适应、情绪适应评分及适应性总分均高于女学生(P<0.05)。不同性别学生各项应对方式评分及总分比较,差异均无统计学意义(P>0.05)。男学生情绪稳定性、外向性及宜人性评分低于女学生(P<0.05)。外向性、开放性、宜人性和谨慎性与适应性量表各维度均呈正相关(P<0.05),情绪稳定性与适应性量表各维度均呈负相关(P<0.05)。解决问题和求助与适应性量表各维度均正相关(P<0.05),适应性量表各维度和自责、幻想、退避及合理化均呈负相关(P<0.05)。结论:医学专业大一新生对大学新生活存在不适应问题,其中男生对新环境的适应性更强,女生情绪稳定性、外向性及宜人性更强。外向性、开放性、宜人性和谨慎性与适应性均呈正相关,情绪稳定性与适应性均呈负相关;解决问题和求助与适应性均正相关,自责、幻想、退避及合理化与适应性均呈负相关。     

基于词法特征的恶意域名快速检测算法

针对互联网中恶意域名攻击事件频发，现有域名检测方法实时性不强的问题，提出一种基于词法特征的恶意域名快速检测算法。该算法根据恶意域名的特点，首先将所有待测域名按照长度进行正则化处理后赋予权值；然后利用聚类算法将待测域名划分成多个小组，并利用改进的堆排序算法按照组内权值总和计算各域名小组优先级，根据优先级降序依次计算各域名小组中每一域名与黑名单上域名之间的编辑距离；最后依据编辑距离值快速判定恶意域名。算法运行结果表明，基于词法特征的恶意域名快速检测算法与单一使用域名语义和单一使用域名词法的恶意域名检测算法相比，准确率分别提高1.7%与2.5%，检测速率分别提高13.9%与6.8%，具有更高的准确率和实时性。