事件序列上的频繁情节挖掘算法

事件序列上的频繁情节挖掘是时序数据挖掘领域的热点之一,基于非重叠发生的支持度定义,提出一个频繁情节挖掘算法NONEPI＋＋,该算法首先通过情节串接产生候选情节,然后通过预剪枝和计算情节发生的时间戳来产生频繁情节.算法只需扫描事件序列一次,大大提高了情节挖掘的效率.实验证明,NONEPI＋＋算法能有效地挖掘频繁情节.     

结合图像特征的多视拼接数据的消冗处理

在不丢失非重叠区域数据的情况下, 对多视拼接重合区域的三维点云数据进行消冗处理是三维拼接中的一个难题。针对这一难题, 提出了一种结合二维图像信息查找和消除冗余数据的新方法。算法首先查找位于拼接重叠区域的三维点云数据, 结合三维点的K近邻约束和对应像素特征描述的相似度, 对重叠区域的点云数据进行冗余查找和消除。实验表明, 该方法能够准确判断并消除冗余点, 没有造成更改或丢失非重叠区域三维数据点的不良效果, 消冗速度也有所提高。     

基于类内差异和类间重叠的有效性函数

模糊C-均值(FCM)聚类算法的一个主要问题是需要事先确定聚类的数目,为此定义了类内差异度和类间重叠度来分别度量同一个聚类中数据的相似度和不同聚类间的分离程度,进而基于这两个度量提出一个新的有效性函数用于判定最佳聚类数目。实验结果表明,该有效性函数能有效地判定聚类数目,并且有较好的鲁棒性。     

Seg-CapNet：心脏MRI图像分割神经网络模型

目的 针对现有神经网络模型需要对左心室心肌内膜和外膜单独建模的问题,本文提出了一种基于胶囊结构的心脏磁共振图像（magnetic resonance imaging,MRI）分割模型Seg-CapNet,旨在同时提取心肌内膜和外膜,并保证两者的空间位置关系。方法 首先利用胶囊网络将待分割目标转换成包含目标相对位置、颜色以及大小等信息的向量,然后使用全连接将这些向量的空间关系进行重组,最后采用反卷积对特征图进行上采样,将分割图还原为输入图像尺寸。在上采样过程中将每层特征图与卷积层的特征图进行连接,有助于图像细节还原以及模型的反向传播,加快训练过程。Seg-CapNet的输出向量不仅有图像的灰度、纹理等底层图像特征,还包含目标的位置、大小等语义特征,有效提升了目标图像的分割精度。为了进一步提高分割质量,还提出了一种新的损失函数用于约束分割结果以保持多目标区域间的相对位置关系。结果 在ACDC（automated cardiac diagnosis challenge）2017、MICCAI（medical image computing and computer-assisted intervention）2013和MICCAI2009等3个心脏MRI分割竞赛的公开数据集上对Seg-CapNet模型进行训练和验证,并与神经网络分割模型U-net和SegNet进行对比。实验结果表明,相对于U-Net和SegNet,Seg-CapNet同时分割目标重叠区域的平均Dice系数提升了3.5%,平均豪斯多夫距离（Hausdorff distance,HD）降低了18%。并且Seg-CapNet的参数量仅为U-Net的54%、SegNet的40%,在提升分割精度的同时,降低了训练时间和复杂度。结论 本文提出的Seg-CapNet模型在保证同时分割重叠区域目标的同时,降低了参数量,提升了训练速度,并保持了较好的左心室心肌内膜和外膜分割精度。     

基于主干线/分支线模型的配网单线图自动生成方法

配网单线图是一种电气接线图, 其利用规定的图形符号和设备连线对配电网进行可视化, 能显著提高配网管理的效率. 针对配网单线图自动生成实际需要, 本文提供了一种基于主干线/分支线模型的配网单线图自动生成方法. 方法首先进行了主干线分支线的创建和分支布局方向的计算; 然后进行了分支初始布局和局部拉伸; 最后进行了分支局部收缩和自动布线. 经过验证, 基于主干线分支线模型的配网单线图自动生成方法, 能自动生成满足准确性、美观性等要求的单线图.     

基于边缘关注模型的语义分割方法

肝脏是人体代谢功能的主要器官,目前机器学习在肝脏影像语义分割研究中的难点有：1）肝脏中间部位有下腔静脉、软组织和血管,甚至有坏死或肝裂等情况;2）肝脏与一些邻近器官之间的边界模糊,难以分辨。针对这些问题,提出了边缘关注模型（EAM）及边缘关注网络（EANet）。该网络采用了Encoder-Decoder（编码-解码）的模型框架：在编码器中运用了在ImageNet上预训练好的残差网络ResNet34和EAM,由此来充分获取肝脏边缘的细节特征信息;在解码器中则运用了反卷积操作和EAM对有效信息进行特征提取,进而得到肝脏影像的语义分割图。最后,对分割后噪声较大的图片实施了平滑处理。在三个数据集上与AHCNet进行对比,结果显示：在3Dircadb数据集上,EANet的体积重叠误差（VOE）和相对体积差异（RVD）分别降低了1.95个百分点和0.11个百分点,且DICE精度提高了1.58个百分点;在Sliver07数据集上,EANet的VOE、最大表面距离（MSD）和均方差对称表面距离（RMSD）分别降低了大约1个百分点、3.3 mm和0.2 mm;在某医院临床MRI肝脏影像数据集上,EANet的VOE和RVD分别降低了0.88个百分点和0.31个百分点,且DICE精度提高了1.48个百分点。实验结果表明,所提出的EANet具有较好的肝脏图像分割效果。     

基于改进的BSMOTE和时序特征的风机故障采样算法

针对风机数据集的不平衡问题,提出了一种BSMOTE-Sequence采样算法,在合成新样本时综合考虑空间和时间特征,并对新样本进行清洗,从而有效减少噪声点的生成。首先,根据每个少数类样本的近邻样本的类别比例,将少数类样本划分为安全类样本、边界类样本和噪声类样本。然后,对每个边界类样本都遴选出空间距离、时间跨度最接近的少数类样本集,利用线性插值法合成新样本,并过滤掉噪声类样本以及类间重叠样本。最后,以支持向量机（SVM）、卷积神经网络（CNN）、长短期记忆（LSTM）人工神经网络作为风机齿轮箱故障检测模型,F1-Score、曲线下面积（AUC）和G-mean作为模型性能评价指标,在真实风机数据集上把所提算法与常用的多种采样算法进行对比,实验结果表明：相比已有算法,BSMOTE-Sequence算法所生成样本的分类效果更好,使得检测模型的F1-Score、AUC和G-mean平均提高了3%,该算法能有效地适用于数据具有时序规律且不平衡的风机故障检测领域。     

频谱重叠因子对数字调制系统的性能影响分析

一般数字调制系统的性能分析都是在信号、噪声统计规律的基础上,通过时域的数学方法进行的,但针对目前和未来复杂通信环境(如认知无线电系统的授权用户规避、窄带或宽带干扰影响等问题),经典的分析方法尚不能准确、定量的描述数字调制系统的误码率性能。该论文从频域分析的角度出发,提出了频谱重叠因子(spectrum overlap factor,SOF)的概念,推导并修正了干扰存在下经典的2ASK、BPSK和FSK调制方式的误码率公式。在证实直观物理意义的基础上,给出了定量的数学描述。实验仿真结果验证了频域分析的正确性。     

冰临近过程中螺旋桨的水动力性能计算分析

为了研究非接触工况下的冰桨干扰水动力载荷,以粘性流体力学为基础,运用重叠网格技术,开展了冰桨干扰的定常计算方法的研究。首先,通过与实验结果的对比,验证了方法可行性;其次,基于重叠网格技术,研究了干扰冰运动到不同空间位置时,螺旋桨水动力性能的变化趋势和规律;计算时,各计算域均采用切割体非结构化网格,各域之间通过重叠网格的嵌套进行数据的传递。为了更好地捕捉桨前流场的细节,在冰桨间隙处进行了多层网格的局部加密,同时结合SSTk-ω湍流模型进行冰桨近场水动力计算。总结出冰对螺旋桨的影响是由冰在桨前产生的干扰伴流区域位于桨盘面以内的面积以及与桨的相对位置共同决定的。计算结果具有一定的可靠性,可为冰区螺旋桨的设计与性能计算提供参考。     

基于PR-11RⅢ级复合连杆滚动剪切机构运动学分析

通过对国内外现有的液压板材剪切机结构的原理分析,创新性地提出一种新型的单液压缸驱动的液压滚切式板材剪切机,获得PR-11RⅢ级杆组的复合连杆机构简化模型。以实现纯滚动为设计前提,利用闭环矢量法对该复合连杆滚切机构进行正运动学建模,给出机构的闭环矢量,推导其运动学方程,借助SIMLINK软件对其进行运动学仿真分析计算,获得上刀台各关键点的运动轨迹及主要衡量指标。以推广应用的某大型机械有限公司2000 mm单液压缸驱动的液压滚切式板材剪切机研发项目为依托,对剪切机构的运动轨迹进行运动学模拟仿真,结果表明上下剪刃重叠量和刀弧水平偏移量的模拟结果均符合实际生产要求,从而更进一步证实了该新型的单液压缸驱动的液压滚切式板材剪切机构设计的合理性与运动学模型的正确性。