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。     

基于多尺度结构特征的快速异源图像匹配

针对异源图像提出一种基于多尺度密集结构特征的快速匹配算法。算法首先利用Gabor滤波器逐像素提取图像中的结构响应,再根据主方向响应对多尺度结构特征融合,然后使用快速傅里叶变换在频域计算各特征分量图像之间的卷积,最后将卷积生成的系数矩阵求和计算出图像之间的相似性并选择相似性最大位置作为匹配结果输出。本文算法能有效适应异源图像间的非线性灰度变化和噪声干扰问题。测试使用可见光、红外、雷达图像组成的异源图像数据集对本文算法和现有算法进行测试比较,结果表明:本文算法的平均误匹配率最低,并且计算速度有明显优势。     

基于特征贡献率的机械故障分类方法

为了使7075铝合金薄壁件表面喷丸加工应力得到松弛和均化，运用ANSYS建立平台式振动时效有限元模型，通过振动模态和谐响应分析，获得最佳激振频率和试样装夹位置。在此基础上，将薄壁框架件置于平台上进行振动时效处理，以验证仿真分析结果，评价其对试样表面应力作用效果。结果表明：在亚共振频率为112 Hz时，试样在平台零振幅和最大弯曲位置处分别对称布置，时效后表面均形成应力松弛，松弛率分别为29.5%和33.3%，不均匀波动分别为20.3%和20.7%，而沿振动方向松弛程度不均匀，说明激振力造成了材料表面组织屈服，且屈服程度与应力强度有关。提出再时效-位置交叠方法，使应力松弛不均匀度分别下降到9.9%和15.9%，应力均化得到改善，该研究工作为薄壁类零件表面应力均匀化提供了参考。     

An architecture for digital hate content reduction with mobile edge computing

Mobile devices with social media applications are the prevalent user equipment to generate and consume digital hate content. The objective of this paper is to propose a mobile edge computing architecture for regulating and reducing hate content at the user's level. In this regard, the profiling of hate content is obtained from the results of multiple studies by quantitative and qualitative analyses. Profiling resulted in different categories of hate content caused by gender, religion, race, and disability. Based on this information, an architectural framework is developed to regulate and reduce hate content at the user's level in the mobile computing environment. The proposed architecture will be a novel idea to reduce hate content generation and its impact.     

Distributed privacy protection strategy for MEC enhanced wireless body area networks

With the rapid development and widespread application of Wireless Body Area Networks (WBANs), the traditional centralized system architecture cannot handle the massive data generated by the edge devices. Meanwhile, in order to ensure the security of physiological privacy data and the identity privacy of patients, this paper presents a privacy protection strategy for Mobile Edge Computing(MEC) enhanced WBANs, which leverages the blockchain-based decentralized MEC paradigm to support efficient transmission of privacy information with low latency, high reliability within a high-demand data security scenario. On this basis, the Merkle tree optimization model is designed to authenticate nodes and to verify the source of physiological data. Furthermore, a hybrid signature algorithm is devised to guarantee the node anonymity with unforgeability, data integrity and reduced delay. The security performance analysis and simulation results show that our proposed strategy not only reduces the delay, but also secures the privacy and transmission of sensitive WBANs data.     

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.     

改进ILoG算子的故障检测方法

针对强背景噪声干扰下轮对轴承故障特征微弱、难以准确检测的问题,提出了一种自适应改进高斯拉普拉斯(improved Laplacian of Gaussian,简称ILoG)算子的微弱故障检测方法。ILoG算子滤波器具有优良的信号突变特征检测能力,将其用于轮对轴承故障信号的冲击特征检测,同时利用水循环算法(water cycle algorithm,简称WCA)的寻优特性,并行搜寻筛选最佳的ILoG算子影响参数,通过对参数优化后ILoG算子滤波后信号做进一步包络解调分析,提取出轮对轴承微弱的故障特征信息。对实际轮对轴承外圈和内圈故障信号分析的结果表明,该方法可以有效检测出轴承微弱故障特征频率,故障检测效果优于小波阈值和多尺度形态学差值滤波方法。     

自适应融合层级特征的混合退化图像复原算法

多种退化类型混合的图像比单一类型的退化图像降质更严重,很难建立精确模型对其复原,研究端到端的神经网络算法是复原的关键.现有的基于操作选择注意力网络的算法(operation-wiseattentionnetwork,OWAN)虽然有一定的性能提升,但是其网络过于复杂,运行较慢,复原图像缺乏高频细节,整体效果也有提升的空间.针对这些问题,提出一种基于层级特征融合的自适应复原算法.该算法直接融合不同感受野分支的特征,增强复原图像的结构;用注意力机制对不同层级的特征进行动态融合,增加模型的自适应性,降低了模型冗余;另外,结合L1损失和感知损失,增强了复原图像的视觉感知效果.在DIV2K,BSD500等数据集上的实验结果表明,该算法无论是在峰值信噪比和结构相似性上的定量分析,还是在主观视觉质量方面,均优于OWAN算法,充分证明了该算法的有效性.     

数据中心内服务器能耗数据采集及特征分析

数据中心的高能耗低能效问题正受到广泛关注与研究，但目前没有公开的数据中心内服务器能耗数据集供研究人员使用，且现有过滤式特征选择并不能满足运维人员的需求。为此，提出了一套模拟数据中心内服务器运行状态的仿真环境架构，基于该架构采集了服务器运行各类任务时的多项性能指标和能耗数据。然后将基于因果关系的特征选择应用于能耗数据集的特征分析中，构建出可解释的特征子集和能耗预测结果。实验结果表明，因果特征子集大小约为过滤式特征子集大小的1/3到1/6，并且使用因果特征子集训练的模型在75%的情况下都取得了最优预测精度。     

Feature selection and classification using support vector machine and decision tree

Breast cancer is one of the human threats which cause morbidity and mortality worldwide. The death rate can be reduced by advanced diagnosis. The objective of this article is to select the reduced number of features the help in diagnosing breast cancer in Wisconsin Diagnostic Breast Cancer (WDBC). This proposed model depicts women who all have no cancer cells or in benign stage later develop into malignant (metastases). Due to the dynamic nature of the big data framework, the proposed method ensures high confidence and low execution time. Moreover, healthcare information growth chases an exponential pattern, and current database systems cannot adequately manage the massive amount of data. So, it is requisite to adopt the “big data” solution for healthcare information.