基于视觉感知的智能扫地机器人的垃圾检测与分类

目的 为了提高扫地机器人的自主性和智能化程度，为扫地机器人配备视觉传感器，使其获得视觉感知能力，通过研究有效的垃圾检测分类模型与算法，实现对垃圾的定位与识别，引导扫地机器人对垃圾进行自动识别与按类处理，提高工作的目的性和效率，避免盲动和减少能耗。方法 选择检测速度较快的YOLOv2作为主网络模型，结合密集连接卷积网络，嵌入深层密集模块，对YOLOv2进行改进，提出一种YOLOv2-dense网络，该网络可以充分利用图像的高分辨率特征，实现图像浅层和深层特征的复用与融合。结果 测试结果表明，智能扫地机器人使用本文方法可以有效识别不同形态的常见垃圾类别，在真实场景中，测试识别准确率为84.98%，目标检测速度达到26帧/s。结论 实验结果表明，本文构建的YOLOv2-dense网络模型具有实时检测的速度，并且在处理具有不同背景、光照、视角与分辨率的图片时，表现出较强的适应和识别性能。在机器人移动过程中，可以保证以较高的准确率识别出垃圾的种类，整体性能优于原YOLOv2模型。     

卷积神经网络用于关节角度识别与姿势评估

为了快速准确地输出各种工作姿势风险评估结果，提出采用Kinect v2与卷积神经网络识别人体各关节角度，并输出标准姿势风险的评估得分。首先使用亚像素角点提取的棋盘标定算法标定Kinect两个摄像头，其次使用改进后的双边滤波对深度图像去噪，使用卷积神经网络识别人体关节二维位置，结合深度信息获取实际三维坐标并计算人体关节角度，最后输出姿势风险评估得分。通过两种实验分别验证了提出的Kinect角度识别与姿势评估的准确性，表明该方法关节角度识别与姿势风险评估的准确率均较高，是一种低成本、高可靠性的姿势评价方法，具有一定的科学意义和工程应用价值。     

面向智能客服的句子相似度计算方法

针对金融领域中智能客服的句子相似度计算方法进行了研究。利用基于词性的分词纠正模型减少中文歧义词、金融相关词汇的分词错误；通过词向量方法和循环神经网络分别提取词语级和句子级的语义特征，并且得到句子向量；用融合层计算出句子向量间的差异特征；对差异特征进行降维和归一化得到句子相似度计算结果。实验结果表明，该方法具有较高的准确率和[F1]值。     

时态神经网络模型及其在股票分类预测上应用

对具有时间属性的数据进行数据挖掘称为时态数据挖掘，用以发现数据在时间上的知识，当数据变化不规律时，如股票交易数据,就很难发现有价值的规律与规则。而神经网络具有并行、容错、可以硬件实现以及自我学习的优点,可作为股票分类预测应用的一种方法。通过将股票数据与时态型相结合，将股票数据转换成时态型股票数据，提出时态神经网络模型的分类方法，对收集的若干上市公司十年内的股票数据进行分析，构建了时态股票数据神经网络分类器对股票进行分类预测。经过实验验证，相比改进前的神经网络和支持向量机方法，该分类器具有更高的分类准确率。结果证明，这种时态数据神经网络模型对于多只股票的分类预测是非常有效的，可以很好地运用到股票市场的分类预测中。     

Super-Resolution Reconstruction of Images Based on Microarray Camera

In the field of images and imaging, super-resolution (SR) reconstruction of images is a technique that converts one or more low-resolution (LR) images into a highresolution (HR) image. The classical two types of SR methods are mainly based on applying a single image or multiple images captured by a single camera. Microarray camera has the characteristics of small size, multi views, and the possibility of applying to portable devices. It has become a research hotspot in image processing. In this paper, we propose a SR reconstruction of images based on a microarray camera for sharpening and registration processing of array images. The array images are interpolated to obtain a HR image initially followed by a convolution neural network (CNN) procedure for enhancement. The convolution layers of our convolution neural network are 3×3 or 1×1 layers, of which the 1×1 layers are used to improve the network performance particularly. A bottleneck structure is applied to reduce the parameter numbers of the nonlinear mapping and to improve the nonlinear capability of the whole network. Finally, we use a 3×3 deconvolution layer to significantly reduce the number of parameters compared to the deconvolution layer of FSRCNN-s. The experiments show that the proposed method can not only ameliorate effectively the texture quality of the target image based on the array images information, but also further enhance the quality of the initial high resolution image by the improved CNN.     

多特征融合的兴趣点推荐算法

基于位置社交网络的兴趣点推荐越来越受到工业界和学术界的关注。由于用户签到数据集的稀疏性以及签到地理位置的聚集性，使得目前的推荐算法效率普遍不高，特别是当用户外出到新的地点时，推荐效果更是急剧下降。因此本文提出了一种基于用户-区域-内容主题的多特征联合推荐算法（UCRTM），以隐主题模型为基础，在统一的框架下利用隐含因子关联性融合了用户的偏好、兴趣点的内容以及兴趣点所属地理区域主题等信息来进行推荐，使得用户无论身处何地，都能获得理想的推荐服务。本文在两种真实的数据集上进行了实验，结果表明该方法不仅能够克服数据的稀疏性以及弱语义性等问题，而且与其他方法相比具有更高的推荐准确率。     

Learning a Deep Predictive Coding Network for a Semi-Supervised 3D-Hand Pose Estimation

In this paper we present a CNN based approach for a real time 3D-hand pose estimation from the depth sequence. Prior discriminative approaches have achieved remarkable success but are facing two main challenges: Firstly, the methods are fully supervised hence require large numbers of annotated training data to extract the dynamic information from a hand representation. Secondly, unreliable hand detectors based on strong assumptions or a weak detector which often fail in several situations like complex environment and multiple hands. In contrast to these methods, this paper presents an approach that can be considered as semi-supervised by performing predictive coding of image sequences of hand poses in order to capture latent features underlying a given image without supervision. The hand is modelled using a novel latent tree dependency model (LDTM) which transforms internal joint location to an explicit representation. Then the modeled hand topology is integrated with the pose estimator using data dependent method to jointly learn latent variables of the posterior pose appearance and the pose configuration respectively. Finally, an unsupervised error term which is a part of the recurrent architecture ensures smooth estimations of the final pose. Experiments on three challenging public datasets, ICVL, MSRA, and NYU demonstrate the significant performance of the proposed method which is comparable or better than state-of-the-art approaches.      

依托泊苷联合卡铂用于复发性髓母细胞瘤患儿的疗效与安全性

目的:探讨依托泊苷联合卡铂用于复发性髓母细胞瘤患儿的疗效与安全性。方法:选取浙江大学医学院附属儿童医院在2011年1月至2014年6月收治的72例复发性髓母细胞瘤患儿（3～15岁），随机分为CE组和对照组，每组36例，CE组采用依托泊苷＋卡铂给药方式化疗；对照组采用经典伊立替康＋替莫唑胺＋长春新碱方案化疗。比较两组患儿临床疗效、卡诺夫斯基健康状况量表（KPS）评分、儿科生活质量测定量表4.0（PedsQLTM4.0）评分、总生存期（OS）、无事件生存（EFS），记录患儿治疗期间药物不良反应的发生情况。结果:治疗后CE组和对照组完全缓解率（CR）分别为41.67%（15/36）和27.78%（10/36），总缓解率（OR）分别为94.44%（34/36）和77.78%（28/36），差异有统计学意义（P<0.05）。两组患儿治疗前KPS评分及PedsQLTM4.0评分无统计学差异（P＞0.05），治疗后CE组和对照组的KPS评分分别为（80±8）和（75±10）分，PedsQLTM4.0评分分别为（89±11）和（84±11）分，差异均有统计学意义（均P<0.05）。截至末次随访时间，CE组有3例失访，对照组有2例失访。截至末次随访时间，CE组和对照组总生存率分别为78.8%（26/33）和55.9%（19/34），差异有统计学意义（P<0.05），无事件生存率分别为72.7%（24/33）和52.9%（18/34），差异无统计学意义（P＞0.05）。CE组化疗期间共出现10例3级以上不良反应，发生率为27.78%（10/36），对照组化疗期间共出现9例3级以上不良反应，发生率为25.00%（9/36），差异无统计学意义（P＞0.05）。结论:依托泊苷联合卡铂方案能够明显提高患儿临床缓解率，延长患儿总生存率，同时不增加化疗不良反应，但对无事件生存率的影响并不明显。     

基于FAHP的机械振动WSN均衡拓扑构建方法

针对机械振动无线传感器网络因拓扑不均衡导致传输时延和网络传输能耗增加的问题,提出了一种基于模糊层次分析(fuzzy analytic hierarchy process,简称FAHP)的均衡拓扑构建方法,该方法由构建模糊判断矩阵和计算权重向量组成。首先,传感器节点进行簇内通信获取信标广播信息,将信标节点网络决策因子统一量纲化,利用网络决策因子构建模糊判断矩阵;其次,检验模糊判断矩阵一致性,采用行和归一化处理或拉格朗日最小二乘法计算权重向量;最后,传感器节点通过权重向量计算出各个信标节点综合权值,关联最优信标节点为父节点加入网络,将提出的模糊层次分析拓扑构建方法与基于链路质量单准则构建网络拓扑机制进行对比。实验结果表明,该方法能有效改善传输时延和机械振动无线传感器节点网络寿命。