结构保持生成对抗网络的SD-OCT图像去噪方法

为了去除频域光学相干断层扫描(SD-OCT)中的散斑噪声,提出了一种结构保持生成对抗网络模型,可以无监督地从SD-OCT图像合成高质量的增强深部成像光学相干断层扫描(EDI-OCT)图像.该模型基于循环生成对抗网络结构学习无配对SD-OCT和EDI-OCT图像之间的域映射关系.为了克服循环生成对抗网络生成图像的结构性差异问题,模型利用连续帧之间的相似性引入全局结构损失,保证了图像的全局结构一致性;同时通过模态无关邻域描述符引入局部结构损失,保持了图像的解剖结构细节.在50组CirrusSD-OCT数据集上进行去噪的实验结果表明,该模型的PSNR值为29.03 dB, SSIM值为0.82, EPI值为0.50,均优于现有模型.     

基于跨层编码加性复用机制的5G信号带宽优化传输算法

为解决当前5G信号传输过程中存在的传输层次分割过细,带宽频谱利用率不高,且抗干扰与超带宽传输存在矛盾等难题,提出了一种基于跨层编码加性复用机制的超奈氏5G信号带宽优化传输算法。1)在预成型过程中引入零化机制,消除信号滚降系数的频谱锐化特性,提高了信号发射过程中的带宽频率利用效率;2)在信道编码过程中采用跨层编码技术来获取码元的最佳能量,且在码元发射过程中采取误差扫面检测技术来构建信道交互复用机制,改善了码元存在的频率漂移,增强了信道的数据传输能力,抑制了信道传输中的噪声干扰现象;3)在NS2仿真环境中进行实验,结果表明,与常用的超带宽叠加编码传输技术、欧里几何滚降系数锐化消除传输技术及次频率跨层联合优化传输技术相比,在5G信号传输过程中,所提算法具有更低的误比特率与更高的传输带宽利用率,以及更强的抗信道干扰能力。     

平行堆栈式自编码器及其在过程建模中的应用

在面对流程工业存在的多参数、强非线性和富含复杂机理等问题时浅层算法的学习能力有限,故将深度学习理论引入过程工业预测建模中。而针对单个深层网络对多样性数据的特征挖掘困难,本文提出一种改进的堆栈式自编码器。该方法首先通过聚类算法对输入数据属性进行聚类,按结果将数据分类后输入并行的稀疏自编码器中进行特征的模块式提取,并行输出经整合后输入至叠加的深度网络中,联合这些特征再进行逐层学习得到拟合结果。为减轻过拟合带来的预测误差,将"dropout"方法引入网络训练中。在加氢裂化的预测建模研究中,所提出的算法具有比其他方法更好的预测水平和泛化能力。     

基于图转换的无线接入点关联优化算法

无线接入点关联是 Wi-Fi 系统中的一个基础问题。已有的研究主要集中在考虑带宽容量约束条件下的各种AP关联问题。这些研究没有从用户的角度考虑带宽需求,从用户的带宽需求出发,以最多带宽分配的AP关联为优化目标,考虑混合型网络架构下的Wi-Fi系统的无线接入点关联优化问题。与已有研究方法不同,通过图转换技术,并将问题转化为流图上的优化问题,提出基于网络流的优化求解算法,并从理论上证明算法的最优性。最后,通过对比实验进一步证明了算法的优越性。     

基于反馈可信度的可信机会路由转发模型

传统Ad Hoc等先决路由机制不再适合无线Mesh网络。相反,基于后择路由机制的机会路由已经获得越来越多的应用。机会路由中的转发候选集可有效增加无线Mesh网络吞吐量和降低重传数;但是,机会路由也正遭受安全问题困扰。针对节点间的共谋攻击行为,提出一种基于反馈可信度的信任模型,并结合到机会路由中,防止共谋节点加入机会路由转发候选集。建立一种基于反馈可信度的可信机会路由转发模型（简称FCTOR）。仿真实验表明,该模型较经典的ExOR协议可以有效抑制典型恶意节点,尤其面对共谋攻击行为时表现出良好的性能。     

程序设计教学设计与学业考核模式改革

课题组提出"多阶段、多方位"的教学模式,加强对学生平时学习的管理、监督、考核,提高学生主动学习能力,引导学生把学习精力重点放在日常课堂的积累上而不是期末的突击复习上,从而真正改善教师的教学效果。同时,课题组还研究了学生对任课教师的考核评价方法、形式,将学生对教师的意见和建议及时反馈给教师,从而提高教师的教学水平。     

多代表点自约束的模糊迁移聚类

以往建立在模糊C均值(fuzzyC-means, FCM)框架下利用源域虚拟簇中心作为迁移知识的迁移聚类算法容易受到离群点和噪声的干扰,且单个簇中心不足以描述簇结构。针对此问题,提出多代表点自约束的模糊迁移聚类算法,该算法引入样本代表权重机制为簇中每个样本分配代表权重来刻画簇结构,这种机制能更好的刻画簇结构,对离群点和噪声有较好的抑制作用;同时利用源域样本,重构目标域簇结构,并以此作为迁移知识进行目标域样本聚类,相对于利用单中心作为迁移知识来说,整体重构后的目标域簇结构所包含的迁移知识量更为丰富。试验结果表明。在人工数据集和真实数据集上,所提出的聚类算法相比对比算法, NMI和ARI最高提升了0.674 5和0.608 4。说明在迁移环境下,以代表点自约束作为知识迁移规则,所提出的聚类算法具有一定的聚类效果。