基于卷积神经网络的木材缺陷识别

为提高木材缺陷识别率,提出一种基于卷积神经网络算法的识别方法。采用渐近式学习方法来确定训练样本数目,给出了对应的网络结构,降低了算法消耗的时间。试验结果表明,该方法无需对图像进行复杂的预处理,能识别多种木材缺陷,精度较高且复杂度较小,具有很好的鲁棒性,也克服传统算法的诸多固有缺点。     

宏观篇章结构表示体系和语料建设

篇章结构分析是自然语言处理领域的一个重要研究方向.篇章结构分析有助于理解篇章的结构和语义,并为自然语言处理的应用（如自动文摘、主题抽取、问答系统等）提供有力的支撑.目前篇章结构分析主要集中在微观的层面,分析重点是句子内部或句子与句子之间的关系和结构,而宏观层面的研究相对较少.因此,本文以篇章结构作为研究对象,并将研究重点放在宏观篇章结构的表示体系和语料资源建设上.本文探讨了篇章结构分析的重要性,从理论体系、语料资源、计算模型等三个方面阐述了篇章结构分析的研究现状,提出了以篇章主次关系为媒介的宏观和微观统一的篇章结构表示框架,并分别构建了宏观篇章的逻辑语义结构和功能语用结构.在此基础上本文标注了规模为720篇新闻报道的宏观篇章结构语料,并对标注的结果进行了一致性分析和标注统计分析.     

针对图像区域连续化问题的立体匹配算法

传统图割算法解决双目立体匹配问题,在高精度的同时需要消耗大量时间.提出一种新的算法,将最小割求取问题转化为贪心问题,从而降低算法复杂度.由于转化后的图割在处理图像区域连续化问题时效率低下,给出了图割与区域匹配相结合的GR（Graphic Cut in Region）算法,算法不仅将图割理论运用到立体匹配问题中,且在求取...     

波场分解算法与逆时偏移角道集

逆时偏移生成的角度域共成像点道集(ADCIGs)有利于提高成像质量,可用于偏移速度分析和AVA/AVO研究等。使用Poynting矢量估计波传播方向可以快速生成角道集,但当模型和波场比较复杂时,不同方向传播的波场分量相互重叠,无法准确计算波的传播方向。波场分解可以提高Poynting矢量的准确性。为此,研究了波场分解算法,在计算Poynting矢量之前先将波场分解成不同方向传播的分量,用于生成角道集。为解决传统的傅里叶变换在频率-波数域进行波场分解时计算量大的问题,对波场分解算法进行了优化,并提出了SSE(单指令多数据流扩展)向量化和多线程并行计算实现算法,从而提高了计算效率。理论和数值计算结果表明:使用波场分解可以显著提高逆时偏移角道集的质量,此优化算法能够得到与传统方法一致的结果并且提高了计算效率。二维Sigsbee2A模型和三维SEAM TTI模型的数值计算也证明了该算法用于生成高质量角道集和逆时偏移图像的有效性和稳定性。优化后的波场分解算法并不局限于上、下行波分解,可容易地拓展到其它方向的波场分解,也可应用于最小二乘偏移和全波形反演,以消除成像噪声,提高成像质量。     

基于高分辨率遥感图像的道路提取研究

道路是现代交通的主要组成部分,对于管理和更新地理信息系统数据库中的道路信息非常重要。目前,自动提取道路网络的主要数据源为遥感图像数据,但随着近年来遥感影像的地面分辨率不断提高,图像中地物信息愈加丰富,对图像中道路信息的提取难度也随之增大。文章主要展开一种利用机器学习对高分辨率遥感图像的道路提取研究。首先对高分辨遥感图进行预处理,然后对图像进行特征提取,利用BP神经网络对特征进行训练,最后将需要道路提取的高分辨率遥感图区域分割。对每一个区域进行目标检测时,去除图像中非道路区域,并利用形态学方法提取出区域中的道路信息。实验表明,该方法在应对建筑物、植被等对道路提取有干扰时,识别效率明显提升。     

立体匹配中边界信息的强化算法

为解决立体匹配中边界模糊、无纹理区域的边界误匹配、初始匹配代价过于粗糙等问题,设计了一种基于改进数据项的图像边界信息强化算法。通过归一化匹配代价削弱匹配不利的像素点;通过设置权值强化边界信息,对边界进行匹配约束。实验证明,新的能量函数能在边界区域得到正确视差;消除了大量无纹理区域的不连续线段;以较少的迭代次数提高了优化效果。在图片无纹理区域可降低14％的错误率。     

基于视差图优化的立体匹配算法研究

传统的立体匹配算法通过计算两幅图像的像素点相似程度,从而找到左图像素点和右图像素点的对应关系,常采用的是一种局部最优的方法,所以其匹配精度很低.为了提高精度,当前策略主要是将问题转化为求解能量方程,进而来对全局空间进行优化.从一个新的角度即视差图优化来研究能量方程的求解,通过对扫描线算法、动态规划算法和图割算法深刻讨论来分析算法原理与运行图,从而理解各算法优缺点形成本质与问题转化的依据,可以进一步的改进其不足,为研究新的算法打下基础.     

Hopfield网络在视差空间上的立体匹配求解

由于边界区域的匹配精度是立体匹配问题的瓶颈,这里采用一种基于特征的匹配算法来重点研究场景中边界区域的匹配.首先针对立体匹配问题,提出一种基于RBF的边界提取算法,使得边界区域成为待匹配的像素点.研究像素点匹配需要满足的约束,构建相应的能量方程,接着采用Hopfield网络对能量函数进行优化来获得问题的求解.由于针对的是整个边界区域,直接将特征点输入网络会导致神经元数目过多、复杂度过高.为了降低算法复杂度,提出从视差空间上来构造网络模型.最后通过大量实验来验证算法的性能,包括标准图片、噪声图片与真实的场景图片.实验证明新算法能大大提高边界区域精度,克服了立体匹配的瓶颈,明显提高了整体区域精度,算法有很强的鲁棒性和实用性,即使在复杂情况下也能取得较好的效果.     

大数据背景下高校计算机教学创新探析

互联网的快速发展,对计算机教学改革的发展起到了十分显著的效果。在互联网基础上衍生而出的新媒体技术、大数据技术等技术都可以广泛应用到课堂计算机教学中。在高校课堂计算机教学中,大数据技术对于课堂计算机教学质量的提升可以起到促进作用。教师想要将大数据技术应用在课堂教学中,需要转变传统的教学理念、开创多样化的教学方式、构建完善的评价体系等。本文重点探讨大数据技术在高校计算机课程教学中具体的应用策略。     

结肠癌基因表达谱的特征选取研究

为了找到与结肠癌相关的基因,提高结肠癌样本的识别率,提出了基于Chernoff距离的浮动顺序搜索算法(sequential floating search method, SFSM)。通过对结肠癌基因表达谱数据集的分析,对每个基因进行评价和筛选;对筛选后的基因子集利用SFSM算法进行搜索,并以Chernoff距离作为其评估函数,生成若干候选特征基因子集;利用支持向量机(support vector machine,SVM)、K-近邻(K nearest neighbor,KNN)和径向基(radical basis function,RBF)神经网络分类器来检验候选特征基因子集的分类效果。实验结果表明,利用SFSM及评估函数Chernoff距离发现在参数β=025时能找到最佳的特征基因组合,该组合能以很高的正确率识别结肠癌样本。