基于超声导波SC-DTW的金属板微损检测方法

针对金属板材的质量控制与服役性能评估问题,在对金属板材微损伤进行超声导波检测的基础上,结合形状上下文(shape context,SC)与动态时间规整方法对其损伤劣化程度进行量化评估.该方法以无损Lamb波信号为基准,采用动态时间规划(dynamic time warping,DWT)算法对损伤信号进行相似匹配分析对比,确定基准信号与损伤信号的最佳匹配路径.引入SC的轮廓识别方法对Lamb波的局部波形信息进行统计分析,以波形形状距离代替传统欧氏距离匹配方法,解决DTW相似匹配中的病态对齐问题.最后,将无损Lamb波与损伤Lamb波信号间SC-DTW匹配距离作为损伤程度的量化指标,采用随机闭合裂纹的有限元仿真模型和铝板弯折实验对所提出方法进行验证,结果表明,基于Lamb波SC-DTW的损伤量化指数对铝板早期裂纹具有较高的敏感性和较好的量化表征能力.该方法无需对波包进行识别,也不必进行复杂的特征提取,具有简单高效和抗噪声能力强等优点,在金属板服役性能评估与质量控制中有较好的实用性和推广价值.     

基于word2vec的配电网恶意控制指令检测算法

现有的配电网恶意控制指令检测方法基于电力系统运行规则,但规则维护困难、规则匹配耗时较长。根据配电网上行测量信息和下行控制指令之间存在的上下文一致性关系,提出基于word2vec的恶意控制指令检测算法。在配电网仿真平台模拟各类工况并获取标注数据集,结果表明,该算法能够取得100%的精确度和87.2%的召回率,具有较高的检测精度。     

结合多尺度体素和高阶条件随机场的点云分类

针对利用经典高阶条件随机场模型进行点云分类时,由于海量节点和无向边导致的点云分类效率低的问题,提出一种结合多尺度体素和高阶条件随机场的点云分类方法.首先以多尺度体素代替海量离散点云作为无向图图模型节点,减少节点和无向边的数量;然后使用超体分割结果作为高阶团,并基于此设计了一种非监督分布性空间上下文作为高阶团特征向量,用于改善分类结果;最后结合构建的图模型和各阶特征向量,采用经典高阶条件随机场模型实现点云数据的自动分类.采用Oakland标准数据集作为实验数据,实验结果表明,该方法在有效地保证分类精度的前提下,高阶条件随机场点云分类模型的分类效率提高了5～10倍.     

基于多注意力长短时记忆的实体属性情感分析

属性情感分析是细粒度的情感分类任务。针对传统神经网络模型无法准确构建属性情感特征的问题，提出了一种融合多注意力和属性上下文的长短时记忆（LSTM-MATT-AC）神经网络模型。在双向长短时记忆（LSTM）的不同位置加入不同类型的注意力机制，充分利用多注意力机制的优势，让模型能够从不同的角度关注句子中特定属性的情感信息，弥补了单一注意力机制的不足；同时，融合双向LSTM独立编码的属性上下文语义信息，获取更深层次的情感特征，有效识别特定属性的情感极性；最后在SemEval2014 Task4和Twitter数据集上进行实验，验证了不同注意力机制和独立上下文处理方式对属性情感分析模型的有效性。实验结果表明，模型在Restaurant、Laptop和Twitter领域数据集上的准确率分别达到了80.6%、75.1%和71.1%，较之前基于神经网络的情感分析模型在准确率上有了进一步的提高。     

平台无关的分布式空间数据引擎技术初探

针对空间数据引擎提出平台无关设想.阐述平台无关的分布式空间数据引擎所需的技术及技术的实现.     

基于反向支配关系的指令重用优化

提出了一种基于反向支配关系的指令重用优化,在编译器中计算条件分支的反向支配基本块以及基本块内的控制无关语句,将这些信息编码成一条指令放置在分支指令之前.修改过的寄存器重命名阶段根据指令提供的信息保留部分错路指令的结果以便恢复后重用,降低了处理器分支预测错误的代价.实验表明该方法对典型应用有性能提升,与纯硬件方法相比硬件开销更小.     

基于RTF的高光谱图像去噪方法

高光谱数据中包含丰富的光谱和空间上下文信息。早期的高光谱图像去噪方法是单波段的、仅利用了高光谱数据的空间上下文信息。近年来提出的一些去噪方法综合利用了光谱和空间上下文信息,但是在对大尺度和全局上下文信息建模以及模型与图像内容自适应等方面存在局限,导致去噪结果出现过平滑的现象。针对上述问题,提出了一种基于回归树场的高光谱图像去噪方法:首先选择需要处理的高光谱波段;然后构建基于回归树场的高光谱去噪模型;最后利用基于特定代价函数的模型训练方法同时得到模型的结构和参数、输出去噪后的图像。实验结果表明,该方法能够充分利用高光谱数据的光谱和空间上下文信息,在有效去除噪声的同时很好地保存了图像中的重要细节,与BM3D和CRF相比,其PSNR提高了0.8~1.1 dB。