基于深度神经网络的字典学习

字典学习通常采用线性函数捕获数据潜在特征, 该方式无法充分提取数据的内在特征结构, 近年来深度学习方法因其强大的特征表示能力而备受关注, 由此本文提出一种结合深度学习与字典学习的非线性特征表示策略, 基于深度神经网络的字典学习(deep neural network-based dictionary learning, DNNDL). DNNDL将字典学习模块融入传统深度学习网络结构中, 在通过自编码器进行映射获取的低维嵌入空间中同时学习数据字典及在其上的稀疏表示系数, 从而实现端到端方式的数据潜在特征提取. DNNDL可为已有数据以及样本外点数据生成紧凑且具判别性的表示. DNNDL不仅是一种新的深度学习网络结构, 并且可将其看作为字典学习和深度学习相结合的统一框架. 通过在4个真实数据集上进行的大量实验, 验证表明所提方法较常用方法具有更好数据表示能力.     

基于张量图卷积的多视图聚类

针对多视图聚类进行的数据表示学习, 通常采用浅层模型与线性函数实现数据嵌入, 该方式无法有效挖掘多种视图间丰富的数据关系. 为充分表示不同视图间的一致性信息与互补性信息, 本文提出基于张量图卷积的多视图聚类方法(TGCNMC). 该方法首先将传统的平面图拼接为张量图, 并采用张量图卷积学习各视图中数据的近邻结构; 接着利用图间卷积进行多视图间的信息传递, 从而捕获多视图数据间的协同作用, 揭示多视图数据中的一致性与互补性信息; 最后采用自监督方式进行数据聚类. 通过在标准数据集上进行的广泛实验, 聚类效果优于现有的方法, 表明该方法可以更全面的描述多视图数据、更有效地挖掘视图间的关系并具有更好的处理下游聚类任务的能力.     

基于图信息的自监督多视角子空间聚类

多视角子空间聚类方法通常用于处理高维度、复杂结构的数据. 现有的大多数多视角子空间聚类方法通过挖掘潜在图信息进行数据分析与处理, 但缺乏对潜在子空间表示的监督过程. 针对这一问题, 本文提出一种新的多视角子空间聚类方法, 即基于图信息的自监督多视角子空间聚类(SMSC). 它将谱聚类与子空间表示相结合形成统一的深度学习框架. SMSC首先通过挖掘多视角数据的一阶图和二阶图构成潜在图信息, 其次利用聚类结果监督多个视角的公共潜在子空间学习过程. 通过在4个标准数据集上进行的广泛实验, 结果验证本文所提方法相较于传统的多视角子空间聚类方法更具有效性.     

表面刻蚀/聚硅氧烷修饰纯棉水刺材料的制备及其性能

针对伤口愈合中新生肉芽组织易粘连敷料引起创面二次感染的问题,通过等离子体刻蚀协同喷涂聚硅氧烷疏水改性纯棉水刺非织造材料,制备了一种具有防粘连潜力的非织造基医用敷料。采用正交试验方法,优化等离子体放电时间、等离子体放电功率及喷涂线速度工艺参数,同时对优化处理前后材料的疏水、表面形貌、化学结构、力学、防粘连、生物相容等性能进行测试与分析。结果表明：当放电时间为9 min、放电功率为25 W、喷涂线速度为5 mm/s时,纯棉水刺材料疏水效果最佳,接触角为141.1°;优化处理能有效提升材料的防粘连性能,其纵向剥离能为(350.0±29.9) J/m²,横向剥离能为(363.1±46.9) J/m²,满足医用敷料防粘连要求;同时优化处理材料溶血率小于5%,凝血功能得到明显提升且无细胞毒性,满足医用材料生物相容性要求。