某套筒的精度检验及修复方法

分析了套筒总成的结构,明确了影响其跳动的因素,指出了确定其误差的办法,并讲明了导致其产生误差的因素,给出了解决办法。     

浅谈编写产品标准应注意的事项

产品标准是表达产品质量的基本技术文件,是企业标准体系的核心,是企业生产技术活动的依据。可见产品标准对企业是十分重要的。然而,近几年,产品标准的编写还存在许多问题,造成企业执行困难。本文的主要目的,是针对暴露问题较多的方面,浅析应该注意的事项,以提高产品标准的编写质量,方便企业执行,进而达到获得最佳社会经济效益的目的。     

二值图边界的快速提取

本文提出了一种快速提取二值图边界的方法，并详细讨论了硬件设计方案．该方法采用2×2窗口来跟踪边界，并能将连通区的所有边界（包括区域内部空洞的边界）全部提取出来．在硬件设计方案中，为了提高速度，采用了窗口并行存取技术。对若干图象进行处理的结果表明，对于多数大小为512×512的图象，提取边界的时间可在40ms以内．     

基于凸包估计的核参数选择方法

核及相关参数的选择是支撑向量机（support vector machine,SVM）研究中的核心问题之一.基于统计学习理论,提出一种通过角度切割样本集求解训练样本的近似凸包来进行最优核参数选择的方法.该方法可以克服传统的基于求解优化问题的方法所具有的计算复杂度高的缺点,且无论数据是否稠密,分布是否均匀都可适用.数值实验说明了提出的方法可行性与有效性.     

一种基于高斯分布的SVM核选择方法

核选择是支撑向量机(Support Vector Machine,SVM)研究中的核心问题之一。提出了一种基于数据分布特征的SVM核函数及其参数选择的方法。首先分析了确定数据分布特征的重要性,然后给出了判断数据呈高斯分布的方法,并探讨了SVM核函数及其参数选择与数据分布的相关性。数值实验说明了本文提出的方法的可行性与有效性。     

SDC在主叫号码规范中的应用

网内和网间主叫号码传送的规范从2002年制定开始到运营商实施至今，已经取得了巨大的成效，但由于种种原因网内不规范主叫仍然大量存在。固网运营商规范主叫号码的方式均根据主叫号码传送规定，在端局、汇接局、关口局、长途局、SCP（Service Control Point，智能网业务控制点）对主叫地址码信息（即地址信息表示语）和主叫号码进行相应的规范处理。随着以软交换为核心的固网智能化的广泛应用，SDC（Subscriber Data Center）在用户号码鉴权和拦截非法主叫方面将发挥巨大的作用。     

一种新的支撑向量机增量学习算法

1引言 基于统计学习理论(statistical learning theory)的支撑向量机最早由V.Vapnik提出[1],用于解决分类问题,现已推广到解决回归、时序预测、信号处理等问题[2].由于SVM实现结构风险极小化(structural risk minimization)原理,使得SVM具有很高的推广能力.目前已经成为一种通用有效的机器学习方法.     

基于特征融合的边缘引导乳腺超声图像分割方法

针对乳腺超声图像边缘模糊、斑点噪声多、对比度低等问题,提出了一种融合多特征的边缘引导多尺度选择性核U-Net(Edge-guided Multi-scale Selective Kernel U-Net, EMSK U-Net)方法。EMSK U-Net采用基于U-Net的对称编解码结构可以适应小数据集医学图像分割的特点,将扩张卷积与传统卷积构成选择性核模块作用于编码路径,并提取下采样过程中的选择性核特征进行边缘检测任务,在丰富图像空间信息的同时细化边缘信息,有效缓解斑点噪声和边缘模糊的问题,在一定程度上可以提升小目标的检测精度。然后在解码路径通过多尺度特征加权聚合获取丰富的深层语义信息,多种信息之间相互补充,从而提升网络的分割性能。在3个公开的乳腺超声图像数据集上的实验结果表明,与其他分割方法相比,EMSK U-Net算法各项指标表现良好,分割性能有显著提升。     

结合图自编码器与聚类的半监督表示学习方法

节点标签是复杂网络中广泛存在的监督信息,对网络表示学习具有重要作用。基于此,提出了一种结合图自编码器与聚类的半监督表示学习方法（GAECSRL）。首先,以图卷积网络（GCN）和内积函数分别作为编码器和解码器,并构建图自编码器以形成信息传播框架;然后,在编码器生成的低维表示基础上增加k-means聚类模块,从而使图自编码器的训练过程和节点的类别分布划分形成自监督机制;最后,利用节点标签的判别信息对网络低维表示的类别划分进行指导,将网络表示生成、类别划分以及图自编码器的训练构建在一个统一的优化模型中,并获得融合节点标签信息的有效网络表示结果。在仿真实验中,将GAECSRL用于节点分类和链接预测任务。实验结果表明,相比DeepWalk、node2vec、全局结构信息图表示学习（GraRep）、结构化深度网络嵌入（SDNE）和用数据的转导式或归纳式嵌入预测标签和邻居（Planetoid）,在节点分类任务中GAECSRL的Micro?F1指标提高了0.9~24.46个百分点,Macro?F1指标提高了0.76~24.20个百分点;在链接预测任务中,GAECSRL的AUC指标提高了0.33~9.06个百分点,说明GAECSRL获得的网络表示结果能有效提高节点分类和链接预测任务的性能。     

基于局部概率抽样的标签噪声过滤方法

分类学习任务中,在获取数据的过程中会不可避免地产生噪声,特别是标签噪声的存在不仅使得学习模型更复杂,而且容易造成过拟合并导致分类器泛化能力的下降。标签噪声过滤算法虽然在一定程度上可以解决上述问题,但是仍然存在噪声识别能力较差、分类效果不够理想以及过滤效率低等问题。针对这些问题,提出一种基于标签置信度分布的局部概率抽样方法来进行标签噪声过滤。首先利用随机森林分类器对样本的标签进行投票,从而获取每个样本的标签置信度;然后根据标签置信度的大小,将样本划分为易识别样本和难识别样本;最后分别采用不同的过滤策略对样本进行过滤。实验结果表明,在标签噪声存在的情况下,所提方法在大多数案例上能够保持较高的噪声识别能力,并且在分类泛化性能上也具有明显优势。