虹膜图像的分段检测眼睑算法提取及其图像清晰度评价研究

针对虹膜图像的提取和清晰度分析问题,研究了基于分段检测眼睑的虹膜图像采集及对所采图像的清晰度的评价,进而提出了一种新的解决方法.所提方法使用分段检测的眼睑分割算法提取虹膜边缘,使用倒谱域函数评价图像的清晰度.分段检测方法可经过圆弧参数的分段拟合、动态聚类,快速准确地分割出虹膜图像中的上下眼睑,倒谱域函数评价法可大大减少...     

基于知识图谱的汽车运维专家系统集成建模

运用网络信息资源构建知识库以提供知识答疑服务,有助于汽车企业或第三方平台获取竞争优势。本研究通过汽车运维专家系统集成建模,提出了基于知识图谱的系统构建方案。在命名实体识别方法上,通过集成隐马尔可夫模型、条件随机场(conditional random field,CRF)、双向长短期记忆网络(Bi-directional long short-term memory,BiLSTM)、BiLSTM CRF和Lattice LSTM,提出了BM LSTM(boyer-moore long short-term memory)算法,提高了实体识别精度。在文本质量评估算法上,设计了二级文本质量评估体系,基于词林工具包Synonyms以及Levenshtein Distance算法评估了问题匹配质量,基于TF-IDF(term frequency-inverse document frequency)相似度算法并围绕完整性、准确性、可靠性、论述强度评估了答案文本质量。最后对所提模型和算法进行了实验,证明了其有效性。     

基于改进YOLOv4的焊接件表面缺陷检测算法

目的 针对真实复杂的工业场景下焊接件表面缺陷检测精度低、速度慢和图像噪声大等问题,提出一种基于卷积神经网络的改进YOLOv4焊接件表面缺陷检测算法。方法 该模型基于YOLOv4算法,首先,考虑到存储和计算资源的限制,使用了轻量级网络GhostNet替换YOLOv4的主干特征提取网络(Backbone)CSPDarknet53;其次,在GhostNet网络结构中嵌入改进的通道注意力机制,能够提高模型的学习能力且减少参数量;最后,引入K–means++聚类算法对焊接件表面缺陷数据集中待检测的标注框宽高进行聚类,使网络模型更容易检测到样本中的缺陷。结果 实验结果表明,改进后的YOLOv4算法平均精度(mean Average Precision,mAP)为91.07%,检测速度达到48.11帧/s,模型尺寸为43.2 MB,比原始YOLOv4算法平均精度提升了4.61%,检测速度提高了26.59帧/s,模型尺寸缩减了82.37%。结论 所提模型提高了焊接件表面缺陷检测的精度和速度,在工业表面缺陷检测中具有现实意义。     

快速虹膜图像眼睑分割方法

虹膜图像中通常包含了干扰因素的眼睑,为了消除影响识别效果的这种干扰因素,保证较高的识别率,提出一种分段检测算法.先进行圆弧分段拟合和圆弧参数的动态聚类,对聚类所得的圆弧再次拟合,完成上下眼睑的分割.实验表明,与Hough变换和Daugman圆探测法相比,在同等条件下,在速度和精度上具有一定的优势.最后的编码识别实验表明,这种处理方法提高了虹膜识别的模式分类能力和识别的可靠性.     

一种基于蚁群聚类的多模板图像边缘融合方法

根据所采集图像的离散性特点,提出了一种基于蚁群聚类的新型的多模板图像边缘融合方法.该算法综合了图像聚类的方法和模板边缘提取的方法,运用蚁群聚类的思想来提取图像的边缘特征,并进一步融合多种边缘提取模板来设置聚类的启发式引导函数和初始聚类中心,从而避免了传统蚁群算法聚类搜索时的盲目性.系列仿真实验验证了这一方法的可行性和有效性.     

基于Kohonen神经网络算法的网络入侵聚类算法的测试研究

提出一种基于Kohonen网络的网络入侵聚类研究的方法,在阐述基本理论、原理和算法步骤基础上,利用Matlab软件平台对提出的网络入侵算法进行测试研究,并同其他方法进行仿真对比,发现Kohonen神经网络算法的网络入侵聚类在训练准确率、测试准确率和运行时间3个方面都优于PNN算法,其准确率可以达到98.1％.     

使用“分裂-合并"策略改进文本聚类集成算法的研究

探讨了"分裂-合并"(DM)策略对文本聚类集成算法改进的效果。首先在聚类成员生成阶段运行使用DM策略的超球K均值(SKM)算法r次,每次生成较多的文本子簇,并根据子簇的相似性使用凝聚层次聚类方法合并这些子簇,得到r个聚类成员,随后在聚类集成阶段采用两个快速的谱聚类算法进行集成。在6组真实文本集上进行了实验,使用DM策略的两个聚类集成算法获得的平均标准化互信息(NMI)分别比改进前的算法提高了4.6和7.9个百分点,证明了DM策略可以有效提高文本聚类集成算法的聚类质量。     

基于毫米波雷达的运动目标点云聚类和扩展算法

用毫米波雷达对运动目标进行姿态识别时,雷达点云数据具有噪点多、分布离散的特征,传统基于密度空间的聚类算法对点云聚类成像的过程中,会出现邻近目标之间的点云分类错误及同一目标点簇聚类为多个点簇等问题。针对上述情况,提出一种运动多目标邻近点云优化聚类算法,利用自适应距离加权的模糊c均值算法对聚类结果进行修正,提高近邻目标点云聚类准确度。同时提出一种目标点簇扩展聚合算法,利用卡尔曼滤波对运动目标位置预测,将多帧迭代三维点云尺寸作为波门对目标点云进行点簇扩展,提高目标点云完整性。试验结果表明,所提方法能有效提高聚类准确度。     

基于GPU和CPU协同处理实现的Canopy算法探索

提出一种基于GPU(图形处理器)和CPU协同处理实现来提高聚类算法Canopy的计算效率的优化方案。利用GPU高效的并行性和灵活的可编程性等特点,将Canopy聚类算法中比较耗时的距离计算及与阈值T1,T2的比较步骤交由GPU处理,算法其余步骤仍由CPU处理,理论上提高算法速度。     

求解一类无关并行机调度的遗传迭代贪心算法

以最小化最大完工时间为优化目标,建立带工单加工约束和序相关设置时间无关并行机调度问题的混合整数规划模型;考虑现实生产对求解算法在质量、收敛速度和鲁棒性等方面的较高要求,构建一种混合遗传-迭代贪心算法。在遗传变异操作中嵌入一种迭代贪心策略的破坏和构建机制,用于提高算法的种群多样性;引入基于破坏与构建操作设计而成的快速局部搜索算法来增强算法的局部开发能力;基于实际生产数据的相关特征随机生成了一系列计算案例,并通过实验说明所提新型混合算法相较于传统混合算法的优越性。