双加权 L p 范数RPCA模型及其在椒盐去噪中的应用

鲁棒主成分分析（Robust principal component analysis，RPCA）模型中秩函数和 L 0 范数的求解是非确定性多项式（Nondeterministic polynominal，NP）难问题，凸近似模型的求解通常会导致过收缩。本文结合加权方法和 L p 范数提出了一种基于双加权 L p 范数的RPCA模型，利用加权 S p 范数低秩项和加权 L p 范数稀疏项分别对RPCA框架中的低秩恢复问题和稀疏恢复问题进行建模，使其更接近秩函数和 L 0 范数最小化问题的解，提升了矩阵秩估计和稀疏估计的准确性。为了验证模型性能，本文利用图像的非局部自相似性，结合相似图像块组的低秩性与椒盐噪声的稀疏性，将双加权 L p 范数鲁棒主成分分析模型应用于去除椒盐噪声过程中。定量与定性的实验结果表明，本文模型性能优于其他模型，同时奇异值过收缩分析也表明本文模型能够有效抑制秩成分的过度收缩。     

结构约束下的生成对抗深度图修复

不同于纹理图像，深度图像中的像素点代表采集设备到场景各点的距离，直接使用通用图像修复方法并不能有效恢复深度图像中缺失区域的场景结构，本文提出一个两阶段编解码结构的生成对抗网络以解决深度图像修复问题。与常见生成对抗网络（Generative adversarial networks，GAN）模型不同，本文的生成器网络包括深度生成G1和深度修复G2两个模块。G1模块从RGB图像得到预测深度，替换待修复深度图像缺失区域，保证修复区域局部结构一致性。G2模块引入RGB图像边缘结构，保证全局结构一致性。针对现有图像修复方法没有考虑到修复区域间的一致性问题，设计结构一致注意力模块（Structure coherent attention，SCA）加入到G2中改善修复效果。本文提出的深度图像修复模型在主流数据集上进行了验证，利用结构约束并经过两阶段的生成器模型和判别器模型的共同作用，有效改善了深度图像修复效果。     

基于迭代p阈值投影算法的压缩感知磁共振成像

针对迭代软阈值投影算法中的软阈值函数收缩功能较差的问题，提出了迭代p阈值投影算法。用p阈值函数替换迭代软阈值投影算法中的软阈值函数，对小系数的惩罚更大，对大系数产生更小的偏置，以抑制噪声，减少重建误差。为加快算法速度，利用Nesterov梯度加速技术，设计了快速迭代p阈值投影算法，用于磁共振图像重建。在紧标架为平移不变离散小波变换和轮廓波下，将快速迭代p阈值投影算法用于压缩感知磁共振成像。与光滑化的快速迭代软阈值算法、迭代软阈值投影算法和交替方向乘子法进行仿真对比分析的结果表明，快速迭代p阈值投影算法提高了磁共振成像的重建速度和重建质量。分析了p值对算法性能的影响，给出了适合的p值选择方法，以获得较好的收敛速度、减小重构误差。     

基于传染病模型的突发事件网民情感演变分析

突发事件发生后，准确地分析网民的情感状态，实现对网民情感状态演变的引导，对管控突发事件舆情、维护社会稳定有重大的现实意义。依据网民对突发事件的评论特性构建了网民情感状态的完备集，并从突发事件利益相关者和突发事件本身两个角度建立不同情绪集。依据传染病模型的传播方式，建立了基于SIS（Susceptible-infectious-susceptible）传染病模型的网民情感状态演变模型EP-SIS和EO-SIS。利用网民对“新型肺炎病毒”的微博评论对模型进行了实证研究，获取影响因子的权重，模型对网民负面情感转换率为0.72。本文构建的突发事件网民情感演变模型可以从不同角度干预，使突发事件中网民负面情感状态发生演变。     

融合深浅特征和动态选择机制的行人检测研究

针对无人驾驶场景下行人多尺度、小尺度造成漏检率升高，检测精度下降的问题，本文提出一种融合深浅层特征和级联动态选择机制的行人检测方法。首先，在YOLO v3-tiny的基础上基于密集连接的卷积神经网络改进特征提取部分，融合行人的深层特征和浅层特征加强网络对行人的识别能力；其次，在改进的主干网络上级联具有动态选择机制的注意力模块，使检测网络更加适应动态的行人尺度变化；最后，本文选择BDD 100K数据集和Caltech加州理工学院行人数据集进行实验，在保证实时性的前提下（25 ms/张），本文模型在BDD 100K数据集行人漏检率降低11.4%，平均检测精度提高11.7%，在Caltech行人漏检率降低10.1%，平均检测精度提高6.7%，适用于无人驾驶行人检测领域。     

低硬件成本256点FFT处理器的IP核设计

设计了一种基于现场可编程门阵列（Field programmable gate array， FPGA）的低硬件成本256点快速傅里叶变换（Fast Fourier transform， FFT）处理器的IP核。采用按频率抽取的基-2⁴算法和单路延迟负反馈（Single-path delay feedback， SDF）流水线架构用于减少旋转因子的复数乘法运算复杂度。为了降低硬件成本，提出了一种串接正则有符号数（Canonical signed digit， CSD）常数乘法器取代常用的布斯乘法器用来完成旋转因子W256i与对应序列的复数乘法运算，同时这种乘法器还能够移除存储旋转因子系数的只读存储器（Read only memory， ROM）。该处理器IP核基于QUARTUS PRIME平台进行综合，在Cyclone 10LP FPGA上实现。结果显示，该FFT处理器最高工作频率为100 MHz，对于24位符号数FFT运算，逻辑单元（Logic elements， LEs）使用量与记忆体位（Memory bits， MBs）使用量仅为3 978 LEs和6 456 MBs。     

基于局部相似性学习的鲁棒非负矩阵分解

现有的非负矩阵分解方法往往聚焦于数据全局结构信息的学习，在很多情况下忽略了对数据局部信息的学习，而局部学习的方法也通常局限于流行学习，存在一些缺陷。为解决这一问题，提出了一种基于数据局部相似性学习的鲁棒非负矩阵分解算法（Robust nonnegative matrix factorization with local similarity learning， RLS-NMF）。采用一种新的数据局部相似性学习方法，它与流形方法存在显著区别，能够同时学习数据的全局结构信息，从而能挖掘数据类内相似和类间相离的性质。同时，考虑到现实应用中的数据存在异常值和噪声，该算法还使用l2,1范数拟合特征残差，过滤冗余的噪声信息，保证了算法的鲁棒性。多个基准数据集上的实验结果显示了该算法的最优性能，进一步证明了该算法的有效性。     

基于惩罚逻辑回归的乳腺癌预测

本文采用惩罚逻辑回归方法,利用威斯康星大学的乳腺癌数据对乳腺肿瘤进行预测。首先选取与乳腺癌相关的10个指标作为自变量,接着采用逻辑回归、LASSO惩罚逻辑回归、L2惩罚逻辑回归和弹性网惩罚逻辑回归作为分类器,利用75%的数据集作为训练集建立模型,最后利用25%的测试集、混淆矩阵和ROC曲线评估不同模型的预测精度。结果表明,LASSO惩罚逻辑回归的预测表现最好,预测精度达到97.18%;弹性网惩罚逻辑回归的预测表现随着α的增大发生变化,特别当α=0.9时,预测精度达到97.18%,与LASSO惩罚逻辑回归的预测表现一样好;L2惩罚逻辑回归的预测表现排第3,逻辑回归表现最差。因此,在乳腺肿瘤诊断中可借助LASSO惩罚逻辑回归和弹性网惩罚逻辑回归提高诊断精度。     

基于改进SOA-VMD的磁声发射信号去噪算法

磁声发射（MAE）是铁磁性材料磁化过程中产生的声发射信号，在构件应力检测和微观损伤检测中有着广泛的应用。针对MAE信号非稳态、复杂性、衰减性等特点，提出海鸥算法结合变分模态分解（SOA-VMD）的去噪方法，为克服海鸥算法求解过程中易陷入局部最优解问题，利用柯西变异算子产生随机迭代过程，使改进算法即柯西变异海欧算法（CVSOA）跳出早熟收敛。采用以幅值谱熵为适应度函数，优化VMD算法中分解模态个数K和二次惩戒因子α两个参数，将含噪声的MAE信号进行VMD分解重构。经仿真信号和实际检测信号分析表明，改进后的CVSOA-VMD算法全局寻优能力和去噪性能优于传统的SOA-VMD算法，降噪后的MAE信号特征值对于不同应力下均方根、偏斜度特征值的重复性更好，可靠性更高。     

基于同步性静息态脑网络的原发性失眠诊断

全球有约1/3的人口曾受到失眠的困扰，研究表明脑电的高度觉醒是失眠的一个重要原因，表现在高频脑电活动的增强。然而，由于存在较大的干扰因素，日常静息态条件下评判困难。因此本文提取原发性失眠患者和健康对照的脑电图（Electroencephalogram，EEG）高频频带（Beta、Gamma频带），使用更适合EEG这种非线性、非平稳信号的相位锁相值（Phase locking value， PLV）方法来构建静息态功能脑网络，使用自适应阈值技术进行二值化处理。为了提升失眠症脑网络特征评价的可靠性，综合了各脑网络特征，提出了用于失眠症检测的脑网络综合度量指标。且发现在Gamma频带上，综合指标在原发性失眠患者组与健康对照组之间存在显著性差异（p=0.044）。应用支持向量机（Support vector machine， SVM）进行自动分类，在Beta频带上的正确率达77.7%，灵敏度达90.7%，相较于原始网络特征正确率提高了9.4%，灵敏度提高了20.7%；同时与现有研究对比，本文提出的脑网络综合度量指标的正确率提升了19.4%，灵敏度提升了20.7%。此外，发现Beta频带的综合度量指标分类效果更好，对于失眠症患者的日常诊断具有潜在的应用价值。     

Graph OLAPing 的建模、设计与实现

提出了一系列Graph的OLAP模型和算法,实现了以Graph数据为中心度量的OLAP操作.主要贡献包括:(1)提出了面向Graph的数据仓库概念模型——双星模型;(2)提出了Graph的数据立方概念和创建过程;(3)设计了信息维聚集算法I-OLAPing;(4)设计了拓扑维聚集算法T-OLAPing;(5)实现了Graph OLAP的原型系统Graph OLAPer1.0.实验结果表明,设计和实现的Graph OLAPing算法及原型系统Graph OLAPer1.0能够有效地进行科研合作网分析.     

基于社交网络的图数据挖掘应用研究

社交网络数据的高度复杂性给数据挖掘研究带来了巨大的挑战,而社交网络数据挖掘更注重实体之间相互关联的特点,使得图数据挖掘技术的研究与应用逐渐成为该领域的热点。传统数据挖掘,如聚类、分类、频繁模式挖掘等技术逐渐拓展到图数据挖掘领域。文中首先介绍了现阶段图数据挖掘算法（其中包括图查询、图聚类、图分类和图的频繁子图挖掘）的研究内容和存在的问题;其次介绍了图形数据库研究现状,以及对比了主流图形数据库管理系统的优劣;最后介绍了图挖掘技术在社交网络中的应用。     

基于图结构描述的几何约束模型的研究与建立

本文提出了一种基于图结构描述的二维图形几何约束模型的建立及存储方法。该方法利用图论的概念和原理,提出用无向图的结构描述一个几何约束系统,用约束图表示图形的约束信息,规则图则用来表达几何推理的过程,同时利用面向对象的技术建立一种扩展的图的领接表的数据结构来存储约束模型。这种方法对约束的分类及表达清晰、直观,能够处理各种约束信息,效率及可靠性较高。     

基于图划分抽样算法的图表示学习

在基于神经网络的图表示算法中,当节点属性维度过高、图的规模过大时,从内存到显存的数据传输会成为训练性能的瓶颈。针对这类问题,该方法将图划分算法应用于图表示学习中,降低了内存访问的I/O开销。该方法根据图节点的度数,将图划分成若干个块,使用显存缓存池存储若干个特征矩阵块。每一轮训练,使用缓存池中的特征矩阵块,以此来减少内存到显存的数据拷贝。针对这一思想,该方法使用基于图划分的抽样算法,设计显存的缓存池来降低内存的访问,运用多级负采样算法,降低训练中负样本采样的时间复杂度。在多个数据集上,与现有方法对比发现,该方法的下游机器学习准确率与原算法基本一致,训练效率可以提高2~ 7倍。实验结果表明,基于图划分的图表示学习能高效训练模型,同时保证节点表示向量的测试效果。今后的课题可以使用严谨的理论证明,阐明图划分模型与原模型的理论误差。     

关于互连网络的几个猜想

n-立方体是著名的互连网络,星图、煎饼图和冒泡排序图是由凯莱图模型设计出来的重要的互连网络。对换树（transposition tree）的凯莱图是一类特殊的凯莱图,星图和冒泡排序图分别是对换树为星和路的凯莱图。给出了关于n-立方体、星图、煎饼图、冒泡排序图和对换树的凯莱图的各一个猜想;提出了对换图的凯莱图的概念,进而由这一概念设计出了两个互连网络——圈图和轮图,并证明冒泡排序图和星图分别可嵌入圈图和轮图。     

图数据库发展综述

随着数据关联关系的发现、管理和应用的深入,图数据库快速发展.归纳总结了图数据库概念、图模型、组成架构图和数据库的特点;详细阐述了图数据库的关键技术;分析比较了当前主流图数据库产品,归纳了当前图数据库主要应用场景;最后提出图数据库未来发展的趋势.     

一个大规模股市图交互式可视化分析系统

随着物联网、移动互联网、云计算以及各种数据自动采集技术的迅猛发展,许多领域迅速积累了大量具有图结构的可用数据。其中一个重要的图应用是股市图。如何分析股市图达到合理充分的投资决策支持一直是一个重要的课题。其中极大团(Maximal Clique)分析是分析股市图的一个重要方法。股市图的规模庞大,传统的极大团枚举算法仅仅罗列图中所有的极大团。但一个图中可以有指数级数量的极大团,而一支股票对应的点可以参与到任意多的极大团中。因此,传统的极大团枚举算法不能直接有效支持股市图分析。本文提出一个支持快速选择、自动分组及导航浏览三种股市图交互式可视化操作的大规模股市图分析系统。根据用户感兴趣的股市图节点,这三种股市图交互式可视化操作从股市图中快速枚举出与这些特定股票相关的极大团、查看这些特定股票之间的组合关系以及显示与这些特定股票相关的其他股票,是有效支持股市图分析的必要手段。同时基于对某些特定顶点或边相关的极大团枚举的需求,本文提出了从图中枚举出与特定顶点或边相关的极大团算法。我们使用真实数据验证了本文提出的算法的优越性。     

基于邻域的大规模图数据动态分割算法

随着图数据的规模日益增大,出现大量以动态图数据为基础的分布式处理需求,划分问题在动态图数据分布式处理领域尤为重要. 对大规模动态图数据上的划分问题进行研究,根据图结构性质及动态图特点,提出并实现基于邻域的动态图分割算法. 算法分为静态切分和动态调整两个阶段,其中基于割边算法整合现有最优化策略提出了大规模图数据的静态切割算法. 在优化后的静态切割算法的基础上,根据图数据的动态扩张的特性提出动态分割算法. 根据迁移顶点所达到的最小负载值进行顶点迁移,并在此基础上进行性能及割边控制优化操作. 最后,改进算法在各类图数据集上进行了验证,验证的结果显示在平衡度和割边等指标上优化后的算法效果显著,提高了划分的合理性,并且在保证割边不增加的情况下提高了图分割的平衡度.     

VB5.0中图形控件的应用分析

本文介绍了在ＶＢ应用程序中设计动态统计图表的两种方法,一是利用图形控件Ｐｉｎｎａｃｌｃｅ－ＢＰＳ Ｃｒａｐｈ Ｃｏｎｔｒｏｌ,一是利用ＯＬＥ技术链接嵌入电子表格Ｅｘｃｅｌ图表。     

知识图谱平台综述

近年来,知识图谱被广泛研究和应用。为了能够更加准确、高效地维护知识图谱的全生命周期,以及对知识图谱进行更多复杂的操作,大量知识图谱平台被设计、开发和应用。而开发者通常是基于他们所拥有的知识图谱而进行设计和开发的,缺少对知识图谱平台整体上的认识以及对应用场景特殊性需求的理解。通过调研当前主流的43个知识图谱平台,分别从知识图谱平台的功能、架构和应用三个角度对其进行系统性地分析和研究,旨在使平台开发和使用人员对知识图谱平台有更深入的认识,进而促进知识图谱平台被高效地开发和使用。