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。     

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。     

基于上下文共指实体依赖的文档级关系抽取

文档级关系提取（Document relationship extraction，DRE）旨在多条句子中识别实体间的关系，而实体可能对应于跨越句子边界的多次提及，其中代词实体提及是因句子之间连接而普遍存在的语法现象，也是影响句子推理的一个重要因素。然而，以往的研究大多侧重于普通实体提及之间的关系，却很少关注代词实体提及的共指和关系捕获。本文提出了基于上下文共指实体依赖（Contextual coreference entity dependency，CCED）的文档级关系抽取模型，即通过融合普通实体和代词实体表示来构建共指实体依赖关系的上下文图结构，并在图上进行实体对间的全局交互推理，从而对实体关系的相互依赖进行建模。分别在公共数据集DocRED、DialogRE和MPDD上对CCED模型进行评估，结果显示在DocRED数据集上，与表现最好的基线模型DocuNet-BERT相比，CCED模型在测试集上的Ign F1性能提高0.55%，F1性能提高0.35%。在DialogRE和MPDD数据集上，与表现最好的基线模型COLN相比，CCED模型在DialogRE测试集上的F1性能提高1.02%，在MPDD测试集上的ACC性能提高1.19%。实验结果验证了新模型对于文档级关系抽取的有效性。     

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。     

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。     

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。     

基于非线性软阈值化的小波图像压缩方法

针对传统硬阈值和软阈值化过程中因信号锐变导致图像质量变差的问题,本文对小波压缩中的软阈值算法进行了改进,提出了非线性软阈值压缩算法,使得图像压缩质量有了较大提高。     

基于二进小波变换和软阈值改进的信号消噪

软阈值消噪是信号消噪中的标准算法.理论上,软阈值方法在最小最大误差方面是近 似最优的.研究表明,通过结合系数消噪和软阈值方法,可以达到更低的误差下界.由于离散小 波是非平移不变的,因而重构过程中会出现人工噪声.为了避免这个问题,采用了具有平移不变 性的二进小波变换.实验结果表明,文中所提算法的消噪结果具有更高的信噪比和更光滑的外观.     

基于边缘检测的Contourlet变换图像去噪

为了实现较好保留图像边缘特征的有效去噪,提出了一种基于边缘检测的Contourlet变换去噪方法。该方法先用LOG算子提取图像边缘,进而在Contourlet变换域上对图像的边缘部分和非边缘部分分别选取不同阈值进行最佳软阈值去噪处理。实验表明,与采用Donoho软阈值的Contourlet变换去噪方法相比,该方法可有效地保留图像的边缘信息,达到了更好的去噪效果。     

一种基于M带小波变换的多幅图像去噪算法

基于小波的图像去噪算法是目前图像去噪研究的一个热点。大多数的研究考虑的都是单幅图像样本的情况,在基于图像的多幅含不同均匀噪声拷贝的两带小波去噪方法的基础上,把多幅含噪图像拷贝的两带小波去噪方法推广到了M带,提出了一种基于M带小波变换的多幅图像去噪方法。实验结果表明该方法的去噪效果要优于相同条件下的两带小波的去噪效果。     

基于残差收缩网络的关系抽取算法

An improved algorithm based on residual shrinkage network with soft threshold module was proposed to solve the problem of noise caused by interference between words within a sentence in relation extraction. Firstly, the threshold was trained in each feature channel of the residual network. The threshold had two characteristics： first, its absolute value would not be too large, if it was too large, effective information would be eliminated; second, the threshold had different results for different input training. Secondly, according to the characteristics of soft threshold, the channel features lower than the threshold were deleted, and those higher than the threshold were reduced. Compared with direct deletion of negative features, soft threshold was able to save useful information of negative features. Finally, an optimization model of attention module was added to reduce the influence of mislabeling problem in distant supervision. Piecewise Convolutional Neural Network （PCNN）, Bi-directional Long Short-Term Memory （BiLSTM） network and ordinary Residual Network （ResNet） were selected as baseline models for comparison experiments. Experimental results show that the precision-recall curves of the proposed model include the curves of other models and the F1 scores of the proposed model are increased by 6.0 percentage points, 3.9 percentage points and 1.4 percentage points respectively compared to the baseline models, which verifies that addition of soft thresholding network model can improve accuracy of relation extraction by reducing in-sentence noise.     

Unified formulation of a class of image thresholding techniques

In this paper, we show that Otsu's image thresholding, Kittler and Illingworth's minimum error thresholding, and Huang and Wang's fuzzy thresholding methods can be derived under a similar mathematical formulation. The difference among the three methods is the choice of different weighting functions for computing a criterion function that can be considered as a weighted summation of the image gray level histogram. We can have a better understanding of the three thresholding techniques and derive other thresholding methods based on this unified formulation.     

Maximum similarity thresholding

Otsu method is one of the most popular image thresholding methods. The segmentation results of Otsu method are in general acceptable for the gray level images with bimodal histogram patterns that can be approximated with mixture Gaussian modal. However, it is difficult for Otsu method to determine the reliable thresholds for the images with mixture non-Gaussian modal, such as mixture Rayleigh modal, mixture extreme value modal, mixture Beta modal, mixture uniform modal, comb-like modal. In order to determine automatically the robust and optimum thresholds for the images with various histogram patterns, this paper proposes a new global thresholding method based on a maximum-image-similarity idea. The idea is inspired by analyzing the relationship between Otsu method and Pearson correlation coefficient (PCC), which provides a novel interpretation of Otsu method from the perspective of maximizing image similarity. It is then natural to construct a maximum similarity thresholding (MST) framework by generalizing Otsu method with the maximum-image-similarity concept. As an example, a novel MST method is directly designed according to this framework, and its robustness and effectiveness are confirmed by the experimental results on 41 synthetic images and 86 real world images with various histogram shapes. Its extension to multilevel thresholding case is also discussed briefly.     

核空间散度阈值法

提出了一种核空间散度阈值分割方法。首先定义了一种参数型Bregman散度;其次提出了参数型Bregman散度阈值法,并将现有交叉熵阈值法和Otsu阈值法统一起来;再次基于参数型Bregman散度构造了核空间中一种新的不对称核函数,将图像灰度级从欧氏空间变换到再生核空间,获得了一种核空间的散度阈值分割法;最后研究了该分割法中核函数参数选取方法。实验结果表明,基于核空间的散度分割法具有一定的普适性,并能改善现有交叉熵阈值法和Otsu阈值法的分割性能,同时也可将这两种经典阈值分割法看做核空间散度阈值法的特殊情形。     

基于谱聚类的多闭值图像分割方法

阈值法是图像分割的一种重要方法,在图像处理与目标识别中广为应用。因此,如何确定阈值是图像分割的关键。提出了一种新的图像阈值分割方法,即通过采用新的相似度函数的谱聚类算法(Dcut)确定图像阈值。采用基于灰度级的权值矩阵代替常用的基于图像像素级的权值矩阵描述图像像素的关系,因而算法需要的存储空间及实现的复杂性与其它基于图的图像分割方法相比大大减少。实验表明,该方法分割图像的时间少,且能够单阈值和多阈值分割图像,与现有的阈值分割方法相比,其具有更为优越的分割性能。     

Kapur多级分割的阈值相关性及其快速实现算法

基于Kapur算法所产生的多级阈值之间是相互联系的性质,提出了Kapur多级分割的快速实现算法.该算法利用一个给定的初始阈值,采用迭代的步骤分别计算多级阈值;当满足收敛条件时,得到多级分割的阈值.实验结果表明,无论是计算时间还是计算结果的准确性,文中算法都超过了许多已有的算法;且该算法计算相当简单,对内存要求也较低,能够满足实时计算的要求.