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。     

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。     

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。     

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。     

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。     

联合光谱和激光散斑成像的小鼠脑损伤模型在体研究

血流和血氧是生物体重要的生理参数，反映了生物体的机能状态。对于起病急且变化迅速的颅脑损伤，将脑血流和血氧作为监测颅脑损伤的参数，有利于颅脑损伤的诊疗和评估。论文采用光谱分析和激光散斑成像技术构建的联合测量系统，监测脂多糖诱导小鼠颅脑损伤过程中的血流血氧，并进一步分析了高渗盐水和甘露醇两种药物治疗脑损伤效果的一致性和差异性。实验结果显示，与对照组血氧血流值（1.09±0.075，0.75±0.019）相比，脂多糖能引起小鼠的脑血流（1.36±0.080）升高和脑血氧（0.62±0.021）降低，具有显著性差异。在治疗后血氧和血流逐渐恢复，且高渗盐水治疗后的恢复更加明显。研究发现，颅脑损伤后血流和血氧呈现相反变化趋势，侧面反映了颅脑损伤后血脑屏障改变导致的血脑供养失衡，而治疗剂改善后的血流血氧情况恢复，说明血流血氧可作为疗效评估的重要参数。因此采用光谱分析技术和激光散斑成像技术对血氧和血流进行联合检测为脑损伤的实时监测和药物疗效评估提供了一种技术方案。     

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。     

应用于UWB系统的低硬件开销128点FFT处理器设计

快速傅里叶变换（Fast Fourier transform, FFT）处理器是数字信号处理领域的核心单元。本文针对超宽带(Ultra wideband, UWB)系统提出了一种低硬件开销的128点FFT处理器设计方案。此方案在算法上采用了混合基-24-23算法，硬件实现上采用了单路延迟负反馈（Single delay feedback, SDF）流水线架构，在处理复数乘法运算上，提出一种新型串接正则有符号数（Canonical signed digit, CSD）常数乘法器替代常用布斯乘法器对旋转因子W128i的复数乘法运算进行实现，大幅降低了FFT处理器消耗的硬件资源。本文设计基于QUARTUS PRIME平台进行开发，并搭配Cyclone 10 LP系列器件，编译报告显示本文方案对比于其他已存在的方案，具有最低的硬件开销和功耗。     

基于不完全信道状态信息的多用户MIMO中继系统预编码算法

针对上行多用户MIMO中继系统，在信道存在反馈延迟及估计误差的条件下，以误比特率(Bit error rate, BER)为优化目标，提出了基于最小均方误差(Minimum mean?squared error, MMSE)准则的预编码算法。所提算法将求解发射端、中继节点、接收端矩阵的复杂非凸问题分解为3个独立的子优化问题，发射端的用户配备单天线且服从空间独立分布，先确定发射端预编码矩阵，将求解中继矩阵的凸优化问题转化为半正定规划(Semi?definite programming, SDP)问题，采用CVX工具箱求解，接收端处理矩阵通过线性搜索法求解，最后采用联合迭代法得到各节点矩阵的最优解。仿真结果表明，所提算法能有效改善系统的误比特率性能。     

自适应步长的Alpha‑shape表面重建算法

三维物体表面重建在现代临床医学、场景建模和林业测量等方面有着重要应用价值。为了更好地理解三维物体表面形状,本文先介绍了三维空间离散点集的Alpha形状的相关概念。在分析表面重建的Alpha?shape算法的基础上,本文提出一种自适应步长的Alpha?shape算法。通过kd?tree和k近邻平均距离来动态更新α值,使得算法在处理点集密度较大的区域时也能以较少的遍历次数进行表面重建,从而改善了重建效果并提高了算法运行效率。大量随机数据和现实三维采样数据的实验结果表明,本文提出的改进算法与原始算法相比,能大幅度地提高运行效率。     

一种有效的移动IP自适应主动预测邻居切换机制

现有的移动IP切换机制存在切换时延大,分组易丢失,安全性差等问题。该文从移动IP切换的关键问题移动检测出发,提出并实现了一种有效的自适应主动预测邻居移动IP切换机制,运用主动自适应预测算法,根据网络和移动主机的运动状态动态智能地预测移动主机的切换,实现快速平滑切换。仿真结果表明,该策略与现有机制相比,极大地减少了切换时延和切换次数,保证分组按时到达,提高了系统的切换性能,保证了系统的QoS。      

分离复杂背景下的文档图像二值化方法

目的 二值化方法的主要依据是像素的颜色和对比度等低级语义特征，辨别出与文字具有相似低级特征的复杂背景是二值化亟待解决的问题。针对文档图像二值化复杂背景分离问题，提出一种分离文档图像复杂背景的二阶段二值化方法。方法 该方法分为易误判像素筛选和二值化分割两个处理阶段，根据两个阶段的分工构建不同结构的两个网络，前者强化对复杂背景中易误判像素识别和分离能力，后者着重文字像素准确预测，以此提升整个二值化方法在复杂背景图像上的处理效果；两个网络各司其职，可在压缩参数量的前提下出色完成各自任务，进一步提高网络效率。同时，为了增强文字目标细节处理能力，提出一种非对称编码—解码结构，给出两种组合方式。结果 实验在文本图像二值化比赛（competition on document image binarization，DIBCO）的DIBCO2016、DIBCO2017以及DIBCO2018数据集上与其他方法进行比较，本文方法在DIBCO2018中FM（F-measure）为92.35%，仅比经过特殊预处理的方法差0.17%，综合效果均优于其他方法；在DIBCO2017和DIBCO2016中FM分别为93.46%和92.13%，综合效果在所有方法中最好。实验结果表明，非对称编码—解码结构二值化分割的各项指标均有不同程度的提升。结论 提出的二阶段方法能够有效区分复杂背景，进一步提升二值化效果，并在DIBCO数据集上取得了优异成绩。开源代码网址为https://github.com/wjlbnw/Mask_Detail_Net。     

基于自动编码器的时间序列预测混合模型

时间序列预测目前在众多领域有着广泛应用. 如果可以准确估计事件或指标的未来发展, 它可以帮助人们做出重要的决定. 然而对不同时间序列建立模型并准确预测已成为最具挑战的应用之一. 因此, 本文提出了一种新颖的混合多步预测模型, 称为SSA-ConvBiAE. 首先, 通过奇异谱分析(SSA)将原始数据分解为不同的趋势分量. 其次, 设计了新的基于卷积长短期记忆(ConvLSTM)和双向门控循环单元(BiGRU)的自动编码器网络结构. 最后, 将不同的分量分别输入到对应的自动编码器中进行训练和预测并求和预测结果. 为了评价模型的预测性能, 在真实的供水数据集和公开的时间序列数据集上进行了实验, 实验结果表明, 模型的预测结果优于基线方法. 本文已在网站https://github.com/VIMLab-hfut/SSA-ConvBiAE上发布了源代码.