深度学习的快速磁共振成像及欠采样轨迹设计

目的 快速成像一直是磁共振成像（MRI）技术中的焦点之一,现有多通道并行成像和部分k空间数据重建都是通过减少梯度编码步数来降低数据的获取时间,两者结合起来更能有效地提高扫描速度。然而,在欠采样倍数加高的情况下,依然有很严重的混叠伪影,因此研究一种在保证成像精度的前提下加快成像速度的方法尤为重要。方法 基于卷积神经网络的磁共振成像（CNN-MRI）方法利用大量现有的全采样多通道数据的先验信息,设计并线下训练一个深度卷积神经网络,学习待重建图像与全采样图像之间的映射关系,从而在线上成像时,欠采样所丢失数据能被训练好的网络进行预测。本文探讨了对于深度学习磁共振成像的可选择性欠采样方式,提出了一种新的欠采样轨迹方案。为了判断本文方法的性能,用峰值信噪比（PSNR）、结构相似度（SSIM）以及均方根差（RMSE）来作为衡量的指标。结果 实验结果表明,所提出欠采样方案的综合性能要优于传统欠采样轨迹,PSNR要高出12 dB,SSIM高出近0.1,RMSE要降低0.020.04左右。此外重建结果还与经典的并行重建方法GRAPPA（geneRalized autocalibrating partially parallel acquisitions）、SPIRiT（iterative self-consistent parallel imaging reconstruction from arbitrary k-space）以及SAKE（simultaneous autocalibrating and k-space estimation）作比较,从视觉效果以及各项量化指标得出本文方法能重建出更准确的结果,并且重建速度要快5倍以上。结论 深度学习方法能很好地在线下训练时从大量数据集中提取并学习到有价值的先验信息,所以在线上测试时能在较短时间内重建出优于经典算法的高质量结果;提出的1维低频汉明滤波欠采样方案则有利于提升该网络的性能。     

A survey on peer-to-peer video streaming systems

Video-over-IP applications have recently attracted a large number of users on the Internet. Traditional client-server based video streaming solutions incur expensive bandwidth provision cost on the server. Peer-to-Peer (P2P) networking is a new paradigm to build distributed network applications. Recently, several P2P streaming systems have been deployed to provide live and on-demand video streaming services on the Internet at low server cost. In this paper, we provide a survey on the existing P2P solutions for live and on-demand video streaming. Representative P2P streaming systems, including tree, multi-tree and mesh based systems are introduced. We describe the challenges and solutions of providing live and on-demand video streaming in P2P environment. Open research issues on P2P video streaming are also discussed.

一种综合能量和节点度的传感器网络分簇算法

针对无线传感器网络分簇过程中簇首耗能过快问题,提出了一种综合节点剩余能量和节点度数进行簇首选取的分簇算法ENCA(energy and node degree synthesized clustering algorithm).该算法在每轮的簇首选取中考虑了每个簇内所有节点的剩余能量和平均剩余能量,并在每个簇中依据节点的度数优化簇首的选择.在算法运行过程中,在保证网络连通的同时,避免了能量较低的节点当选为簇首.仿真结果表明,与LEACH算法和ACE算法相比,ENCA算法均衡了网络中节点的能量消耗,有效延长了网络寿命.     

神经元PID控制器在两轮机器人控制中的应用

针对两轮机器人传统PID控制器参数整定困难的问题,设计了一种神经元PID控制器.该控制器利用神经元的自学习和自适应能力,在线实时调整控制器各项参数.建立了两轮机器人的非线性模型,讨论了神经元PID控制系统的结构及其控制算法和各项控制器参数的学习算法.将设计的控制器其应用于两轮机器人的平衡控制中,并且与传统PID控制器进...     

网孔处理机阵列上最小生成树算法

已知一加权无向图G(V,E),|V|=n.本文基于网孔处理机阵列,运用分而治之策略和数据归约技术给出了一种新的最小生成树算法.此算法需O(n~2/p)时间,使用了O(p)个处理机(1≤p≤n).当p=n时,此算法仅需O(n)时间和O(n)处理机.而目前基于同一计算模型上此问题的最好算法需O(n)时间和O(n~2)个处理机,因而这里给出的算法在使用处理机数目方面改进了O(n)因子.     

涡轴发动机旋翼系统仿真建模研究

在直升机的仿真建模中,涡轮轴发动机模型的准确程度直接影响着动力系统模型的逼真程度,同时它也是直升机动力学建模的重要组成部分。为解决上述问题,研究了涡轮轴发动机建模方法,给出了考虑旋翼负载反馈的发动机控制系统模型,以及内、外环串联控制回路的发动机输出功率控制方式,设计了涡轮轴发动机动力调节的控制律,从而实现了涡轮轴发动机和旋翼一体化的直升机动力系统仿真模型,并通过仿真实例对模型进行验证,证实了模型的正确性。     

基于捕食模型与蚁群算法的多约束QoS路由选择

针对多约束QoS路由选择问题,将其转化为一个多约束赋权图,求符合最小时延和最小丢包率且满足最小成本的多目标问题。利用捕食模型调整最小时延和最小丢包率这两个目标的权值,快速找到非劣解集;再结合蚁群算法很强的全局寻优能力,完成最小成本的路由选择。实例计算结果证明了算法的可行性。     

用于图学习的主干图核方法

对于结构化数据的学习是数据挖掘领域一个重要的分支.至今,出现了许多十分优秀的结构化数据学习方法.核方法是其中有效的学习方法之一,文中在G(a)ertner等人研究的基础上,提出了一种主干图核方法.该方法定义了图中重要程度较高的子结构为主干图,它有效地降低了图学习的规模.利用随机路径核函数来定义主干图核函数并对不同阶的主干图给予不同的权重.通过自适应的离散粒子群算法来对核相似矩阵进行学习.实验结果表明,文中方法能够很好地对图数据进行学习.     

集成数据库及KDD的复杂体系定性定量及结构解析智能系统

本文对如何构建一个全新的解析智能系统进行了描述。该系统的特点是把基于化学计量学的解析算法和专家系统柔性集成到一起,并把数据库知识发现（ＫＤＤ）技术和专家数据库（ＥＤ）技术作为构建专家系统知识库的核心工具。利用解析算法可使复杂化学体系简化,结合改进的专家系统可实现化学体系定性定量及结构解析的智能化。     

自适应遗传算法与分形图像压缩结合的新方法*

基于分形和分块迭代函数系统的特点,提出了一种改进的求解全局最优自相似分块的自适应遗传算法。算法中对父块个体的搜索空间采用格雷编码方法;定义子块与父块的最小匹配误差为适应度函数;提出改进遗传算法的线性自适应交叉和变异概率;采取优秀保护策略进行选择。实验结果表明,该方法在同类图像保证解压质量和压缩比的同时能明显缩短压缩时间,有效提高搜索效率。