主体结构保持的增强型图像风格传递方法

现有的图像风格传递方法在传递鲜明风格的同时目标图像的主体结构常会发生变形.为了改善此情况,在基于深度卷积神经网络风格传递方法的基础上设计损失函数.该函数在原有损失项的基础上,增加两个正则项.其一用于维持目标图像的主体结构,采用高斯拉普拉斯(LoG)算子提取的边缘信息构成表达主体结构的特征矩阵,正则项由结果图像和目标图像的特征差构成.其二考虑到深度特征偏重于刻画全局信息,而艺术风格与笔触、纹理走向、色彩的流动等局部方向性特征密切关联,设计另一个正则项用于增强方向性风格特征的描述,由Gabor滤波器提取的特征构成,同时避免主体结构的保持可能带来的风格传递的弱化效应.实验表明,相比其它同类算法,文中方法在传递鲜明风格时更好地保持目标图像的主体结构.     

面向胎盘植入产前诊断的医学语义特征提取算法

胎盘植入由于其临床特征隐匿,尚无一种敏感性、特异性高的产前诊断手段,因此文中将数据的特征提取方法引入胎盘植入产前诊断领域,从特征相关性的角度,提出胎盘植入有效医学语义的多目标特征优化问题,并给出求解该问题的一种改进的非支配排序遗传算法II( NSGA-II)。基于实际胎盘植入相关临床数据的计算结果表明,文中算法能从复杂的胎盘植入相关临床数据中提取具有胎盘植入有效语义的特征集合。经过接收者操作特征( ROC)曲线分析,提取的特征医学语义具有较高的诊断价值,可为产科医师研究胎盘植入的发病机制和及时产前诊断提供有效的辅助手段。文中研究还发现,一些临床生化检查指标具有重要作用,可作为胎盘植入产前诊断的有效依据。     

一种可伸缩的快速属性约简算法

现有基于粗糙集的属性约简算法主要针对数据全部驻留在内存中的情况,因此算法不适合海量数据的约简计算、可伸缩性较差.本文借助SLIQ算法的思想并引入相应的一种数据预处理策略,由此提出一个快速的属性约简算法,其时间复杂性为O(| U || C|).实验结果表明该算法具有良好的可伸缩性.     

基于滤除性质的属性约简加速算法

给出粗糙集中正区域的一个滤除性质．当信息表为粗糙确定型表时，应用该性质可以过滤掉表中与不确定性成分有关的记录而不影响属性约简的结果，可以有效地减少属性约简算法的计算量，起到加速属性约简算法的作用．     

面向游戏客服场景的自动问答系统研究与实现

针对游戏客服场景中玩家领域化、口语化的提问方式,应用深度学习工具word2vec建立带有语义的词的向量表示,设计了一种利用词向量距离,结合同义词替换、权重、句子长度、词序等因素的句子相似度计算模型。在该模型基础上,通过预分类、重定义分类规则,对KNN分类算法的大类占优、全局匹配计算代价高等问题进行改进,实现了一种基于文本分类的面向游戏客服场景的自动问答系统。实验结果表明,该系统具有较高的问题分类准确率和分类效率。     

带记忆存储的分级自组织背景差分算法*

自组织背景差分算法存在实时性不高和背景模型在非周期变化的复杂背景环境下容易出现偏移的缺点.针对上述问题,文中提出带记忆存储的分级自组织背景差分算法.首先构建边界共享型的背景模型以降低时空复杂度,同时在矩阵模型的基础上引入缓存空间设计,分别存储当前背景和过往背景.然后,在检测目标阶段,设计不同粒度级别的判定机制确定像素是否为目标.实验表明,文中算法能克服原算法存在的不足,同时有效提升检测精确度和实时性.     

实对称矩阵最大特征值极小化问题的一个BT型ε－次梯度算法

实对称矩阵最大特征值极小化问题的一个ＢＴ型ε－次梯度算法叶东毅（福州大学计算机科学系）ＡＢＴＴＹＰＥε－ＳＵＢＧＲＡＤＩＥＮＴＡＬＧＯＲＩＴＨＭＦＯＲＭＩＮＩＭＩＺＩＮＧＴＨＥＧＲＥＡＴＥＳＴＥＩＧＥＮＶＡＬＵＥＯＦＡＲＥＡＬＳＹＭＭＥＴＲＩＣＭＡＴ...     

基于模糊数风险最小化的拓展决策粗糙集模型

决策粗糙集模型中损失函数一般是基于单值的。考虑到实际决策问题中损失函数的不确定特征,为了处理一般的情形,引入模糊数来表示损失函数。从模糊数学的角度出发,通过一系列模糊运算得出决策阈值α、β的模糊分布,并据此给出决策规则。同时,对比区间决策粗糙集模型,给出获得更紧凑的阈值α、β上、下确界的方法。最后,通过一个石油投资的例子来阐明该模型的应用过程。     

变异系数的新性质及其在图像处理中的应用

给出了数据分析中常用的统计量之一变异系数新的表达式，揭示了变异系数用于图像处理时的几何意义，同时还借助该公式对变异系数在图像处理中的取值范围和取值意义进行研究．作为本文的一个应用实例，我们在处理图像块分类算法中纹理区与边缘区的划分问题时，用变异系数代替以往常用的方差进行计算，避免了方差阈值选取的不稳定性，取得了很好的效果．     

基于免疫原理的不确定数据流聚类算法

提出一种基于免疫原理、对不确定数据流进行聚类的算法——IUMicro。IUMicro针对不确定数据流上元组级不确定性问题,引入动态更新以适应数据变化的免疫模型,其中包括一种有效的在线收集数据流统计信息的B细胞特征结构及其更新策略。为兼顾元组存在概率与元组间的距离两方面因素,定义概率识别半径,为每个不断到达的数据元组找到合理的候选簇。离线聚类根据免疫细胞识别区域的空间关系,进行任意形状的无监督聚类。实验结果表明,IUMicro能有效抑制噪声,具有良好的聚类质量和较快的处理速度。