基于自编码器和流形正则的结构保持无监督特征选择

高维数据中存在着大量的冗余和不相关特征,严重影响了数据挖掘的效率、质量以及机器学习算法的泛化性能,因此特征选择成为计算机科学与技术领域的重要研究方向。文中利用自编码器的非线性学习能力提出了一种无监督特征选择算法。首先,基于自编码器的重建误差选择出单个特征对数据重建贡献大的特征子集。其次,利用单层自编码器的特征权重最终选择出对其他特征重建贡献大的特征子集,通过流形正则保持原始数据空间的局部与非局部结构,并且对特征权重增加L2/1稀疏正则来提高特征权重的稀疏性,使之选择出更具区别性的特征。最后,构造一个新的目标函数,并利用梯度下降算法对所提目标函数进行优化。在6个不同类型的典型数据集上进行实验,并将所提算法与5个常用的无监督特征选择算法进行对比。实验结果验证了所提算法能够有效地选择出重要特征,显著提高了分类准确率和聚类准确率。     

基于迭代非对称盲点网络的低剂量CT重建算法

针对通过机器学习方法进行低剂量CT重建的算法过度依赖成对图例的问题，提出了一种基于迭代非对称盲点网络的低剂量CT重建算法。首先，通过像素混洗下采样盲点网络对低剂量CT进行自监督训练，得到初步重建的CT图像；其次，建立迭代模型，迭代使用前一网络得到的结果图像作为本网络的低剂量输入进行训练，以得到最终网络模型；最后，采用非对称的方式，对像素混洗下采样的步幅进行调整，以尽可能地减少混叠伪影，得到最终的可用模型。理论分析和实验结果表明，与传统低剂量CT重建算法相比，基于迭代非对称盲点网络算法可以极大地减少低剂量CT重建算法对成对图例的依赖，且其生成结果在在图像质量、纹理特征和结构方面优于传统方法。     

基于CFD的齿轮泵实际最优端面间隙确定方法

齿轮泵端面间隙是内泄漏和黏性摩擦损失最重要的影响因素,其大小主要由浮动侧板背面高压油压紧力与其所受端面油膜反推力平衡状态确定。针对某型号齿轮泵,考虑了端面间隙、油液含气量和油液蒸发等因素对反推力压力分布的影响,采用CFD方法计算获得常用工况下5组给定端面间隙对应的端面油膜反推力,由最小二乘法拟合得到间隙小范围变化时的端面油膜平均反推力线性化方程,求解现有总功率损失最小条件下最优端面间隙值,将其代入端面油膜平均反推力方程,反解出浮动侧板背面所需高压油压紧力。据此,通过调整浮动侧板背面高压区形状,使齿轮泵的实际端面间隙在常用工况下处于最优值。对实际工程中确定齿轮泵最优端面间隙具有重要的参考价值。