融合梯度及分数阶积分算子的SVM滤波

为了在滤除椒盐噪声时更好的保护图像特征信息 ,利用分数阶积分算子、梯度信息和SVM 设计了一种滤波方法 FG-SVM。先设计PCNN噪点检测模型,将检测的噪点及信号点对应位置分别标记为1和0, 生成标记图像;然后根据标 记图像,在噪声图像上对每一个以信号点为中心的5×5区域,用中心 点周围的像素灰度信息、分数阶积分算子及梯度信 息构建训练样本,训练SVM获得去噪模型;再取以噪点为中心的5×5 区域构建测试样本,作为SVM去噪模型的输入来 估计区域中心的灰度值;最后用SVM的估计值取代噪点的灰度值,得到去噪图像。仿真试验 表明,分数阶积分阶次取 1.7时,能获得最好的去噪效果。对含噪 1%的Lena、Pepper及Camer.去噪,FG-SVM 的PSNR比MPCNN分别提高了[4.19,3.64]dB,且去噪图像的边缘细节清晰。     

用于图像超分辨率的轻量级残差平衡蒸馏网络

现有利用卷积神经网络的单幅图像超分辨率重建技术,普遍存在参数量大计算成本高等问题,阻碍了实际场景的应用,因此提出一种轻量级蓝图可分离残差平衡蒸馏网络(BSRBDN)。首先,引入蓝图可分离卷积并提出多尺度渐进特征蒸馏连接结构,在提取深层特征的同时减少冗余运算。其次,设计了对比度平衡注意块、大内核空间注意力块和像素融合模块,激活高频信息增强边缘细节特征。最后,设计了轻量级蓝图可分离残差平衡蒸馏网络快速精准的完成图像重建。实验结果显示网络在保持更好的性能和主观视觉效果的同时,大大降低了参数与计算量。     

煤矿巷道顶板离层结构健康监测系统设计

针对现有煤矿巷道顶板离层监测主要采用机械式顶板离层仪,存在观测不方便、误差比较大、数据实时性差等问题,设计了煤矿巷道顶板离层结构健康监测系统。该系统通过光纤位移传感器自动测量巷道顶板离层的位移状况,采用计算机监测巷道顶板离层结构的应变、位移等参数,评价离层结构的安全性,进而维护结构的健康。实际应用表明,该系统具有实时观测、误差小、效率高等优点。     

眼底病变OCT图像的轻量化识别算法

为了准确、方便地识别多类型眼底病变，提出光学相干断层扫描技术（OCT）图像的轻量化分类模型MB-CNN.降低卷积核的使用个数，调节每个阶段卷积块的使用比例，设计轻量化主干网络L-Resnet，通过加深网络深度增强对深层语义信息的提取.使用深度可分离卷积设计多尺度卷积块MultiBlock，利用MultiBloc深度挖掘病灶区域的特征，使用不同的卷积核提取不同尺寸病变的特征，提高网络对病变OCT图像的识别能力.构建特征融合模块FFM，融合浅层信息和深层信息，充分提取病变特征的纹理和语义信息，提高对小目标病变的识别能力.实验结果显示，MB-CNN在UCSD、 Duke和NEH3个数据集上的总体分类精度分别达到97.2%、 99.92%和94.37%，模型参数量明显降低，所提模型能够针对眼底的多种病变进行分类.     

点击率的深度交叉注意力预估模型

为了区分不同高阶交叉特征的重要程度并剔除冗余交叉特征,提高点击率的预估精度,提出了一种深度交叉注意力预估网络(deep cross attention prediction network, DAPN)模型。它将具有稀疏高维特征的输入信息表示为低维稠密向量后,分别送入因子分解机(factorization machine, FM)和深度交叉注意力层(deep cross attention, DCA)。FM通过一阶特征和二阶特征交叉挖掘训练数据中从未出现或者很少出现的低阶交叉特征。DCA层利用缩放点积注意力机制(dot-product attention,DP＿Att)设计交叉注意力层,用于区分高阶交叉特征的重要度,并设计深度神经网络(deep neural network, DNN)实现对高阶交叉特征建模。仿真表明,DAPN在MovieLens-1m和Avazu等公开数据集上均具有良好的预估性能,它使用并行结构能同时有效地学习低阶和高阶交叉特征,提高预估精度。     

不完备模糊混合决策系统的邻域粗糙集分析方法

针对现实中同时具有不完备、模糊、混合属性值域决策系统的约简问题,建立了广义邻域粗糙集模型,提出了未知属性的辨别方法和基于属性重要度的约简算法。采用广义邻域关系度量不可分辨关系,通过邻域粒子逼近论域空间,是非对称相似关系、容差关系和模糊等价关系的广义化,可以直接处理同时含有名义型、数值型、模糊型、丢失型和遗漏型不完备属性的混合决策系统。依据分类一致性假设及广义邻域关系进行未知属性的辨别,讨论了噪声样本和邻域大小对分类精度的影响,给出了约简算法的具体实现。采用HitSHT数据和UCI数据库中2组数据进行了仿真试验,预测精度证明了模型的合理性及约简算法的有效性。     

课堂教学效果的深度评估及分析

课堂教学效果的评价对衡量教学质量，指导教学工作有重要意义。学生听课状态是课堂教学效果最直接的体现，但很难进行准确的统计分析。采用人工智能深度学习方法，自动识别学生听课状态的8个衡量因素，可以实现课堂教学效果的定量分析，实现教学的闭环控制。