基于互信息的N维多模医学图像配准

目前多模医学图像配准都定位在两幅图像配准的研究,很少涉及N维(3维及3维以上)图像的配准.当用扩展的N维互信息测度(E-NMIM)进行多个图像配准时,不能保证互信息(MI)值的非负性,并且运算速度慢,达不到临床要求.本文提出一种新的N维互信息测度(N-NMIM),不仅保证了MI值的非负性,而且在[1,2]有界范围内,也提高了配准的速度.通过腰椎部位的CT,T1加权的MRI和T2加权的MRI图像进行实验,验证了这种配准方法的有效性.     

基于多级空间压缩测度积分的中值计算方法

中值滤波由于可有效去除脉冲噪声,且能保护细节信息,因而成为应用最广泛的滤波算法之一,然而中值计算的速度问题在一定程度上制约了中值滤波的应用。为提高中值计算的速度,提出了一种利用测度积分快速计算中值的方法。该方法首先使用阶梯函数对数组进行拓展,并通过给出中值与函数测度积分的关系,实现了基于函数测度积分的中值计算算法;然后针对数组值分布范围较大时,中值计算时间增长的情况,给出了对测度空间进行压缩的解决方案;最后将空间压缩的方案推广到了多级压缩。实验表明,新方法计算中值的速度优于已往各种中值算法,并能与多数改进的中值滤波算法相结合。     

SINS/GPS组合导航系统仿真研究

以某载体的规划航迹数据为对象,针对捷联、卫星组合导航系统(SINS/GPS)进行了仿真研究。由规划航迹数据计算出载体的比力和角速度信息,输入至惯性测量器件模型,模型输出激励捷联解算模块,得到惯导系统输出参数;同时对规划数据添加观测噪声模拟GPS测量值。采用相对简单的基于半位置、半速度误差的误差方程作为状态方程,以松耦合方式进行集中式Kalman滤波,给出了SINS单独工作与SINS/GPS组合得到的半位置、半速度误差分布。对各状态的观测度进行了研究,确定了不可观测的状态并给出了部分状态可观测度的时间分布。仿真结果表明,方法正确有效,可对SINS/GPS组合导航系统进行算法验证和方案性评估。     

广义Jensen-Schur测度在医学图像配准中的应用

使用互信息或归一化互信息测度进行医学图像配准时,由于噪声、模态、插值等影响,测度函数存在许多局部极值,收敛范围较窄,有可能导致误配准。为了克服上述缺点,定义了广义Jensen-Schur测度,利用巴特沃思函数对自变量值的非线性压缩功能,成功地消除了PV插值伪极值点。从测度曲线光滑性、抗噪鲁棒性、收敛性能方面,对四种新构造的广义Jensen-Schur测度、互信息和归一化互信息进行了比较和分析。实验结果表明,新构造的JS22和JS23测度在以上三个方面的性能都优于其他测度。     

基于统计信息的未登录词的扩展识别方法

该文提出一种基于网络资源的未登录词的扩展识别方法。该方法以左右邻信息判断未登录词边界为基础对已识别出的二元候选未登录词种子进行扩展,从而得到不限长度的语义更完整的未登录词。实验证明该文方法可行有效。     

基于内容的视频拷贝检测研究

提出一种新的基于内容的视频拷贝检测方法,根据视频连续帧之间信息的冗余,提出关键帧提取算法,对提取的关键帧做DCT变换,并将AC系数的有序测度作为关键帧的特征,计算视频关键帧之间的L1距离作为视频之间的相似度度量。实验表明该方法对抗几种不同的几何攻击有较好的效果。     

论“计算机未来学”

本文从计算机科学和技术的未来走势及与未来人类关系的宏观角度出发,提出了"计算机未来学"的新学术思路,论述了建立"计算机未来学"新学科的意义和必要性,论述了"计算机未来学"的主要研究对象、内容、目标、任务和目的以及研究方法,提出了有关"计算机未来学"研究中的若干宏观性议题,引起人们思维在这方面的延伸.     

“理想证据合成公式”的不存在性

本文以“经典未确知集合”理论为基础,证明“理想证据合成公式”的不存在性,从而向人们指出;在研究专家系统理论时,企图寻找一个“理想证据合成公式”,就像人们想做成一台永动机或完成“任意角的三等分”一样是徒劳无功的。     

基于预测对抗网络的图像二分类模型

正未标记学习仅使用无标签样本和正样本训练一个二分类器, 而生成式对抗网络(generative adversarial networks, GAN)中通过对抗性训练得到一个图像生成器. 为将GAN的对抗训练方法迁移到正未标记学习中以提升正未标记学习的效果, 可将GAN中的生成器替换为分类器C, 在无标签数据集中挑选样本以欺骗判别器D, 对C与D进行迭代优化. 本文提出基于以Jensen-Shannon散度(JS散度)为目标函数的JS-PAN模型. 最后, 结合数据分布特点及现状需求, 说明了PAN模型在医疗诊断图像二分类应用的合理性及高性能. 在MNIST, CIFAR-10数据集上的实验结果显示: KL-PAN模型与同类正未标记学习模型对比有更高的精确度(ACC)及F1-score; 对称化改进后, JS-PAN模型在两个指标上均有所提升, 因此JS-PAN模型的提出更具有合理性. 在Med-MNIST的3个子图像数据集上的实验显示: KL-PAN模型与4个benchmark有监督模型有几乎相同的ACC, JS-PAN也有更高表现. 因此, 综合PAN模型的出色分类效果及医疗诊断数据的分布特征, PAN作为半监督学习方法可获得更快、更好的效果, 在医学图像的二分类的任务上具有更高的性能.     

二型模糊决策理论与方法研究综述

二型模糊集(type-2 fuzzy set, T2FS)是将模糊集中的隶属函数拓展为一型模糊集而产生的集合,其具有表示更深层次不确定性的优势,能够极大程度地增强对客观世界不确定性的刻画能力.因此,近年来围绕二型模糊环境下的决策理论与方法研究得到了蓬勃发展.鉴于此,对二型模糊决策理论与方法进行系统性综述,梳理该领域的发展脉络,阐明现有工作的研究态势,总结二型模糊信息集成与决策的主要研究成果.首先,介绍二型模糊集的发展历程和基础理论研究现状;然后,分别针对基于二型模糊信息的决策基础理论(信息融合理论、偏好关系理论和测度理论)以及决策方法的研究现状进行概述;最后,对二型模糊决策理论与方法的未来研究方向进行展望.