基于机器学习合成高分辨率布料褶皱

为了精化布料网格得到逼真的布料模拟效果,提出了一种基于机器学习的方法合成高分辨率布料褶皱。首先模拟真实的布料运动,获取布料运动的帧数据信息,将布料运动的帧数据信息转换为图像信息的形式进行存储。然后将图像信息作为输入,输入到卷积神经网络(CNN)中进行训练,通过将卷积神经网络与缩小网络相结合,最终得到高分辨率布料图像。最后将高分辨率布料图像转换为高分辨率布料网格,对布料进行模拟。实验结果表明,与初始的低分辨率布料网格对比,合成的高分辨率布料网格模拟出的布料有着大量且细微的褶皱,并且能够模拟出真实的布料效果,与真实场景中的布料模拟效果相似。该方法在不同的场景中都可以模拟出高质量的布料动画效果,而且减少了仿真速度,验证了该方法的有效性。     

生成式对抗网络及其在图像生成中的研究进展

生成式对抗网络(GAN)现已成为深度学习领域热门的研究方向,其独特的对抗性思想来源于博弈论中的二人零和博弈,如何解决GAN训练不稳定、生成样本质量差、评价体系不够健全、可解释性差等问题是目前GAN研究的重点和难点.调研了生成式对抗网络的研究背景和发展趋势.首先阐述了生成式对抗网络的基本思想和算法实现,分析了GAN的优势与不足,然后对已有改进方法进行了较为系统的分类,从基于结构改变和基于损失函数变体的两种类型分别梳理了一些典型的GAN的优化方法和衍生模型;比较了GAN与其他生成模型的异同,介绍了各自的优势与不足;对比了GAN及其衍生模型的性能,总结了它们的运作机制、优点、局限性以及适用场景,介绍了生成式对抗网络在图像生成领域中的应用;最后列举了生成式对抗网络的主流评价指标,分析了GAN研究中仍面临的主要问题并给出对应的解决思路,并将列举出的主流解决手段在解决效果及可应用性方面进行了对比分析,展望了未来的研究方向.     

智慧水利关键技术与应用研究综述

随着物联网、大数据、云计算、人工智能、5G 等新一代信息技术的发展,智慧水利成为当前水利领域的重要研究内容和发展方向。为理清智慧水利的主要研究内容和关键科学问题,进一步推动我国智慧水利发展,介绍当前智慧水利的研究背景,归纳智慧水利的概念、内涵和应具备的属性特征,提出智慧水利总体层次框架,并详细分析各层功能和支撑技术,综述典型应用领域相关智慧系统平台的搭建方法和实验过程。通过对现有理论技术和应用系统的总结梳理,提出：加强基础设施建设,推动信息技术与水利业务深度融合,构建高效知识体系,提高系统可视化能力,完善水利一张图,加强安全保障,制定统一标准协议,解决不同数据规模带来的挑战等,是智慧水利未来主要研究方向。     

基于深度卷积网络的图像分类算法研究

卷积神经网络在有大量训练数据的基础上,其分类精度已经可以超过支持向量机(SVM)分类精度。将图像分类算法应用于标准数据集CIFAR-10是测试算法性能和精度的一种方法,在此数据集中分别以3k批次和100k批次的数据训练深度卷积网络,可以分别达到70%和80%以上的分类精度。     

基于目标建议与结构搜索的绝缘子识别方法

针对目前航拍图像绝缘子识别算法具有识别精度不高以及运用传统遍历识别运算速度慢的特点,提出了一种基于目标建议算法(object proposals)与结构搜索的绝缘子分步识别方法。利用目标具有的梯度轮廓闭合性特点进行目标建议,减少检测窗数量;提取绝缘子局部特征训练分类器,对检测窗进行识别,实现绝缘子粗定位;计算绝缘子骨架结构的特征描述子,以此描述子进行绝缘子结构搜索,实现绝缘子的细定位。实验中,绝缘子识别率达到了89%,运算速度相较于传统遍历识别提升了9倍。实验结果表明,所提算法具有较好的识别精确性和运算快速性。     

基于ADASYN与AdaBoostSVM相结合的不平衡分类算法

对于平衡数据集支持向量机(support vector machine,SVM)通常具有很好的分类性能和泛化能力,然而对于不平衡数据集,SVM只能得到次优结果,针对该问题提出了一种基于SVM的AS-Ada Boost SVM分类算法.首先,通过使用ADASYN采样,提高少类样本在边界区域的密度;然后,使用基于径向基核支持向量机(radial basis function kernel mapping support vector machine,RBFSVM)模型弱分类器的Ada Boost SVM算法训练得到决策分类器.通过将该算法在各种不平衡数据集上的测试结果与单纯运用ADASYN技术、Ada Boost SVM、SMOTEBoost等其他分类器进行比较,验证了该算法的有效性和鲁棒性.     

fMRI数据的有监督特征提取方法综述

近年来,机器学习技术广泛用于从功能磁共振成像（functional magnetic resonance imaging,fMRI）数据中解码视觉信息、精神状态、情绪和其它感兴趣的大脑感知和认知功能。然而,由于fMRI数据样本维数高,样本量少,一般需要利用特征提取方法去除多余的预测变量和实验噪声等信息,避免机器学习模型出现过拟合问题,提高模型的预测准确率和泛化能力。介绍和讨论了常用fMRI数据有监督特征提取方法的一般原理和研究现状,并着重分析其性能和可能改进方向,最后对特征提取方法在fMRI中的研究方向进行了展望。     

采用路径IRP的Windows恶意进程检测方法

针对程序在同一操作系统的不同环境下运行产生的IRP(I/O request packets)序列不完全相同,对检测结果有一定影响的问题,提出了采用路径IRP的Windows恶意进程检测方法.单独提取每一个操作路径的IRP请求序列,应用朴素贝叶斯、贝叶斯网络、支持向量机、C4.5决策树及改进的人工免疫算法(IAIS)进行检测,并比较了各种算法在不同特征选择方法下的检测效果.实验结果表明,本文所提出的采用路径IRP的Windows恶意进程检测方法是有效可行的,在所有方法中,采用Fisher Score进行特征选择的朴素贝叶斯方法得到了最高的检测率99.2%,优于基于IRP序列的恶意进程检测方法.     

基于小波变换与SVM的ADHD病人分类

提出基于小波变换的特征提取方法对ADHD病人进行分类研究。采用115名ADHD-200的竞赛静息态功能磁共振数据,首先提取了90个脑区的平均时间序列信号,然后利用小波变换多分辨率分析特性对信号进行3层分解;计算了各个尺度下小波系数的能量值,对能量值进行归一化处理后,将其作为分类特征向量;最后结合SVM分类器采用留一交叉验证法对ADHD病人进行分类。结果表明该方法有助于ADHD病人的分类与诊断。     

基于朴素贝叶斯模型的邮件过滤技术

针对朴素贝叶斯算法应用于反垃圾邮件过滤时,其有效性十分依赖于对邮件内容的有效建模,而邮件内容建模方面研究尚不成熟限制了贝叶斯方法在垃圾邮件过滤中的性能.采用了三种概率分布对邮件内容进行建模,据此提出了3种概率分布下的朴素贝叶斯算法.为了提高训练效率,算法采用了一种增量式的垃圾邮件过滤方法.在trec05p-1、trec06p两个公开数据集上对这3种贝叶斯算法进行了实验对比,分析出三种贝叶斯分布的适用范围.从不同分布的邮件内容建模角度出发,为过滤垃圾邮件的方法选择提供了有效依据.