退卷积过程中的低能尾修正

本文详述了康普顿轮廓测量退卷积处理过程中，关于低能端谱形畸变（即低能尾）的修正的思路和具体方法。     

基于空洞模型的地理位置路由改进算法研究

针对现有WSN中地理位置路由遇路由空洞后会产生冗余路由的问题,提出一种基于感知空洞形状的分段贪婪路由(Easy Modeling Greedy Routing,EMGR)算法。EMGR引入虚拟坐标概念,利用空洞边界探测包收集空洞边界节点信息,将其映射到虚拟坐标系中;根据空洞边界节点在虚拟坐标系的不同分布,定义凹、凸域来概括路由空洞形状;根据不同的空洞形状找到合适的中转节点,采用分段贪婪路由方式传输数据。仿真实验结果表明,相较于GPSR算法,EMGR算法产生的路由跳数减少了35%,网络能耗低,路径扩张率和网络时延小。     

单幅图像去雨算法研究现状及展望

图像去雨算法通过对有雨图像进行分析和处理从而去除雨水条纹,恢复干净的背景场景,有助于提升计算机视觉任务识别精度,因此成为当下的研究热点。为系统地了解该领域的研究现状和发展趋势,首先介绍了典型的雨水合成模型,其次从基于模型驱动和基于数据驱动两个方面重点分析了典型图像去雨算法模型和方法;之后比较了去雨图像质量评价指标及雨水数据集;最后,对单幅图像去雨算法未来发展趋势进行了展望。     

卷积融合文本和异质信息网络的学术论文推荐算法

针对交互数据稀疏和推荐多样性问题,基于卷积协同过滤推荐框架提出卷积融合文本和异质信息网络的学术论文推荐算法（WN-APR）。首先学习不同语义下用户和论文的多样化特征,缓解数据稀疏问题;然后基于外积设计不同语义特征相互增强的方式融合它们,并使用三维卷积神经网络代替二维卷积神经网络充分挖掘不同特征对性能的影响;最后改进贝叶斯个性化排序损失函数增强推荐多样性。在CiteuLike-a、CiteuLike-t数据集上的实验结果表明,相比于基线模型,WN-APR在准确率和多样性的四个指标上都有所提升。     

基于可分解的卷积核和快速傅立叶变换 FFT 的指纹图像增强算法

指纹识别系统在图像增强阶段涉及很多卷积运算,占用大量的计算时间.在不利用专门的 DSP 处理器进行指纹图像增强处理情况下,常规的卷积运算计算时间非常长.在指纹图像增强过程中,卷积运算主要集中在方向场估计和高波滤波两个阶段.为此本文提出了一种指纹图像增强算法,利用可分解的卷积核和快速傅立叶变换来替换常规的卷积运算,可减少算法的时间复杂度,快速实现指纹图像增强     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于注意力机制和卷积神经网络的异步电动机三相电压不平衡损耗研究

配电网中三相电压不平衡对异步电动机损耗会造成较大影响。运用等效电路公式分析三相电压不平衡影响下电动机损耗存在精度不稳定、需要参数过多且数学模型过于复杂等问题。针对以上问题,提出一种基于注意力机制和卷积神经网络(CNN)的异步电动机损耗评估方法。该方法将实测电机数据作为输入,引入注意力机制为输入特征赋予不同权重;采用卷积层和全连接层组成的CNN构架对异步电动机实测数据进行学习,最后完成损耗评估。以现场试验得到的电机损耗数据作为实际算例,该方法评估损耗与实测损耗平均误差仅为0.717%和0.549%,并与其他典型机器学习算法进行对比,结果表明所提方法具有更好的损耗评估性能。     

基于卷积神经网络的直线同步电动机电枢绕组故障诊断

通过绕组函数理论对直线同步电动机进行分析,提出一种基于卷积神经网络(CNN)的直线同步电动机故障诊断方法。从直线同步电动机的数学模型出发,基于绕组函数理论对电动机正常状态和匝间短路故障状态进行仿真,对电流波形图进行快速傅里叶变换(FFT)得到不同状态的数据集。利用CNN中的GoogLeNet网络结构,在保持网络空间维度的同时不增加故障诊断的计算量。将数据集输入到网络模型进行故障诊断,仿真结果表明GoogLeNet网络结构对直线同步电动机电枢绕组的短路故障识别率达到了96.5%以上。     

金字塔原型对齐的轻量级小样本语义分割网络

小样本图像语义分割任务是计算机视觉领域一个有挑战性的问题,其目标是利用现有一张或几张带有密集分割注释的图片来预测未见类图像的分割掩码.针对该任务,提出了一个基于金字塔原型对齐的轻量级小样本图像语义分割网络.首先,该网络在MobileNetV2网络的深度可分离卷积和逆残差结构基础上,通过金字塔池化模块进行提取特征,保持高维度和低维度的信息,获得不同尺度的特征.同时通过在支持集原型和查询集之间进行相互对齐,使得网络能够从支持集中学到更多的信息,充分利用支持集的信息进行反馈.基于PASCAL-5i数据集的大量实验结果表明,提出的网络结构的均值在1-way 1-shot和1-way 5-shot上分别为49.5％和56.6％,与先进的主流小样本语义分割网络PANet相比分别对应提高了1.4％和0.9％,网络参数量为3.0 MB,相比PANet减小了11.7 MB,同时浮点计算量显著减少,证明了该网络在小样本图像语义分割中的有效性和高效性.     

基于卷积神经网络的眼底图像微血管瘤检测方法

眼底微血管瘤是糖尿病诱发视网膜病变的初期症状,实现基于彩色眼底图像的微血管瘤的自动检测有助于辅助医生判断患者的视网膜是否正常,同时也是糖网病变分级评估中最重要的预处理手段。但由于视网膜结构复杂,同时眼底图像的成像由于患者、环境、采集设备等因素的不同会存在不同的亮度和对比度,现有的微血管瘤检测算法难以实现微血管瘤的精确检测,检测结果中存在大量的非微血管瘤候选区,如血管、背景噪声。由于卷积神经网络具有非常强的表达能力,能通过模型训练自动学习到目标的特征,该文提出了基于卷积神经网络的微血管瘤检测方法,仿真结果表明,该方法的检测效果优于传统的微血管瘤检测方法,在复杂的糖网图像下能实现微血管瘤的精确提取,将部分血管、背景噪声排除在外,使基于卷积神经网络提取的候选区数量更少且形态规则,有利于后续的特征提取和分类。