YOLOv5算法在钨棒表面缺陷机器视觉检测中的应用

表面缺陷检测是控制钨棒质量的重要环节。由于钨棒检测图像存在背景复杂、噪声干扰多、对比度低、缺陷分辨率低、尺度跨度广等问题,现有YOLOv5算法的检测准确率难以满足工业现场要求。提出一种基于YOLOv5算法的改进算法,首先重构网络模型的检测头,利用更多尺度的特征图进行结果预测;其次,在特征提取网络中添加注意力机制,增强算法对于重点特征的提取能力,同时采用加权双向特征金字塔网络结构实现多尺度特征融合,减少特征融合过程中的冗余,提高多尺度目标特征的融合度。试验结果表明,基于改进YOLOv5的钨棒表面缺陷检测算法更适应于具有小尺寸大曲度特点的金属表面缺陷检测,能够显著提高此类检测的准确率和精度。     

基于邻域粗糙集的加权KNN肿瘤基因表达谱分类算法

肿瘤亚型的准确判别对肿瘤的治疗具有重要意义,对肿瘤的不同亚型进行准确判别是当前生物信息学研究的重要课题．本文首先利用Relief算法排序基因并选出初始的肿瘤信息基因子集,然后利用向基于邻域粗糙集模型的向前属性约减算法FARNeM来计算加权基因集合,最后用加权KNN算法对肿瘤对这些数据进行分析,从而发现有差异的基因表达。实验结果表明了上述方法的可行性和有效性。     

基于单元树结构的广度优先P2P搜索算法

提出基于单元树结构的广度优先搜索算法UTBFS。将单元树结构生成算法与广度优先算法相结合,阐述UTBFS的实现思路,对其时间复杂度、空间复杂度、可行性、优越性进行分析。实验仿真结果显示,相比于传统的广度优先搜索算法和随机广度优先搜索算法,UTBFS减少了需要转发消息的邻居节点个数和冗余消息,因此性能更优。     

电力系统连锁故障快速预测方法研究

近年来,电力系统大停电事故时有发生,而连锁故障是导致其发生的重要诱因,快速、准确地预测连锁故障可能的发展路径对预防大停电事故的发生具有重要的指导意义。针对过载主导型的连锁故障发展模式,充分利用连锁故障的前后因果关联性特点,定义关联性指标,提出基于故障路径树的连锁故障快速预测方法。该方法采用模糊聚类算法对关联性指标进行分类,选取关联性指标最高的一类支路为下级故障环节,在有效减少计算量的同时,改进了现有预测方法的不足。最后,对IEEE39节点系统进行仿真分析,仿真结果验证了所提预测方法的快速性和正确性。     

系统发生树构建技术综述

随着不同的分子测序技术的飞速发展使得大量的DNA分子数据不断涌现,这给生物学家提供了大量的数据使其实现重构地球上所有生命的进化树的梦想.并且,进化树的研究对于解决现代分子生物学中的许多问题都是非常关键的,如多序列比对、蛋白质结构和功能预测以及药物设计等等.但是构建进化树又是一个非常复杂的问题.因此,进化树的研究成了一个研究热点.本文介绍了进化树研究的发展、研究现状,最后在总结现有的进化树构建技术存在的问题的基础上探讨了该领域进一步的研究方向.     

拉普拉斯加权聚类算法

 本文提出了一种用于聚类分析的加权聚类算法,通过利用拉普拉斯权,将聚类对象之间的结构信息自动转换为对象的权重.由于拉普拉斯权能够描述数据的邻域结构,从而能够更好的聚类.该加权聚类算法在性能上比经典聚类算法有较大改进,还具有对孤立点鲁棒、适合类别不平衡数据聚类、对聚类个数不敏感等优点.人工数据集以及UCI标准数据集上的实验证实了本文算法的可行性和有效性.     

基于词向量模型的情感分析

随着移动互联网的发展,以商品评论等带有主观性的短文本信息急剧增加.海量的文本信息使得人工管理越来越困难.本文以商品评论为研究对象进行情感分析.针对商品评论为短文本的特点,本文在词向量的基础上提出了词向量叠加方法和加权词向量方法进行文本特征的提取,从而更深层次的提取短文本特征.在进行评论情感分析模型性能的比较中,说明了本文所提方法的有效性.基于情感分析技术可以解决人工难以胜任的海量商品评论的分类,方便用户快速获取有效信息.     

基于Contourlet域分块压缩感知的图像融合

针对传统图像融合方法导致纹理细节丢失的现象,提出了一种基于抗混叠移不变Contourlet域的分块压缩感知（block-based compressed sensing,BCS）图像融合算法——Contourlet_BCS。把善于表达图像纹理及边缘信息的Contourlet变换引入了压缩感知稀疏表示中,同时对分解得到的低频系数采取加权的区域能量融合规则,高频系数采取基于广义高斯分布模型的加权融合规则进行图像系数融合,最后在压缩感知框架下利用带平滑处理的投影Landweber算法重构。实验结果表明,Contourlet_BCS融合效果优于传统方法,融合的图像纹理清晰,边缘细节信息更为丰富。     

基于旋转森林的分类器集成算法研究

为提高决策树的集成分类精度,介绍了一种基于特征变换的旋转森林分类器集成算法,通过对数据属性集的随机分割,并在属性子集上对抽取的子样本数据进行主成分分析,以构造新的样本数据,达到增大基分类器差异性及提高预测准确率的目的。在Weka平台下,分别采用Bagging、AdaBoost及旋转森林算法对剪枝与未剪枝的J48决策树分类算法进行集成的对比试验,以10次10折交叉验证的平均准确率为比较依据。结果表明旋转森林算法的预测精度优于其他两个算法,验证了旋转森林是一种有效的决策树分类器集成算法。     

一种序列的加权kNN分类方法

 针对加权kNN(k-Nearest Neighbor)方法在对样本进行分类时,仅仅只利用了它的k近邻点来进行分类决策的不足,提出了一种序列的加权kNN分类方法.该方法在对某个测试样本进行分类时,除了利用它k近邻点所提供的类别信息外,还有效地利用了前面已分类样本的类别信息,这使得测试样本的分类决策更加合理和有效.在Cohn-Kanade人脸库上进行的表情识别实验表明,在序列样本分类的场合,该方法的分类效果比加权kNN方法更好.