WSNs中一种新颖的模糊识别定位技术研究

 针对WSNs中定位技术存在的不足,提出了一种新颖的基于模糊识别的定位模型.在该模型中,定位空间被一些样本点划分为若干个相同的小区域,每一个样本点唯一地对应一个信号向量,通过计算未知点对应的信号向量与各个样本点对应向量的贴近度可以最终地确定未知点的坐标.该定位模型采用射频信号进行定位,不但避免了现有模型的误差叠加,提高了定位精度,而且避免了高计算复杂度与多参考点需求.基于NS-2的仿真结果表明该定位模型在具有较高的性能与较强的实用性.     

基于主成分分析的轮胎缺陷检测算法研究

针对X光射线轮胎图片中出现的灰度特征缺陷,提出基于主成分分析的轮胎缺陷检测算法.该算法首先通过图像增强技术使轮胎的缺陷特征更加明显;然后,采用主成分分析技术设置阈值,保留整幅图片的主要特征,再通过重构图像将轮胎图片映射到更少的相互正交的向量空间中,将原图与重构图像的像素值矩阵进行差分,得到初步定位的含有缺陷的图像;最后,初步定位的图像经过阈值分割和腐蚀得到只含有缺陷的图像,实现精确定位.对200幅具有不同灰度缺陷形状的X射线轮胎图片进行缺陷检测,实验结果表明：该算法能有效地检测出缺陷所在位置,且算法时效性优于其他算法.      

基于深度残差网络的脊柱疾病分类预测

脊柱退化性疾病,作为脊柱外科中最常见的疾病脊椎疾病,其发病正呈现年轻化的趋势。磁共振成像作为一种非侵入式检查手段,凭借对软组织成像好、无辐射、对肌肉骨骼疾病的特异性和敏感度较高等优点,在临床上被用于脊椎疾病的诊断。该文提出了一种基于深度残差网络的脊椎病核磁共振图像人工智能分类模型,能够帮助医生实现早期的脊柱退化性疾病筛查,帮助患者尽早得到正确有效的治疗。据实验结果表明,该模型不仅可以获得比传统神经网络深度学习算法更高的脊椎疾病识别率,还可以比传统神经网络深度学习算法提高35%到85%的计算效率并节省70%以上的内存占用。这一点使得该算法能够适应于资源有限的移动终端和对延迟要求比较高的医疗场景。     

改进ResNet18网络模型的花卉识别

花卉识别在生活中有重要的应用和研究价值。目前传统的花卉识别方法都是通过人工手动选择多个特征进行分类,存在识别准确率低、泛化能力较弱和分类时间长等问题。由于不同的花朵之间存在相似度,通过对每张图片随机变化,增强数据集,把花卉作为研究对象,提出了一种基于ResNet18网络模型优化的花卉识别方法。将ResNet18网络模型中残差块的基础卷积替换为空洞卷积,提取花卉图片更多的细节特征来实现高精度,接着在每个残差块后分别加入经过改进的通道注意力机制优化网络权重,构造改进的ResNet18网络模型,在Oxford 102 Flowers牛津花卉数据集上的实验进行了仿真。实验结果显示,在Oxford 102 Flowers牛津花卉数据集上ResNet网络模型相较于基础AlexNet、VGG-16网络模型准确率高。改进的ResNet网络模型识别精度可以高达97.78%,比仅使用空洞卷积的模型提高了3.11个百分点,比原模型提高了4.45个百分点。改进的ResNet18网络模型在花卉识别的泛化和拟合能力有显著的提高。     

基于高阶特征交互的点击率预估模型的实现

传统的低阶特征模型不能充分利用大数据,从多个维度描述数据和用户.专注于高阶特征提取,结合显式和隐式特征交互的点击率预估模型可以利用好大数据的特点.使用Tensorflow框架搭建包含深度神经网络、因子压缩交互网络和多重特征自交互网络结构的模型,使用淘宝展示广告点击率预估数据集进行训练.模型采用对数损失值和ROC曲线下面积作为评价指标,与原始的LR、FM、Deep&Wide等典型模型进行比较,对数损失值降低了0.04,AUC值提高了0.05左右.     

移动无线传感器网络中的网络分割

移动无线传感器网络因为传感器节点具有自主移动能力而使网络无法持久保持稳定的连通性,导致网络长时间处于被分割成多个局部子网的状态.通过对网络动态分割的深入研究,从物理层、链路层分析产生网络分割的原因,定义网络分割时间比、网络分割度和网络承载率等指标,量化地分析了网络分割问题.通过仿真实验得到的大量实验数据,揭示出移动无线传感器网络连接在网络分割方面的两个特征:网络分割时间比与节点数目呈反比,网络承载率与网络分割度的稳定性呈正比.研究结果既可为无线传感器网络的实际应用提供依据,又可为上层协议的研究提供有价值的参考.     

基于校车数量的无混载校车路线问题模型优化实现

校车是我国中小学生上下学的重要交通工具,在日常生活中起着至关重要的作用.在校车运营服务中需要顾及学生的乘车时间,并且优化目标还要兼顾所需校车的数量和校车的行驶距离.SBRP(school bus routing problem)算法为校车寻找最佳行驶路线,在满足各种限制条件的同时缩短了校车行驶距离.为了优化所需校车数量...     

基于二维卷积神经网络高层数据特征学习的过程故障检测

针对化工生产过程中高维数据故障特征难以学习和提取的缺点,提出一种基于二维卷积神经网络的化工过程故障检测方法.首先,采集化工过程不同故障的数据构成训练集和测试集;然后,对训练集和测试集中对应的正常样本和故障样本标注标签;最后,将训练集中的样本数据作为卷积神经网络的输入来训练、优化模型.方法应用于田纳西-伊斯曼化工过程,数据结果表明：二维卷积神经网络能够提取出原始数据中样本与样本、变量与变量之间更为抽象的高层数据特征,通过特征提取和学习后的重构特征数据输入到全连接层BP神经网络进行故障分类,比单独使用全连接BP神经网络的检测率提高了14.42 %,误报率降低了2.55 %.     

融合延迟变换和张量分解的金融时序预测算法

金融时序预测可以为从业人员提供行业变化趋势信息。采用多路延迟嵌入变换将时间序列转化为低秩块Hankel张量,利用Tucker分解将高阶张量投影到压缩核心张量中,对核心张量使用季节性差分自回归滑动平均算法实现对未来的预测。在4个公共数据集上验证了该算法与经典的XGBoost、VAR、SARIMA等算法相比具有更好的计算精度和更少的计算成本。     

基于改进Attention Mask编解码器CPI的研究

化合物-蛋白质相互作用(CPI)的研究对药物发现有着重要作用,它可以为药物靶标选择提供有价值的信息,在一定程度上提高先导化合物的命中率,进而加快药物发现的进程.由此提出了一种基于改进Attention Mask编解码器的化合物与蛋白质相互作用分类的预测模型,分别使用RDkit和Item2vec处理化合物的SMILES字...