排序方式: 共有24条查询结果,搜索用时 9 毫秒
1.
2.
五对角矩阵的分解及其逆元素的快速算法 总被引:1,自引:0,他引:1
提出了五对角矩阵的一种分解方法,其运算量比建立在Gaussian消元法基础上的LU方法运算量少,拓广了相应文献的结果,给出了n阶五对角矩阵的扭曲分解式,得到了五对角矩阵逆矩阵元素的快速算法,结果推广到块五对角矩阵。 相似文献
3.
4.
自然场景下人脸表情由于受遮挡、光照等因素影响,以及表情局部变化细微,导致现有人脸表情识别方法准确率较低。提出一种人脸表情识别的新方法,以ResNet18为主干网络,利用残差连接模块加深网络结构,以提取更多深层次的表情特征。通过引入裁剪掩码模块,在训练集图像上的某个区域进行掩码,向训练模型中增加遮挡等非线性因素,提升模型在遮挡情形下的鲁棒性。分别从特征图的通道和空间两个维度提取表情的关键特征,并分配更多的权重给表情变化明显的特征图,同时抑制非表情特征。在特征图输出前加入Dropout正则化策略,通过在训练中随机失活部分神经元,达到集成多个网络模型的训练效果,提升模型泛化能力。实验结果表明,与L2-SVMs、IcRL、DLP-CNN等方法相比,该方法有效提高了表情识别准确率,在2个公开表情数据集Fer2013和RAF-DB上的识别准确率分别为74.366%和86.115%。 相似文献
5.
6.
研究光照变化条件下的人脸识别问题。基于最近提出的二阶特征脸方法和(2D)^2PCA方法,提出了二阶(2D)^2PCA方法。该方法将(2D)^2PCA技术分别应用到原始图像矩阵集和剩余图像矩阵集。在extended Yale人脸库上的实验表明,在光照变化条件下,二阶(2D)^2PCA方法是一种有效的人脸识别方法。该方法与传统的特征脸、二阶特征脸方法和(2D)^2PCA相比,具有更高的识别精度;且比特征脸和二阶特征脸方法节省计算时间。 相似文献
7.
热轧层流冷却是决定带钢组织性能的重要工艺环节,而冷却策略是决定带钢组织性能的重要工艺制度。文章对热轧层流冷却的冷却策略进行了研究,从冷却模式、冷却速度和目标卷取温度几个方面进行了系统的分析。 相似文献
8.
黄陵断穹核部北缘,发育一套不整合于中深变质的黄陵杂岩之上的浅变质—极浅变质陆源碎屑岩—碳酸盐岩组合。据其相互接触关系,由下至上划分为中元古代西汊河组、吴家台组,新元古代浇园山组。吴家台组为一套含叠层石中厚层—块状白云岩,底部为块状—中厚层状石英质砾岩、石英砂岩,角度不整合覆于西汊河组不同岩石组合之上,相当于神农架群底部—中下部地层,主体属碳酸盐台地及滨岸相。角度不整合于吴家台组之上、被南华纪南沱组假整合覆盖的一套白云质复砾岩,即浇园山组,主体属台内—台缘斜坡相。推断神农架群为被动大陆边缘盆地—裂陷盆地沉积,浇园山组为被动大陆边缘裂陷盆地沉积。反映中元古代中期,在扬子古陆块区可能存在一次较大规模的板块碰撞造山事件。 相似文献
9.
近年来低剂量CT(Low Dose CT, LDCT)被广泛应用于临床诊断中,但LDCT会产生不规则的噪声。已有的降噪方法往往缺乏对全局特征信息的考虑,以及不注重边缘特征信息和重建图像的视觉效果。为此,提出了一种基于特征融合的低剂量CT图像降噪方法。首先,利用Transformer优异的全局感受野提取图像的全局特征信息,并利用卷积神经网络(Convolutional Neural Network, CNN)良好的局部特征提取能力提取图像的局部特征信息。在Transformer模块中加入维度变换思想,以更好地抑制噪声;在CNN模块中使用稠密连接的方式将浅层网络的特征信息复用于深层网络中,以此保存更多的特征信息。其次,为了获取更加丰富的图像细节特征,使用了改进的索伯边缘增强算子来加强模型对边缘特征信息的提取能力。最后,将Transformer模块和CNN模块获取的特征信息进行融合并输出重建图像。此外,为了使降噪重建后的图像有更好的质量和视觉效果,设计了一个多尺度复合损失函数。实验表明:在AAPM-Mayo数据集的降噪实验中,与当前主流的LDCT图像降噪方法相比,本文方法取得了更好的降噪效果... 相似文献
10.
为了保障服务组合优化过程中的QoS数据的真实性,提出了一种基于超级账本平台的可信框架;同时为了提高服务组合的优化效率,提出了一种蚁群因子的差分进化算法的服务组合优化方法(ACOF-DE)。首先,在超级账本平台上部署相应节点,构建可信框架,保障候选服务的真实性;然后,将所提出的算法以智能合约的形式,在区块链上对服务组合的优化问题进行求解,使组合过程在可信的环境下执行。该算法通过引入多种蚁群因子,比如蚁群路径因子、最优蚁群因子、信息素因子以及基于蚁群因子的差分计算,帮助算法动态控制搜索空间、记录迭代过程中的关键信息,以提高算法优化能力。最后,通过仿真实验证明可信框架可以有效地保障数据的可信;ACOF-DE相比其他智能优化算法拥有更佳的优化效率。 相似文献