基于多模态融合和自适应剪枝Transformer的脑肿瘤图像分割算法

脑肿瘤是目前世界上最致命的肿瘤之一,所以脑肿瘤图像的自动分割在临床诊疗中变得日益重要.近年来,基于CNN和Transformer的脑肿瘤分割方法在医学图像分割领域取得了令人欣喜的成就.然而,大多数方法没有充分利用脑肿瘤多模态间的互补性和差异性,并且模型中的Transformer在捕获远程依赖性的同时,忽略了其较大的计算复杂性、冗余依赖性等问题.针对此问题,提出一种基于多模态融合和自适应剪枝Transformer的脑肿瘤图像分割方法(MF-MAPT Swin UNETR),其中多模态融合模块可以充分学习性质相近的模态间信息和不同模态不同尺度的特征变化,为后续分割提供了充分的准备;基于多模态的自适应剪枝Transformer可以降低计算复杂度,对提升性能有一定的帮助,将MF-MAPT Swin UNETR模型在两个公共数据集上进行了实验验证,结果表明,该模型较最先进的方法整体具有突出的分割性能.

基于ZigBee网络的自适应剪枝能耗均衡路由算法

在ZigBee网络中建立两个节点的通信时,为了既保证路径中总的能量耗费最低,又令路径中不包括剩余能量较少的节点,尽量延长网络的寿命,提出了基于ZigBee网络的自适应剪枝能耗均衡(AP-ECB)路由算法.该算法包括两个改进的策略:自适应剪枝策略和能耗均衡策略.自适应剪枝策略采用有效的剪枝策略令更多的节点进入休眠状态,节约了能耗;能耗均衡策略规避了将剩余能量较少的节点选入路径,保证了ZigBee网络的可用性.对AODVjr和AP-ECB路由算法进行了仿真验证,结果表明:AP-ECB路由算法选择的路径能耗更少,同时遇到的死亡节点更少.

基于邻域粗糙集自适应调整剪枝门限的免疫网络故障诊断算法

通过在形态空间中建立抗体和抗原的邻域关系,阐述了抗体与抗原的匹配过程,论述了基于免疫网络模型(aiNet)的故障诊断算法中剪枝门限与故障诊断漏诊概率和误诊概率的关系.文中引入粗糙集理论,定义了基于抗体邻域的故障模式边界和故障模式包含关系,给出了自适应调整剪枝门限的观测指标和具体算法.仿真结果表明,本文所提出的故障诊断算法具有优良性能,提高了故障诊断正确率和新故障识别率.

语音识别的自适应束剪枝方法

在语音识别的应用中,如何提高识别的效率性是一个重要的方向。尤其在大词汇表的识别中,庞大的搜索空间带来相应的计算代价,而传统剪枝方法在减少计算量的同时牺牲了识别率。为此引入自适应控制理论,自动调整束宽限定搜索空间在预定的规模。在此基础上,又提出了利用基线系统的平均激活模型音子模型实例作为自适应系统动态参考值的方法,实现启发式的束宽调节。应用此方法的解码器在不损失识别率情况下,计算时间和搜索空间比采用传统剪枝算法下降了55％和71％,显著地提高了解码器的效率。

基于对称分布特性的自适应α-剪枝均值滤波

本文提出了一种新的消除图像中混合噪声的自适应α-剪枝均值方法。该方法基于α-剪枝均值理论和噪声模型的对称特性。与基于渐进方差最小化的自适应α-剪枝均值方法相比,两者在滤波效果上接近,在滤波速度上本文方法提高了近一倍,降低了算法复杂度。对偏离对称分布模型的混合噪声模型,此方法也有很好的鲁棒性。通过实验,其有效性和速度得到验证。