融合注意力机制与联合优化的表面缺陷检测

两段式缺陷检测模型中分割和分类网络的优化目标不一致,导致二者耦合性较差,且分割模块误差的积累可能进一步弱化分类模块的性能.针对上述问题,提出一种基于注意力机制的缺陷检测联合优化算法.首先基于混合注意力特征融合模块的分割网络融合浅层特征和深层特征,提取更全面的缺陷位置信息;然后基于多感受野空间注意力模块的分类网络挖掘更具判别性的缺陷类别特征;最后通过联合优化目标实现分割和分类网络的学习优化,提升整个算法的耦合性以及性能.基于PyTorch框架,在公开工业缺陷检测数据集DAGM 2007, MAGNETIC-TILE和KolektorSDD2数据集上进行实验,并引入分段式算法及类U-Net算法进行横向对比的结果表明,所提算法的准确率相比分段式算法最高提升28.02%,相比类U-Net算法最高提升8.3%,且精确率、召回率、F1值均优于同类算法,具有更好的检测性能.

融合关系层次结构的知识图谱嵌入

针对目前知识图谱嵌入方法大都侧重于三元组中的实体和关系信息,忽略了三元组之外与关系相关的丰富信息,提出一种融合关系层次结构信息的知识图谱嵌入方法CompGCN-RHS。在关系表示中融入关系的层次结构信息,将实体和关系联合进行嵌入学习,通过在聚合邻居节点信息时引入注意力机制来学习不同邻居节点对于中心节点的不同贡献。在数据集Sport上该方法的MRR、Hits@1分别提升2.2百分点和2.3百分点;在Location上分别提升了4.7百分点和6百分点,实验结果验证了该方法的有效性。

基于加权特征融合与局部特征注意的人种分类

为充分利用浅层特征中的细节纹理信息对人种特性的描述能力,挖掘具有区分性部位的表达特征对人种分类的作用,更好利用数据不同层次的特征与区分性部位以提供更具鲁棒性的人种信息,提出一种基于加权特征融合与局部特征注意的人种分类模型(weighted feature fusion and local feature attention model,WFLA)。模型设计加权特征融合模块增强浅层与深层特征的交互,构建局部特征注意模块重点关注区分性部位。在3个公开数据集中的大规模验证实验验证了WFLA模型在人种分类任务中具有明显优势。

基于知识图谱的案件特征增强法律判决预测

现有基于知识图谱的法律判决预测方法重点关注案件的要素实体和关系,不能充分地获取案件的特征信息。针对该问题,提出了一种增强案件特征融合的知识图谱法律判决预测方法。首先,该方法利用双向门控循环神经网络挖掘事实描述文本深层次的因果、时序等全文语义特征信息。然后通过知识图谱向量空间中案例间相似度注意力计算学习类案特征表示。最后,融合特征信息和知识图谱的结构化知识,丰富实体和关系在案件事实文本中的语义特征表示,实现法律判决链路预测任务。在危险驾驶罪和盗窃罪两类罪名数据集上的实验结果显示,该方法在MRR、Hit@1两个关键评价指标上与当前表现最好的链路预测模型相比提升了1.5%左右,Hit@3和Hit@10等指标也均有提升,验证了案件特征增强融合能补充法律知识图谱中缺失的案件特征信息并提高预测的效果。

基于PB-DBSCAN的GPS数据去噪

针对公交车GPS数据量大、数据密度不均匀、噪声点多等问题,提出PB-DBSCAN(pixel_based-DBSCAN,PB-DBSCAN)算法。将聚类过程中判断数据点之间的关系改为判断像素格之间的关系,减小数据点邻域中的搜索范围,加快聚类速度。因公交线路的多样性,同一聚类参数无法适应所有线路,提出一种动态参数选择的方法。在石家庄公交车GPS实际数据集上进行实验,其结果表明,PB-DBSCAN可以有效识别并过滤GPS数据集中的噪声点,实现快速聚类。与采用固定参数的算法进行比较,参数的动态选择提高了聚类准确度。

基于多任务自编码器的MOOC课程推荐模型

为解决在线学习当中,学习者行为的数量远少于在线课程的样本总数所产生的数据稀疏问题,提出一种基于多任务自编码器的课程推荐模型(multi-task autoencoder course recommendation model,MAEM)。通过分析学习者的学习行为,将总体任务分为两个子任务:任务一是学习者浏览课程章节列表行为,任务二是完成课程50%的学习行为,通过共享网络底部的隐藏层提高泛化能力。模型总体划分为共享嵌入、自编码器与分解预测、任务组合3个模块,3个模块协同工作,旨在突破训练数据稀疏问题。将MAEM与7种常用的推荐算法比较,实验结果表明,MAEM算法优于7种热门的推荐算法,验证了其在课程推荐中的有效性。

自适应特征细化的遥感图像有向目标检测

目标检测是遥感研究中重要且具有挑战性的任务。遥感图像大多通过俯视视角拍摄,其背景复杂、方向任意的特点,使得自然场景中的目标检测算法直接应用于遥感领域会面临一些挑战。针对上述问题,提出一种自适应特征细化网络AFR-Net,生成与物体之间具有高匹配度的有向候选框。设计特征增强模块增加具有判别力的特征表示,提升复杂背景下空间细节的捕捉能力;为得到适应于物体方向的有向候选框,提出自适应特征对齐模块缓解卷积特征与有向目标的空间错位问题,得到旋转不变特征;通过解耦检测头模块获取旋转敏感特征并细化精确的边界盒回归。提出的网络在公开的遥感目标检测数据集DIOR-R和HRSC2016达到了66.71%和97.12%的准确率,相比原始算法分别提高了2.3和0.9个百分点的检测精度,同时与一些主流的目标检测算法相比,该算法具有一定的优越性。

基于多信息图注意力网络的双向迭代实体对齐

针对当前实体对齐方法无法充分利用知识图谱实体的多种信息和缺乏先验对齐种子对限制实体对齐效果的问题,提出一种基于多信息图注意力网络的双向迭代实体对齐模型。使用具有高速公路网络机制的图注意力网络,充分利用实体的多种信息获得实体的嵌入表示,提出一种双向迭代策略,设置阈值筛选高置信度实体对加入训练集中,达到扩展先验对齐种子对的目的。在3个跨语言实体对齐数据集上进行的实验结果表明,该模型有效提高了评估指标Hits@1,Hits@10的性能。

一种改进的模糊C均值图像分割算法

针对传统的模糊C均值(FCM)图像分割算法效率较低和分割结果对噪声敏感等问题,提出了一种改进的模糊C均值图像分割算法,可以有效地根据图像灰度分布信息选取初始聚类中心,同时充分考虑了邻域像素对于聚类的影响.结果表明,该算法能够根据图像特征自动初始化合适数量的近似聚类中心,对噪声图像具有较好的分割效果.

一种新的基于RFID的室内移动机器人自定位方法研究

针对室内移动机器人自定位算法定位精度不高、定位误差存在波动的问题,提出了一种RTFL(RFID tag floor based localization)定位算法与RSSI定位算法相结合的室内移动机器人自定位方法。由RTFL定位算法给定机器人位置估算初值和机器人所在的范围,通过基于RSSI的机器人自定位系统进行机器人位置的进一步精确定位。求解过程中,通过遗传算法求解极大似然方程组,并提出染色体的筛选和剔除策略。仿真实验结果表明,该方法在有效的时间内完成定位,平均定位误差为0.157 2 m,与传统的改进方法 0.332 14 m的定位误差相比,降低了近一倍。并且新方法受环境影响较小,鲁棒性较好,能够很好地满足室内移动机器人的定位要求。

基于改进蚁群算法的多机器人路径规划研究

针对蚁群算法在机器人路径规划过程中存在的收敛速度慢、效率较低、容易陷入局部最优等缺点,提出了一种多步长的改进蚁群算法.该算法实现了多步长路径规划;同时在概率公式中加入了拐点参数,使路径更加平滑;并且提出了新的信息素奖励惩罚机制.将改进的蚁群算法应用于具有3个优化目标的多机器人路径规划中,采用碰撞预测策略和路径协调策略完成多机器人间的协调避碰.仿真结果表明,改进的蚁群算法规划的路径更短、更平滑,效率更高,验证了该算法在多机器人路径规划中的有效性和可行性.

基于多尺度特征融合的肺结节良恶性分类方法

为解决肺结节分类问题中肺电子计算机断层扫描(computed tomography,CT)图像特征提取不全面和随着卷积网络深度的加深易导致的梯度消失问题,提出一种基于多尺度特征融合网络(multi-scale feature fusion network,MSFFNet)的肺结节良恶性自动分类模型.使用多尺度卷积操作对输入的肺结节CT图像分别进行不同范围的特征提取和特征的融合拼接,解决特征提取不全面的问题;引入SE-ResNeXt模块,充分利用通道注意力机制,有效解决特征信息丢失的问题;输出肺结节良恶性的分类结果.在大型公开可用的肺图像联合数据库(lung image database consortium,LIDC-IDRI)上进行实验,MSFFNet模型的分类准确率达97.2%,特异性和敏感性分别为96.14%和98.62%,优于SE-ResNeXt等方法的分类效果.

基于BP神经网络的土壤热导率预测算法研究

在大量实测样本的基础上,通过分析土壤孔隙度和饱和度对其热导率的影响,提出了基于改进学习算法的BP神经网络的土壤热导率预测模型,采用该算法分别对粘土、粉粘、粉土、粉砂4种土壤的热导率进行了预测分析,并与传统回归计算模型进行了比较.实验结果表明,采用的BP神经网络模型能够较精确的预测各种土壤热导率,而且由于神经网络的结构和隐层神经元数固定,因而降低了待设置参数的数目,提高了BP神经网络模型进行土壤预测的适用性.

基于最小方差的股市拐点预测方法

预测股市拐点对指导股市投资具有重要意义,而股市拐点的预测是不平衡分类问题。针对SVM在解决此类不平衡问题时存在的偏斜性问题,提出了一种选取惩罚因子的方法。该方法以训练集交叉验证后所有类别样本的查全率与查准率的方差的乘积作为判断标准,将最小方差乘积对应的惩罚因子作为各类的最优惩罚因子,并将此Biased-SVM模型应用于股市拐点预测。在实验中,选取了常用股票技术指标作为输入向量,与其他几种解决不平衡问题的方法进行了比较。实验结果表明,最小方差法在保证非拐点的多数类样本识别精度的同时提高了两类拐点样本的识别精度,为投资决策提供了佐证与帮助。

基于FWA-SVM的室内无线定位研究

针对无线网络室内位置指纹定位中存在定位精度低,跳跃性较大的问题,提出一种烟花算法优化支持向量机的室内定位模型,对多次采集到的接收信号强度进行高斯滤波去除奇异值,通过烟花算法优化SVM的参数,建立室内无线定位优化模型.实验对比证明,烟花算法比粒子群算法更能提高SVM的优化速率及室内无线网络定位精度.

基于简单工厂模式的SSH+ExtJs架构泛型化研究

传统的MVC软件开发模式框架在实际的开发过程中由于存在大量相似的业务逻辑,程序繁杂而重复,难以维护.本文基于简单工厂设计模式,泛型化处理了传统的Spring MVC+Spring+Hibernate框架,以Ext Js做视图层处理并抽象通用使用模型,通过提供View-Service(视图-服务)的开发模式,降低了企业级信息管理软件开发复杂度和开发工作量,为后期维护和团队成员变更奠定了良好的基础.

基于深度强化学习的移动机器人路径规划

为解决传统的深度Q网络模型下机器人探索复杂未知环境时收敛速度慢的问题,提出了基于竞争网络结构的改进深度双Q网络方法(Improved Dueling Deep Double Q-Network,IDDDQN)。移动机器人通过改进的DDQN网络结构对其三个动作的值函数进行估计,并更新网络参数,通过训练网络得到相应的Q值。移动机器人采用玻尔兹曼分布与ε-greedy相结合的探索策略,选择一个最优动作,到达下一个观察。机器人将通过学习收集到的数据采用改进的重采样优选机制存储到缓存记忆单元中,并利用小批量数据训练网络。实验结果显示,与基本DDQN算法比,IDDDQN训练的机器人能够更快地适应未知环境,网络的收敛速度也得到提高,到达目标点的成功率增加了3倍多,在未知的复杂环境中可以更好地获取最优路径。

基于改进的DQN机器人路径规划

针对深度Q学习算法在机器人路径规划中的过估计问题,提出一种动态融合深度双Q算法(dynamic target double deep Q network,DTDDQN)。通过动态融合DDQN和平均DQN的先验知识进行网络参数训练,前期以较大权重的DDQN优化目标对估计网络进行网络训练和先验知识的积累,随着学习的深入,增大平均DQN的优化目标对网络训练的权重,使网络输出的Q值更加接近真实Q值,减少过估计对机器人在选择动作时的影响,达到所选策略最优。仿真对比结果表明,DTDDQN算法在路径规划中能更好解决过估计问题,在动作选择方面以及规划路径长度方面都有一定提升。

改进的RRT路径规划算法

对全局路径规划算法中的快速扩展随机树(RRT)算法进行深入的研究,针对基本RRT算法随机性强、搜索没有偏向性、得到的路径不一定为最优路径等缺点,提出一种改进的RRT优化算法,通过改进随机数生长方式的角度对原有算法思路进行改进,引导随机数向着目标点方向生长,与此同时移动机器人可以根据周围环境信息及时做出调整,使随机树向更高质量生长。大量仿真结果表明,改进的RRT算法具有一定的可行性与有效性,能高效引导随机树朝目标点方向高质量地生长,规划的路径尽可能接近最优路径,有效缩短了路径规划时间。

基于深度学习的人体动作识别方法

对基于机器视觉的人体动作识别的成果进行研究,为提高视频数据集中人体动作的识别率,提出一种改进的深度网络模型。采用稠密光流方法处理数据,结合二维卷积神经网络(2DCNN)、三维卷积神经网络(3DCNN)和长短期记忆神经网络(LSTM)对动作特征进行提取,利用Softmax分类器识别分类。通过KTH数据集进行实验对比验证,分析结果表明,改进模型相比其它已有模型具有更高的识别率,动作识别效果更优。