一种基于稀疏主成分的基因表达数据特征提取方法

聚类已成为基因表达数据的一种前沿分析方法,通过基因类别的划分可以较快速地发现病变细胞,以实现对疾病的诊断。然而,高维、小样本的数据特点使得原始采集的基因表达数据具有大量的冗余与干扰信息,直接聚类会使得算法运行时间长,分析结果精度低。主成分分析是一种经典的数据降维方法,在保持方差最大的情况下,将高维数据映射到低维空间。但负载因子的非零特性使得主成分不具有强解释能力。提出基于截断幂的稀疏主成分分析方法对基因表达数据进行特征提取,并结合K-means方法对稀疏提取的特征基因数据进行聚类分析。最后,利用3个公开的基因数据集进行实验分析,验证了所提出的特征提取方法可提高基因表达数据聚类的精确性与高效性。

基于时间自动机的嵌入式系统AADL模型可调度性验证

采用时间自动机形式化模型检验方法建立了结构分析与设计语言(AADL)调度模型的自动机,实现了从AADL模型到时间自动机模型的自动转换与验证.首先,设计了周期、非周期的线程时间自动机模板及抢占、非可抢占的调度器时间自动机模板,建立了AADL调度模型到时间自动机模型的语义映射法则.然后,设计了自动化模型转换插件,并将其集成到OSATE建模工具中,实现了建模、转换、验证的集成开发环境.最后,利用UPPAAL工具对时间自动机模型进行模拟与验证.仿真实验结果表明,所建立的模型转换方法能够有效、实时地将AADL模型转换为时间自动机模型,并可在UPPAAL中分析原模型的可调度性.

BSFCoS:基于分块与稀疏主特征提取的快速协同显著性检测

随着图像采集技术的迅速发展,原始数字图像越来越清晰,已有的协同显著性检测方法在处理这些图像时所需的计算机内存也越来越大,并且伴随着很高的计算复杂性,严重影响了人机交互的实时性。因此,迫切需要一种快速的协同显著性检测方法。提出了一种基于图像分块与稀疏主特征提取的快速协同显著性检测方法(BSFCoS)。该方法在将图像均匀分割成若干个图像块的基础上,从Lab和RGB两种颜色空间上抽取底层特征,再使用截断幂(Truncated Power)的稀疏主成分分析方法进行稀疏主特征提取,以达到在最大程度保留原图像特征的同时减少特征点的数量与属性个数的效果。然后使用K-Means对提取的稀疏主特征进行聚类,并在聚类结果的基础上进行3种基于聚类的显著特征权值的计算。最后,将通过特征融合生成的单幅图像显著图和多幅图像显著图进行组合,以生成协同显著图。在Co-saliency Pairs与CMU Cornell iCoseg两个标准数据集上进行了实验仿真,实验结果表明,与其他协同显著性检测方法相比,BSFCoS在保证检测效果的同时大幅提高了针对多幅图像的协同显著性检测的速度。

基于Uppaal的实时系统AADL数据流模型的转换与验证

体系结构分析设计语言AADL是一种可支持软硬件一体化建模及同一模型多元分析的形式化与图形化建模语言。采用时间自动机形式化模型检验方法对AADL模型中的数据流进行转换和验证。考虑到单一数据流与混合数据流的差异性,分别设计了数据流到时间自动机模型的转换规则,并通过时间自动机网络实现数据流的综合分析。设计开发了自动化模型转换的插件AADLToUppaal Plug-in,将其嵌入到OSTATE工具中,使用时间自动机建模与验证工具Uppaal对转换得到的时间自动机进行模拟和验证,等价地验证所设计的AADL模型数据流时延是否满足系统实时性要求。仿真实验结果表明,所设计的数据流模型转换方法能有效地将AADL模型转换到时间自动机模型,并能在Uppaal中正确地分析原模型的数据流时延特性。