基于跨尺度低秩约束的单幅图像盲超分辨率算法

单幅图像盲超分辨率方法是在模糊核未知的情况下仅利用单幅低分辨率图像重建高分辨率图像,这是一个严重的欠定逆问题.超分辨率正则化方法通过正则化约束项引入附加信息,为低分辨率图像恢复或重建合理的高频成分.本文将跨尺度自相似性与低秩先验相结合,提出了一种基于跨尺度低秩约束的单幅图像盲超分辨率方法,采用联合建模的方法同时估计模糊核与高分辨率图像.利用高分辨率图像、低分辨率图像及其降采样图像之间的跨尺度自相似性,对于低分辨率图像中的图像块在降采样图像中搜索相似块,将该图像块在高分辨率重建图像中对应的父块与其相似块在低分辨率图像中对应的父块合并,构造跨尺度相似图像块组矩阵.由于低分辨率图像中的跨尺度相似图像块能够为重建图像块提供潜在的细节信息,因此对相似图像块组矩阵进行低秩约束,在迭代求解过程中迫使重建图像恢复高频成分,进而促使模糊核的估计更加准确.此外,低秩约束能够表示数据的全局结构,对噪声具有鲁棒性.在真实和模拟图像上的实验表明,本文的算法能够准确地估计模糊核,重建高分辨率图像的边缘和细节,优于现有的自监督盲超分辨率算法.

分布式视觉监控系统的研究

提出了一个基于视觉的分布式监控系统。该系统通过将多个摄像机单元组织成一个局域网来监视多个特定的区域,实时获取并处理彩色图像序列。当有特定的异常物体如行人、车辆等进入监视区域后能够向用户发出警报,而且能够将从多个摄像机单元获取的数据进行融合得到一个一致的决定。每个摄像机单元利用基于高斯混合模型的背景减除法对异常物体进行检测,并用卡尔曼滤波器进行跟踪。系统在实验室的局域网内进行了实验,显示了良好的性能。

属性集重要性的研究

决策表中,属性集的重要性往往被忽略。通过实例分析和理论分析,得出单一属性不重要而包含它的属性集不一定不重要,以及单一属性重要而包含它的属性集一定重要的结论。因此,研究属性集重要性具有重要意义,与单一属性重要性相比,属性集重要性更加可信。

一种面向服务提供者的服务发现机制

服务发现是服务框架中联系服务消费者和服务提供者的重要环节。本文提出了一种面向服务提供者,以服务提供者为主体的服务发现机制。服务提供者维护一个本地缓存,为广告自己的服务提供途径,最终完成服务发现。它作为对已有服务发现机制的补充,可加快服务发现的速度,减少对远程发现服务器的访问次数,提高服务发现的成功概率。该机制还结合资源预约,根据服务消费者的访问频率,提供优先级服务和价格"优惠"。

一种考虑服务质量的服务发现机制

服务发现是服务框架中联系消费者和提供者的重要环节。提出了一种考虑服务质量的服务发现机制(QSCD)。QSCD根据消费者的消费历史,考虑了消费者对服务质量的要求,在消费者本地建立一个服务发现机构。并在QSCD引入服务预约和服务社区等概念,对该机制进行了扩展。它作为对已有服务发现机制的补充,可提高发现的速度。

一种保证QoS的服务发现机制

在网格计算环境中,服务发现是联系服务消费者和服务提供者的重要环节,服务质量QoS是服务消费者关注的重要问题之一.本文提出了一种保证QoS的服务发现机制.该机制根据服务消费者的消费历史,以服务质量QoS要求中的主要参数作为主关键字,进行分类排序,并利用本地缓存,加快了服务发现的速度.对服务提供者提出"连锁店"的概念,结合资源预约,最终满足服务消费者对服务质量QoS的要求.

基于学术水平聚类的科研合作者推荐模型

针对现有科研合作者推荐模型一般不考虑目标学者与推荐学者间学术水平的差距,导致合作关系难以建立的问题,提出一种基于学术水平聚类的合作者推荐模型,为目标学者推荐最合适合作者(fitting collaborator recommendation,FCR)。该模型先使用K-means算法对合作网络中的学者按照学术水平特征进行聚类,在同一水平簇别中建立合作网络,利用链路预测算法中的Katz指标对网络中的节点进行相似度计算,对学者们的研究主题进行提取,在网络的可达性,学术水平是否相近以及研究主题相似度三个方面进行综合考虑并进行Top-N推荐。实验结果表明,相比于其他模型,提出的基于学术水平聚类的合作者推荐模型相比于其他推荐模型均有着较优的表现,在推荐的准确率、召回率以及F1指数上分别提高了5.3%、2.5%、4%。并且在推荐的合作学者与目标学者的学术水平匹配性方面平均提高了37%。

融合学术水平相似性的合作者推荐模型

合作者推荐工作对科学研究的发展和科技成果的转化很有帮助,然而学者间水平的差距严重影响了合作的建立。模型从学者间学术水平差距,合作网络的拓扑距离以及研究兴趣三个角度进行合作者推荐。首先,定义了学者—学者、学者—主题、学者—水平标签三种网络,并融合成主题—学者—水平标签图;之后对该图中的边赋权重,从而将合作者推荐任务转换为链路预测问题;最后使用偏向重启随机游走算法计算学者间的访问概率,并筛选访问概率大的学者作为推荐建议。在三个数据集上的实验表明,模型在推荐的准确率、召回率、F_(1)指数上平均提高了5.4%、2.7%、3.8%,同时目标学者与推荐学者的学术水平匹配度更高。

结合最大最小距离和加权密度的K-means聚类算法

随机选取初始聚类中心和根据经验设置K值对K-means聚类结果都有一定的影响,针对这一问题,提出了一种基于加权密度和最大最小距离的K-means聚类算法,称为KWDM算法。该算法利用加权密度法选取初始聚类中心点集,减少了离群点对聚类结果的影响,通过最大最小距离准则启发式地选择聚类中心,避免了聚类结果陷入局部最优,最后使用准则函数即簇内距离和簇间距离的比值来确定K值,防止了根据经验来设置K值。在人工数据集和UCI数据集上的实验结果表明,KWDM算法不仅提高了聚类的准确率,而且减少了算法的平均迭代次数,增强了算法的稳定性。

基于密度峰值与密度聚类的集成算法

针对快速搜索和发现密度峰值聚类(CFSFDP)算法需人工在决策图上选择聚类中心的问题,提出一种基于密度峰值和密度聚类的集成算法。首先,借鉴CFSFDP思想,将局部密度最大的数据作为第一个中心;接着,从该中心点出发采用一种利用Warshall算法求解密度相连改进的基于密度的噪声应用空间聚类(DBSCAN)算法进行聚类,得到第一个簇;最后,在尚未被划分的数据中找出最大局部密度的数据,将它作为下一个簇的中心后再次采用上述算法进行聚类,直到所有数据被聚类或有部分数据被视为噪声。所提算法既解决了CFSFDP选择中心需人工干预的问题,又优化了DBSCAN算法,即每次迭代都是从当前最好的点(局部密度最大的点)出发寻找簇。通过可视化数据集和非可视化数据集与经典算法(CFSFDP、DBSCAN、模糊C均值(FCM)算法和K均值(K-means)算法)的对比实验结果表明,所提算法聚类效果更好,准确率更高,优于对比算法。

螺旋法:计算机专业课双语教学改革新探索

目前我国高校计算机专业英文教育有两种模式:大学英语必修课和个别专业课程采用的双语教学。前者对计算机专业知识学习没有支撑,后者全英文的教科书和教学课件加大了学生对英语的厌烦和恐惧感,影响专业课学习,对教师的英文水平和专业水平要求也较高。为此提出螺旋学习法,其核心理念是学以致用,将英语学习应用于专业学习,循序渐进地将英语作为计算机专业课程学习工具。该方法强调每门课程专业英语词汇、课程部分章节用英文教材讲解,给出部分英文例题,学期期末设一节文献阅读课,鼓励学生自选该领域前沿英文文献进行阅读并采用英语做Presentation。试点教学表明,螺旋法可有效增强学生应用英语学习专业知识的主动性,提高计算机专业词汇量和文献阅读水平,促进专业学习。螺旋法是一种适合中国国情的计算机专业课双语教学新模式,值得推广。

一种面向药品靶向抽检的预测模型

药品抽检在药品监管中扮演着十分重要的角色,但有限的监管资源难以满足无限的监管市场。药品的靶向抽检方法可使药品抽检更具针对性,让抽检资源的配置更加高效、合理,从而使有限的抽检资源发挥最大的监督作用。因此,本研究提出了一种支持靶向抽检的药品抽检预测模型。使用某省2013—2018年部分药品抽检历史数据,通过模拟真实的抽检场景,实现了模型的训练与预测评价。根据实验结果,模型的最高预测准确率达到96.6%,不合格药品的预测精确度平均值超过了70%,表明模型能够应用到实际抽检工作当中,可预测下一年度的重点抽检药品,支撑抽检资源的合理调配。