Evolutionary dynamics analysis of complex network with fusion nodes and overlap edges

Multiple complex networks, each with different properties and mutually fused, have the problems that the evolving process is time varying and non-equilibrium, network structures are layered and interlacing, and evolving characteristics are difficult to be measured. On that account, a dynamic evolving model of complex network with fusion nodes and overlap edges（CNFNOEs） is proposed. Firstly, we define some related concepts of CNFNOEs, and analyze the conversion process of fusion relationship and hierarchy relationship. According to the property difference of various nodes and edges, fusion nodes and overlap edges are subsequently split, and then the CNFNOEs is transformed to interlacing layered complex networks（ILCN）. Secondly,the node degree saturation and attraction factors are defined. On that basis, the evolution algorithm and the local world evolution model for ILCN are put forward. Moreover, four typical situations of nodes evolution are discussed, and the degree distribution law during evolution is analyzed by means of the mean field method.Numerical simulation results show that nodes unreached degree saturation follow the exponential distribution with an error of no more than 6%; nodes reached degree saturation follow the distribution of their connection capacities with an error of no more than 3%; network weaving coefficients have a positive correlation with the highest probability of new node and initial number of connected edges. The results have verified the feasibility and effectiveness of the model, which provides a new idea and method for exploring CNFNOE＇s evolving process and law. Also, the model has good application prospects in structure and dynamics research of transportation network, communication network, social contact network,etc.

Image Fusion Based on Complex Contourlet Transform and Nonnegative Matrix Factorization

An image fusion method combining complex contourlet transform(CCT) with nonnegative matrix factorization(NMF) is proposed in this paper.After two images are decomposed by CCT,NMF is applied to their highand low-frequency components,respectively,and finally an image is synthesized.Subjective-visual-quality of the image fusion result is compared with those of the image fusion methods based on NMF and the combination of wavelet /contourlet /nonsubsampled contourlet with NMF.The experimental results are evaluated quantitatively,and the running time is also contrasted.It is shown that the proposed image fusion method can gain larger information entropy,standard deviation and mean gradient,which means that it can better integrate featured information from all source images,avoid background noise and promote space clearness in the fusion image effectively.

Fusion, fission, and annihilation of complex waves for the(2+1)-dimensional generalized Calogero–Bogoyavlenskii–Schiff system

With the help of the symbolic computation system, Maple and Riccati equation （ξ＇ = ao ＋ a1ξ＋ a2ξ2）, expansion method, and a linear variable separation approach, a new family of exact solutions with q = lx ＋ my ＋ nt ＋ Г（x,y, t） for the （2＋1）-dimensional generalized Calogero-Bogoyavlenskii-Schiff system （GCBS） are derived. Based on the derived solitary wave solution, some novel localized excitations such as fusion, fission, and annihilation of complex waves are investigated.

基于多域融合及神经架构搜索的语音增强方法

为进一步提高语音增强模型的自学习及降噪能力,提出基于多域融合及神经架构搜索的语音增强方法。该方法设计了语音信号多空间域映射及融合机制,实现信号实复数关联关系的挖掘;围绕模型卷积池化运算特点,提出了复数神经架构搜索机制,通过设计的搜索空间、搜索策略及评估策略,高效自动地构建出语音增强模型。实验搜索到的最优语音增强模型与基线模型的对比泛化实验中,语音质量客观评价(PESQ)、短时客观可懂度(STOI)两大指标较最优基线模型均最大提升5.6%,且模型参数量最低。

基于复剪切波变换与VGG19模型的医学图像融合方法

针对传统医学图像融合方法存在的细节信息不够清晰、边缘信息易丢失和图像失真等缺点,以及深度学习网络缺乏足够的训练数据集等问题,提出了一种基于复剪切波变换和预训练网络模型VGG19的多模态医学图像融合方法。首先,利用复剪切波变换提取医学图像边缘和纹理信息,并得到多尺度、多方向的子带系数。然后,使用加权局部能量和修正的拉普拉斯算子对低频子带系数进行融合;引入预训练的VGG19提取多层特征图,结合加权评估规则来获取高频子带的融合结果。最后,对融合的高频和低频子带,施加复剪切波逆变换重构融合图像。实验表明,该方法得到的融合图像,不仅可以清晰地显示图像的细节信息和边缘信息,而且能够有效抑制伪影和失真现象的产生,在主观视觉比较和6种客观评价指标下能够达到更佳融合效果。

航天复杂薄壁零件加工工艺知识图谱构建及其应用

针对航天复杂薄壁零件加工工艺数据结构化程度低、难以重用等问题,将知识图谱引入工艺设计领域,提出了一种典型的复杂薄壁零件加工工艺知识图谱构建方法。首先,自顶向下定义工艺知识层次结构,利用本体建模构建了模式层;其次,利用知识抽取、知识融合及本体关系建立的方法自底向上构建了数据层,通过Neo4j图数据库完成了模式层与数据层的映射,并实现了工艺知识的可视化表征和快速检索;然后,在构建完成的工艺知识图谱基础上,结合零件属性和特征拓扑关系的相似度实现了工艺路线推荐;最后,搭建了复杂薄壁零件加工工艺知识图谱可视化系统,并以框段类零件为例展示了工艺知识检索与工艺路线推荐功能。研究结果表明:对基于知识图谱和相似度计算的工艺路线推荐模型进行了500次测试,有94.7%的推荐列表中存在与目标零件相符的工艺路线。这证明了该工艺知识图谱的构建方法是可行的,并且其对工艺设计工作起到辅助决策作用,可以有效提高工艺查询和设计的效率。

基于多级残差融合的复杂纹理光场图像深度估计

光场的深度信息可以通过深度学习的光场深度估计算法计算,在图像视差、光场图像边缘以及光场图像的复杂纹理区域,获取高精度深度值仍然具有一定局限性。本文提出了一种用于光场图像深度估计的多级残差融合网络,通过组合残差模块提取多层次的残差特征,在保持网络深度的同时提升了网络对特征的表征能力。利用多级残差融合模块对多层次的残差特征进行融合,以获得包含浅层纹理信息和深层语义信息的融合特征。利用本文方法对HCI4D光场数据集进行处理,图像深度估计的均方误差指标达到1.471,不良像素率指标达到4.208,该实验结果表明本文方法在处理具有复杂遮挡的光场图像区域方面具有良好的处理效果。

融合场景深度估计和视觉传达的复杂光照图像虚拟重建

复杂光照图像虚拟中受到光照强度不均衡性影响导致重建效果不好,为了提高复杂光照图像虚拟重建效果,提出基于融合场景深度估计和视觉传达的复杂光照图像虚拟重建方法。针对不同场景深度混频光照的相互干扰采用相关匹配降噪方法实现图像降噪处理,以光照图像低亮度区域内亮度值中位数作为场景深度的参考值,采用全局特性和局部细节特征拟合的方法实现对复杂光照图像的场景深度检测和视觉跟踪拟合,采用HSV空间特征分解方法实现对不同场景中光照图片亮度通道融合处理,提取场景物体边缘、纹理等细节信息,根据场景深度检测和全局对比度融合下的视觉传达效果实现复杂光照图像虚拟重建。测试结果得知,采用该方法进行复杂光照图像虚拟重建的视觉表达能力较好,重建后的图像细节展示能力较强,能准确重建暗区域内隐藏的图像信息,两个数据集图像的峰值信噪比较高,均方根误差较低,分别为45.63 dB、53.21 dB和0.366、0.265,且重建时长短,仅为1.5 s,具有较强的重建性能。

MRI不同序列及图像融合技术在复杂性肛瘘中的应用价值

目的探讨MRI不同序列及图像融合技术在复杂性肛瘘中的应用价值。方法回顾性收集2022年6月至2023年10月在本院收治的复杂性肛瘘患者50例病历资料,术前均进行3D-SPACE-STIR、3D-SPACE-T2WI序列扫描,并进行图像融合,比较不同序列及图像融合技术对括约肌、瘘管及分支、括约肌+瘘管及分支清晰度评分,以及不同序列及图像融合技术对肛瘘内口和瘘管及分支的检出率。结果对于括约肌、瘘管及分支、括约肌+瘘管及分支清晰度评分,不同序列及图像融合技术之间比较差异均有统计学意义(P<0.05),其中3D-SPACE-T2WI、融合图清晰度评分均高于3D-SPACE-STIR(P<0.05);3D-SPACESTIR、3D-SPACE-T2WI、融合图对括约肌+瘘管及分支清晰度评分均高于括约肌、瘘管及分支(P<0.05),以手术诊断结果作为金标准,不同序列及图像融合技术对肛瘘内口和瘘管的检出率比较,差异均无统计学意义(P>0.05)。结论MRI不同序列及图像融合技术在复杂性肛瘘中诊断价值较高,具有较好的准确性。

基于多可穿戴传感器的用户人体复杂行为主动识别

文章旨在解决人体复杂行为的主动识别问题,通过对多可穿戴式传感器数据的融合,提高识别准确性并降低识别耗时。为此,设计了一种基于多可穿戴式传感器数据融合的方法。首先,根据用户生理、生化、行为指标设计采集流程;其次,采集用户指标传感数据,将其融合,结果作为卷积神经网络(Convolutional Neural Network,CNN)的输入,构建用户虚拟现实场景;在此场景中,利用自相关系数和循环神经网络提取可识别特征点,并通过全连接层和Softmax函数实现用户行为的分类和识别。实验结果表明,该文方法相较于传统方法,识别耗时更低且准确率更高,F1-score达到了0.986。

Novel Face Recognition Method by Combining Spatial Domain and Selected Complex Wavelet Features

A novel face recognition method based on fusion of spatial and frequency features was presented to improve recognition accuracy. Dual-Tree Complex Wavelet Transform derives desirable facial features to cope with the variation due to the illumination and facial expression changes. By adopting spectral regression and complex fusion technologies respectively, two improved neighborhood preserving discriminant analysis feature extraction methods were proposed to capture the face manifold structures and locality discriminatory information. Extensive experiments have been made to compare the recognition performance of the proposed method with some popular dimensionality reduction methods on ORL and Yale face databases. The results verify the effectiveness of the proposed method.

Hierarchical hybrid testability modeling and evaluation method based on information fusion

In order to meet the demand of testability analysis and evaluation for complex equipment under a small sample test in the equipment life cycle, the hierarchical hybrid testability model- ing and evaluation method （HHTME）, which combines the testabi- lity structure model （TSM） with the testability Bayesian networks model （TBNM）, is presented. Firstly, the testability network topo- logy of complex equipment is built by using the hierarchical hybrid testability modeling method. Secondly, the prior conditional prob- ability distribution between network nodes is determined through expert experience. Then the Bayesian method is used to update the conditional probability distribution, according to history test information, virtual simulation information and similar product in- formation. Finally, the learned hierarchical hybrid testability model （HHTM） is used to estimate the testability of equipment. Compared with the results of other modeling methods, the relative deviation of the HHTM is only 0.52%, and the evaluation result is the most accu rate.

基于细节增强的多能DR图像融合网络

针对单能X射线无法对复杂工件各部位同时曝光成像的问题,提出一种基于细节增强的多能DR融合网络-双编码巢式连接融合网络。该网络以Inception模块作为基础卷积层,在双编码器的辅支路设计了可训练的LOG卷积模块,用来提取多尺度边缘特征,并将其补充到主支路以增强全局特征。在训练阶段,提出一种基于图像块的局部能量一致性损失函数,以减少输入、输出的局部性误差。融合时,采用通道和空间注意力机制作为融合策略,对双编码提取的多尺度增强特征进行融合,并将融合后的多尺度特征输入嵌套连接的解码器进行重构。结果表明,该融合网络具有细节增强效果,能够完整清晰地再现复杂工件的内部结构及缺陷。

自适应特征融合的复杂道路场景目标检测算法

针对复杂道路场景下密集遮挡目标、小尺度目标检测精度低,容易出现漏检和误检的问题,以YOLOv5算法为网络基础框架,提出了一种自适应特征融合的复杂道路场景目标检测算法。引入特征融合因子,改进相邻尺度特征融合方式,增加各层网络有效样本从而提升中小尺度目标检测能力;增加浅层特征检测层,提升模型小尺度目标的学习能力;改进感受野模块,允许模型自适应选择有效感受野提取目标特征信息;引入Quality Focal Loss改善密集遮挡目标,小尺度目标的定位精度,并在特征融合网络加入注意力机制,提高算法对特征信息的有效利用。实验结果表明,相比原始算法,改进算法在公开数据集BDD100K(10类)、Udacity及自制数据集CQTransport的检测精度分别提高了6.7、4.9、7.9个百分点;在基本不降低检测速度的前提下,能较好提升复杂道路场景下的检测性能,并在一定程度上解决了检测过程中密集遮挡目标、小尺度目标出现的漏检和误检问题。

基于特征融合的无标复句关系识别

无标复句因缺少关联词的辅助,其关系识别为自然语言处理中的一项较为困难的任务。将词性特征融入到词向量中,训练得到含有外部特征的词向量表示,通过组合BERT模型与BiLSTM模型,将字向量、词向量、词性向量结合进行训练,并在特征融合层添加BiLSTM模型捕获的极性特征信息以及CNN模型捕获的依存句法特征信息。实验结果表明,该方法在汉语复句分类上取得了较好的效果,与基准模型相比在宏F1值与微F1值上均有提升,在顶层分类上取得了83.67%的微F1值,在第二层分类上取得了68.28%的微F1值。

复杂环境下机器人多传感器融合定位方法

为了解决在斜坡、特征退化以及GNSS信号丢失等复杂环境下连续精确的定位问题,提出了基于地面约束的多传感器融合方案,用于提高SLAM算法的整体性能。首先提出了不同系统状态下的关键帧选取策略。通过在起始位置增加关键帧的数量,避免了因子图优化后产生的定位跳变,从而得到连续准确的位姿输出。同时,针对误差累积所导致回环检测失效,利用该关键帧策略,有效地增大当前帧的子关键帧集合,提高了回环检测算法的鲁棒性。其次,针对IMU在长时间运行后高度方向上漂移过大的问题,本文根据提取的地面点构建地面约束,并引入因子图中进行优化。最后,利用搭建的移动机器人实验平台,完成了校园不同场景的数据采集,验证本文算法的有效性,并在KITTI数据集与LIO-SAM算法进行了对比测试,通过误差分析表明本文算法具有更优的定位精度。

综合体建筑裙房进深区域火焰蔓延研究

目的 研究综合体建筑中的裙房进深区域对综合体建筑火焰蔓延的影响,为该类建筑的防火设计提供参考。方法 应用火灾数值模拟软件PyroSim建立不同裙房进深条件下的综合体建筑模型,分析该模型在竖向不同连续窗口数量下的温度分布等温线。结果 在不同的裙房进深下,达到危险温度540℃和250℃时,火焰融合高度及火焰高度均随着裙房进深的增加明显下降;随着裙房进深依次增大,温度达到540℃时火焰融合高度下降了1.39%~12.85%;温度达到250℃时火焰高度下降了0.03%~13.99%。结论 增加综合体建筑中裙房进深可以明显降低火焰融合高度,降低火灾危险性。

一种联合空间约束与差异特征聚合的变化检测网络

变化检测旨在观测地物在不同时序中的表达差异。深度学习已成为实现这一任务的主流手段,现有基于深度学习的遥感变化检测方法中,普遍更专注于对图像中的深度特征进行学习,而忽略了不同层级特征之间语义优势及差距,从而导致检测性能不足。为此,本文提出了一种联合空间约束与差异特征聚合的变化检测网络,通过控制特征信息在网络中的流动,消除检测对象底层特征和高层语义信息之间差异性,提高预测结果的质量。首先,利用孪生网络并结合特征金字塔结构生成多尺度差异特征;然后,使用所提出的坐标自注意力机制(CSAM)对低层特征进行空间约束,强化对变化区域边缘结构及精确位置的学习,并结合经典的卷积注意力模块充分捕捉上下文变化信息;最后,使用门控融合机制提取通道关系,控制多尺度特征的融合,以生成边界清晰、内部完整的变化图像。在变化检测数据集CDD和LEVIR-CD上对本文方法进行了试验,与已有变化检测网络模型进行比较,本文方法在不同场景下均表现出最佳的检测效果。

一种基于因子图消元优化的激光雷达视觉惯性融合SLAM方法

针对单一传感器SLAM(Simultaneous Localization And Mapping)技术在复杂环境中存在精度低、可靠性差等问题,提出一种基于因子图消元优化的激光雷达、视觉和IMU(Inertial Measurement Unit)融合SLAM算法(Multi Factor Graph fusion SLAM with IMU as the Dominant system,ID-MFG-SLAM).首先,采用多因子图模型,提出以IMU为主系统,视觉与激光雷达为辅系统,通过引入辅系统观测因子约束IMU偏差,并接收IMU里程计因子实现运动预测与融合的全新结构.之后,为降低融合后的优化成本,加入滑窗机制并设计基于Householder变换的QR分解消元法将因子图转换为贝叶斯网络.最后,引入一种球面线性插值与线性插值之间的自适应插值算法,将激光雷达点云投影到单位球体上实现视觉特征点深度估计.实验结果表明,相比其他经典算法,该方法在复杂大、小场景中绝对轨迹误差分别可达到约0.68 m和0.24 m,具有更高的精度和可靠性.

改进YOLOv4的实验室设备检测算法

针对实验室设备的检测识别问题,提出一种改进YOLOv4算法。针对K-means聚类算法在尺度分布不均匀场景下的局限性,提出一种将数据集标注框按大小划分区间,分别聚类的IK-means++算法;在主干网络中引入通道注意力模块,提出一种阶梯状特征融合网格加强特征融合能力;以计算机实验室为例构建数据集进行训练。实验结果表明,IK-means++算法聚类效果得到有效提升;改进后的YOLOv4算法检测精度更高,模型复杂度更低,速度更快。