基于改进精细复合多尺度归一化散布熵的生物组织变性识别

在高强度聚焦超声(HIFU)治疗过程中,生物组织变性识别是不可或缺的关键部分。多尺度散布熵(MDE)作为一种非线性方法,被广泛应用于生物组织变性识别。然而MDE在粗粒化过程中时容易出现信息丢失和稳定性较差的问题,难以全面提取组织变性特征。为了解决上述问题,提出了基于改进精细复合多尺度归一化散布熵(IRCMNDE)的生物组织变性识别方法。引入RCMDE,将其传统粗粒化过程中的平均值计算替换为最大值计算以解决MDE传统粗粒化过程中的问题,突出信号变性特征。通过对熵值的归一化处理减弱不同参数选择导致的熵值波动,形成IRCMNDE方法。将所提方法应用于实测HIFU回波信号数据,并采用概率神经网络(PNN)进行识别。研究结果表明:相较于MPE、MDE和RCMDE方法,基于IRCMNDE的生物组织变性识别率更高,高达96.77%,能更好地区分未变性与变性生物组织。

核磁共振代谢组学数据的尺度归一化新方法

提出了一种新的尺度归一化方法,该方法不强调各变量在尺度上的归一,而是在原始数据的基础上,通过提高稳定性高且在不同类别样本中具有显著差异性的变量的权重,以增强与特征代谢物相关的信息.分别采用模拟数据和真实代谢组学数据对新归一化方法的性能进行评估,并与单位方差法(Unit variance)、变量稳定性(Variable stability)和尺度缩放法(Level scaling)等常用的尺度归一化方法进行了比较.研究结果表明,新归一化方法能够提高多变量统计模型的预测能力,较好地保留了核磁共振谱的分子信息,有助于特征代谢物的识别,并使后续的数据分析结果具有更好的可解释性.

基于反对称双正交小波变换的多尺度归一化分割方法

针对工业检测现场拍摄的微电子元件图像产生的模糊和噪声叠加现象,提出基于反对称双正交小波变换的多尺度归一化分割方法.首先通过反对称双正交小波的多尺度边缘检测方法对待处理图像进行平滑、去噪及轮廓提取;然后利用重构后的边缘轮廓、强度值和图像的约束矩阵求得权重矩阵;最后利用谱分割技术得出图像的特征向量,并离散化后得到最终的分割结果。对工业显微镜采集的电路板零件和部分故障图像以及PASCAL VOC2012分割数据集中的图像进行测试,并与归一化割方法、多尺度归一化割方法、最小割/最大流方法和基于约束参数的最小化割方法在精确率、查全率、F-测量、平均绝对误差和运行时间上进行了对比,结果表明,该算法的分割质量更理想.

基于尺度与对比度不变的图像边缘检测算法

为了克服当前边缘检测器中难以准确估计边缘的对比度和宽度,且易受到噪声影响,导致其边缘提取精度降低的问题,设计了一种尺度与对比不变的边缘检测算法。首先,借助Gaussian分布函数来描述目标边缘,求解闭合形式的位置、宽度、对比度、偏移和方向等参数,并且将噪声滤除为低对比度特征。其次,定义了一种尺度归一化方法,确保所有像素点在尺度空间中都能获得稳定的极值。然后,通过梯度幅度信息,基于Laplacian计算方法,构建尺度与对比度不变的边缘检测器,消除对比度参数的影响,准确获取图像的边缘。测试数据显示,较已有的边缘检测方法而言,所提方法呈现更优的提取效果,得到的边缘更加清晰与完整。

RCMNAAPE在旋转机械故障诊断中的应用

针对精细复合多尺度排列熵(RCMPE)无法充分提取旋转机械振动信号中的故障信息,从而导致旋转机械故障识别准确率不稳定这一缺陷,提出了一种基于精细复合多尺度归一化幅值感知排列熵(RCMNAAPE)、拉普拉斯分数(LS)和灰狼算法优化支持向量机(GWO-SVM)的旋转机械故障诊断方法。首先,利用幅值感知排列熵替换了RCMPE中的排列熵,提出了RCMNAAPE,并将其用于提取旋转机械振动信号的故障特征生成特征样本;随后,采用了LS从原始的高维故障特征向量中筛选出较少的能够更准确描述故障状态的特征,构造敏感特征样本;最后,将低维的故障特征向量输入由灰狼算法优化的支持向量机中进行了训练和测试,完成了旋转机械样本的故障识别和分类,利用滚动轴承和齿轮箱故障数据集将RCMNAAPE-LS-GWO-SVM与其他故障诊断方法进行了对比分析,并开展了评估。研究结果表明:基于RCMNAAPE-LS-GWO-SVM的故障诊断方法能够有效识别旋转机械的各类故障,其识别准确率高于其他对比的故障诊断方法,其中滚动轴承故障的识别准确率达到99.33%,齿轮箱故障的识别准确率达到98.67%。虽然,该方法的特征提取效率不佳,平均特征提取时间分别为153.02 s和163.98 s,仅优于精细复合多尺度模糊熵(RCMFE),但其综合性能更加优异。

土地利用监测适宜尺度选择方法研究——以塔里木河流域为例

适宜尺度选择是生态学、地理学等学科的重要问题之一。在不同的研究目的下,尺度选择的方法和标准也随之变化。以塔里木河流域20世纪50年代土地利用数据为例,将面积作为尺度选择的参数,统计斑块面积分布直方图,然后计算9种比例尺(1:2000000,1:1000000,1:500000,1:250000,1:100000,1:50000,1:25000,1:10000和1:5000)下的归一化尺度方差,最后结合Shannon-Weaver景观多样性指数、Simpson多样性指数和分维数补充归一化尺度方差的结果,探讨塔里木河流域土地利用的空间分布特征和尺度规律。结果如下:①归一化尺度方差值显示塔里木河干流50年代土地利用监测适宜尺度为1:50000比例尺(约20km×20km网格大小),除沙地适宜尺度在1:100000比例尺外,有林地、灌木林地和盐碱地的适宜比例尺均在1:50000比例尺上;②Shannon-Weaver多样性指数、Simpson多样性指数和分维数结果表明盐碱地的多样性指数的适宜尺度与归一化尺度方差结果相同,沙地的多样性指数与归一化尺度方差的适宜尺度域相同,有林地和灌木林地多样性指数最优尺度在1:10000比例尺与归一化尺度方差结果不同;③沙地和盐碱地的分维数在1:10000比例尺处有明显的上升,沙地达到最大值1.35,而在其他尺度分维数值接近,有林地和灌木林地则在各个尺度分维数值接近,且值不超过1.2。

塔里木河干流土地利用监测尺度分析

以塔里木河流域为研究靶区,选取20世纪50年代1:100000地形图52幅和2000年TM影像10景,解译得1:100000精度的土地利用数据,分别用1:2000000,1:1000000,1:500000,1:250000,1:100000,1:50000,1:25000,1:10000和1:5000比例尺的网格切割,运用面积频率统计和归一化尺度方差探讨20世纪50年代和2000年塔里木河干流土地利用总体和4个主要类别的最佳尺度,并分析各地类对尺度变化的敏感度。结果显示:塔里木河干流斑块面积相差悬殊,小到0.0001km2,大至19121km2;面积频率统计符合正态分布;归一化尺度方差显示50年代和2000年塔里木河干流适宜尺度都是1:50000比例尺,有林地、灌木林地、盐碱地的最佳尺度也在1:50000比例尺上,而沙地的适宜尺度在1:100000比例尺上;对尺度变化敏感度由高到低依次是灌木林地、有林地、盐碱地和沙地,2000年的敏感度高于50年代。

改进卷积神经网络模型设计方法

针对现有卷积神经网络模型参数量大、训练耗费时间的问题,提出一种网络串联和并联共用的方法,使用较小的卷积核和较多的非线性激活减少参数量的同时增加网络特征学习能力,提出尺度归一化池化层取代全连接层,避免全连接层参数过多容易导致过拟合的问题,改进后的模型支持训练任意尺寸的图片。实验结果表明,提出方法减少了大量的参数和训练消耗的时间,有效提升了算法的效率。

有效保留血液容积图(PPG)波形信息的新方法

目的减少血液容积图脉冲信号提纯处理的信息损失。方法提出了一种新的血液容积图(PPG)脉冲波形提纯技术———截尾/外推技术,其核心是以信号中无关紧要部分的失真为代价,换取信号中最重要部分的波形形状模式不受改变。与通常使用的时间尺度归一化技术相比,所提出的技术保证了信号能量的相干积累。结果实验数据的分析和比较证实了此技术在较大的心率变化范围内能够保持PPG脉冲波形的主要时域特征不受影响,尤其是PPG信号一阶导数(dPPG)的主峰形状和宽度以及二重脉搏凹坑的位置信息。结论该方法减少了PPG脉冲信号提纯时的信息损失,为下一步应用高级信号处理手段如波形建模和模式识别等打下了基础。

基于多特征协同的交通标志检测

针对交通场景图像中交通标志因颜色失真、形状失真和尺度变化导致漏检严重的问题,提出一种颜色特征、形状特征和尺度特征的多特征协同方法。从交通场景图像计算颜色增强图,利用多阈值分割方法和闭合轮廓曲率直方图链码表达,并对提取的形状轮廓的曲率直方图进行尺度归一化处理,融合颜色特征和归一化后的形状特征构成区域的特征向量,采用支持向量机分类获得检测结果。实验结果表明,该算法在较低时间复杂度下,能有效提高交通标志检测精度。

一种多场耦合数据传递新方法

针对当前数据传递应用中径向基函数存在的问题,提出一种基于几何尺度进行归一化的高超声速飞行器多场耦合数据传递新方法,并采用高超声速翼面和翼身组合体外形算例测试了该方法对径向基函数数据传递精度、效率以及通量守恒性带来的影响。研究结果表明该方法能够很好地提升TPS、MQ和紧支C2三种常用基函数的插值精度和通量守恒性,尤以紧支C2基函数提升效果最明显,使其能够用极少的点即达到TPS和MQ全域基函数的效果,实现了数据传递时效率、精度及通量守恒性的兼顾,在多场耦合数值模拟中具备较好的应用前景。

基于CBP-TOP特征的人脸表情识别

针对人脸表情时空域特征信息的有效提取,提出了一种CBP-TOP(centralized binary patterns from threeorthogonal panels)特征和SVM分类器相结合的人脸表情识别新方法。该方法首先将原始图像序列进行图像预处理,包括人脸检测、图像截取和图像尺度归一化,然后用CBP-TOP算子对图像序列进行分块提取特征,最后采用SVM分类器进行表情识别。实验结果表明,该方法能更有效地提取图像序列的运动特征和动态纹理信息,提高了表情识别的准确率。与VLBP(volume local binary pattern)特征相比,CBP-TOP特征在表情识别中具有更高的识别率和更快的识别速度。