基于局部信息熵的计算机网络高维数据离群点检测系统

通过离群点检测可以及时发现计算机网络中的异常,从而为风险预警和控制提供重要线索。为此,设计一种基于局部信息熵的计算机网络高维数据离群点检测系统。在高维数据采集模块中,利用Wireshark工具采集计算机网络原始高维数据包;并在高维数据存储模块中建立MySQL数据库、Zooleeper数据库与Redis数据库,用于存储采集的高维数据包。在高维数据离群点检测模块中,通过微聚类划分算法划分存储的高维数据包,得到数个微聚类;然后计算各微聚类的局部信息熵,确定各微聚类内是否存在离群点;再依据偏离度挖掘微聚类内的离群点;最后,利用高维数据可视化模块呈现离群点检测结果。实验证明:所设计系统不仅可以有效采集计算机网络高维数据并划分计算机网络高维数据,还能够有效检测高维数据离群点,且离群点检测效率较快。

融合全局和局部信息的铁谱图像自动对焦算法

针对铁谱图像获取时人工对焦误差大、速度慢等问题,提出了一种融合全局信息和局部信息的铁谱图像自动对焦方法。此方法分为两个阶段:全局对焦阶段利用卷积神经网络(Convolutional Neural Networks,CNN)提取整幅图像的特征向量,并利用门控循环单元(Gate Recurrent Unit,GRU)融合对焦过程提取的特征,预测当前全局离焦距离,起到粗对焦的作用;局部对焦阶段提取磨粒的特征向量,利用GRU融合当前特征与前一轮对焦提取的特征,并依据最厚磨粒信息,预测当前磨粒离焦距离,起到精对焦的作用。同时,为了提高对焦准确率,提出了结合拉普拉斯梯度的对焦方向判定法。实验结果表明,此算法在测试集上的对焦误差为2.51μm,当景深为2.0μm时对焦准确率为80.1%,平均对焦时间为0.771 s。本文提出的自动对焦方法具有较好的性能,为铁谱图像自动准确采集提供了技术支持。

基于局部信息融合的点云3D目标检测算法

针对当前基于点云的三维目标检测算法缺乏目标准确的空间位置信息,提出局部信息编码模块和后期交叉融合模块的三维目标检测算法.在特征提取阶段,模型通过三维稀疏卷积高效地编码全局特征.局部信息编码模块利用目标内部的原始点云信息,构建目标的细粒度语义信息,通过自注意力机制对这些信息进行重新加权,增强局部特征的表达能力.提出交叉融合模块,用于局部特征与全局特征的信息交互,产生表达能力更强的目标检测特征.使用KITTI和Waymo公开数据集,验证所提出的方法.在KITTI数据集的简单、中等和困难任务上,本文方法的平均准确率AP0.7分别达到了91.60%、82.53%和77.83%,在Waymo数据集上的平均准确率AP0.7达到74.92%.

基于局部信息熵的智能电网数据离群点识别

识别智能电网数据离群点能够准确地确定智能电网数据对象,但是目前提出的识别方法识别精准度较差,识别效率较低。为此,基于局部信息熵研究了一种新的智能电网数据离群点识别方法,通过方差定义选取优选空间,确定优选空间集阈值进行数据加权处理,计算优选空间信息熵;通过无量化处理判断临界点数值,得到子空间最优范围。检索与分析离群状态变化情况,计算离群因子,根据概率值增强算法对冗余数据的甄别能力,删除离群点冗余数据,将平均值计入值域,实现智能电网数据离群点识别。实验结果表明,所研究方法精准度最终能够达到95%,识别效率在90%以上。

基于非局部信息的双重加权协同稀疏解混方法

针对传统基于协同稀疏的半监督解混方法中存在的丰度结果过度平滑、高光谱空间上下文信息利用不足、丰度矩阵稀疏程度较低等问题,提出一种基于非局部高阶空间信息的双重加权协同稀疏解混方法。所提出的方法以协同稀疏解混模型为基础,一方面通过结合自适应权重因子以提高估计结果的稀疏性,另一方面通过挖掘高光谱数据较为丰富的非局部空间信息,形成空间权重矩阵以提高对高光谱图像空间信息的利用率,同时对行稀疏约束带来的过度平滑问题加以限制。算法选择结合交替方向乘子法对模型进行迭代求解,求解过程中采用了内外双循环结构以便于优化算法结果。在模拟和真实高光谱数据集上的实验结果表明了所提出方法的有效性。

局部信息和全局信息相结合的点云处理网络

针对当前主流点云处理网络仅依靠局部邻域进行特征聚合导致特征提取能力不足,以及使用最大值池化造成信息损失的问题,提出了一种基于注意力的局部信息和全局信息相结合的点云处理网络。首先提出了基于通道自注意力进行局部特征聚合的方法,减少了信息的损失;然后为捕获点的远程依赖信息,设计了一种动态学习关键点的方法获取全局信息;最后构建了一种基于空间注意力的特征融合模块,使每个点均能学习全局上下文信息。在几个常用点云数据集上对方法进行了实验验证,在ModelNet40分类任务上实现了94.0%的总体分类精度、91.7%的平均分类精度;在ScanObjectNN分类任务上实现了81.5%的总体分类精度、78.1%的平均分类精度;在ShapeNet分割任务上实现了86.5%的平均交并比。表明提出的点云处理网络在分类、分割等任务中的精度均较PointNet、PointNet++、DGCNN等经典网络有显著提升,较其他点云处理网络也有不同程度的提高。

一种局部信息增强与对话结构感知的多轮对话模型

多轮对话是人工智能领域的一个重要分支.如何从多轮对话上下文中正确提取与问题相关的核心内容是多轮对话任务的关键问题.现有模型存在辅助任务低效,对全局与局部信息的筛选不够充分,对较短的多轮对话数据学习能力不足等问题.针对上述问题,本文提出了一种局部信息增强且能够感知对话结构的多轮对话模型(Structure-aware Dialogue Model with Fine-grained Local Information,SAFL).针对子任务训练代价大的问题,提出了随机滑动窗口回复预测任务,在多轮对话上下文中的不同位置与大小的窗口内进行回复预测,充分学习细粒度的局部对话语义.针对信息筛选不够充分的问题,提出了重点局部信息蒸馏机制,借助多门控融合方法从全局和局部信息之中蒸馏出重点信息,提升模型融合效果.针对模型对较短的多轮对话上下文学习能力不足的问题,提出阶段信息学习机制,在微调前加强预训练语言模型对短多轮对话数据的领域学习,降低微调阶段中对短多轮对话的学习难度.此外,SAFL设计了对话结构感知任务在对话结构方面进一步加强模型对对话上下文的理解能力.Ubuntu和E-commerce数据集上的实验结果表明,SAFL模型的总体性能优于对比模型.

基于非局部信息的大气偏振模式生成方法

大气偏振模式作为一种稳定的自然属性,因其包含具有方向信息的∞字形特征和子午线特征,在导航、探测等领域具有广泛地应用。针对实际天气条件下,大气偏振信息获取方式受限于动态云层的干扰,导致大气偏振模式的分布规律遭到破坏和部分信息缺失的问题,提出一种基于非局部信息的大气偏振模式生成方法,并设计了一种非局部信息修复模块进行两个阶段的修复,第一阶段通过挖掘不同区域的大气偏振模式空间分布的关联性和全局性,实现对缺失区域空间维度上偏振信息的修复;第二阶段利用大气偏振信息在不同时刻的特征映射关系和分布连续性,实现对云层干扰区域时间维度上特征信息的修复。在Temporal Polarization 1072偏振数据集上的实验结果定性和定量的表明,该方法能够有效地去除大气偏振模式中的云层干扰噪声,修复缺失区域的偏振信息,同时生成的结果具有更高的结构一致性和语义一致性。

Robust-InTemp:基于对抗扰动和局部信息增强的进阀温度预测

预测进阀温度的变化趋势对阀冷系统的运行状态有重要参考价值.针对传统方法存在数据收集时间跨度大和传感器存在误差等问题,本文提出了一种基于对抗扰动和局部信息增强的进阀温度预测模型Robust-InTemp.具体来说,Robust-InTemp通过对原始数据添加基于规则的高斯噪声,并使用基于梯度的对抗训练方法(projected gradient descent,PGD),增强了模型的泛化能力和抵抗噪声干扰的鲁棒性.同时,引入相对位置编码、一维卷积以及门控线性单元(gated linear unit,GLU),以增强模型对局部特征的学习能力,从而提高预测准确性.实验结果表明,与多种基准模型相比,Robust-InTemp在预测性能和抗干扰能力方面均有明显优势,进一步的消融实验也验证了模型中各个组件的有效性.

基于局部信息的手写汉字笔画提取

现有计算机在指导手写汉字练习与测试中,指导依据大都基于全局特征,缺少基于更细粒度特征。提出一种基于局部信息的手写汉字笔画提取方法,为手写汉字评价与指导等任务提供数据支持。首先提取出汉字骨架并对骨架中的毛刺与断裂等问题进行优化;然后使用PBOD算法提取汉字交叉区域后,对交叉区域进行合并删除,消除笔画形变,通过局部信息计算笔画段的组合系数,根据组合系数提取笔画;最后根据获取到的笔画数与算法迭代次数,动态调整组合系数阈值,保证在正确连接笔画段的前提下提取到更可能多的笔画。将该方法在手写汉字数据集上进行实验,其准确率、召回率与F1值分别达到了95.91%、95.71%与95.81%,可用于后续的手写汉字评判与指导等任务。

融合ELECTRA和文本局部信息的中文语法错误检测方法

语法错误检测是自然语言处理领域的一项基本任务,其目标是自动识别文本中存在的错别字、语法及语序错误等。与其他语言相比,中文语法灵活多变且缺乏时态、语态等标志性信息,因此,文本的局部信息对于中文语法错误检测具有重要作用。传统的机器学习方法难以检测文本中存在的语法错误,而现有深度学习方法在纠错过程中不能充分利用文本的局部信息,导致语法错误检测效果不佳。建立一种融合ELECTRA和文本局部信息的中文语法错误检测模型ELECTRA-GCNN-CRF。将语法错误检测视为序列标注任务,使用ELECTRA预训练语言模型对文本进行表征。采用卷积神经网络提取文本的局部位置和语义信息,并引入残差门控机制,降低无效信息带来的影响。通过CRF模型学习标签间的内在关联关系,输出符合标注规则的语法错误标签序列。在NLPTEA中文语法错误检测数据集上的实验结果表明,ELECTRA-GCNN-CRF在检测层、识别层和定位层上的F1值较对比基线模型分别平均提高了0.94、3.74和5.03个百分点,该模型能够有效提升语法错误检测效果。

可靠性模糊局部信息C均值聚类算法的苗族服饰图像分割

传统的模糊C均值(FCM)算法容易受到噪声的影响,难以对具有褶皱、污渍和色彩差异大的苗族服饰图像进行有效的分割。本文提出可靠性模糊局部信息C均值聚类算法,在FCM的目标函数中增加一个模糊因子来度量局部的相似性,充分结合空间信息与灰度信息,提高对噪声的鲁棒性。此外,引入一个模糊不确定性聚类模型,对像素进行可靠性分析,进一步降低噪声点和边缘点的影响。利用含噪的苗族服饰图像进行实验,实验结果表明本文所提算法对含噪的苗族服饰图像分割效果好,对于褶皱、污渍及色彩差异大的苗族服饰图像,本文所提算法都获得最高的划分系数和最低的划分熵,分割质量均优于对比算法。

结合边缘局部信息的FCM抗噪图像分割算法

针对传统FCM图像分割算法没有充分利用像素点的邻域关系与局部信息,导致算法对噪声敏感,不能准确地分割出弱边缘区域的问题,提出一种结合图像全局信息与边缘局部信息的分割算法.首先引入局部窗口变异系数和邻域灰度相似性2个概念重新设计模糊因子,使其能够更精确地衡量邻域点对中心点的影响程度,降低噪声对分割的影响;然后在分割结果的边缘上选取局部窗口,将边缘局部信息融入分割过程;最后在选取窗口中再分割,等同于在边缘处增加多个更符合局部信息的聚类中心来纠正被错误分类的像素点.实验结果表明,该算法能够有效地消除噪声对分割的影响,同时保留更多图像细节信息.

结合非局部信息与图割的图像分割算法

基于图割的交互式图像分割方法从图像背景中分离出前景目标,在图像处理和计算机视觉领域引起了广泛的关注.为了进一步提高分割精度,提出一种结合图像非局部信息和图割的交互式图像分割算法.在建模图像非局部信息时为每个像素点设置一个固定大小的搜索窗口,每个像素点只需考虑与搜索窗口内像素之间的关系;计算非局部像素对之间相似性时采用图像片替代像素,通过图像片之间的相似性替代像素之间的相似性,以表征图像的非局部信息;将图像非局部信息引入到图割框架中,在传统能量函数的边界项将图像的局部信息与非局部信息合并,组成结合局部非局部信息的新的能量项;构图时新添加一组边集?非局部边集来表示图像的非局部信息,再通过最大流/最小割算法求解得到最终的分割结果.最后通过实验验证了该算法的有效性和可行性.

局部信息条件下复杂网络的攻击策略

针对目前关于复杂网络的研究多数是建立在整个网络拓扑结构已知的情况下,提出了一种基于局部拓扑结构已知条件下复杂网络的攻击策略。利用复杂网络分析工具,通过仿真,与传统网络拓扑结构已知条件下的攻击策略相比较,得出新型攻击策略的攻击效果基本上与拓扑结构已知的攻击效果相同。该方法将进一步扩大复杂网络的适用范围。

对几个基于线路局部信息的电压稳定指标有效性的质疑(英文)

基于电压方程和功率方程判别式的非负性,已经提出了多个基于线路局部信息的电压稳定指标,并且多年来被广泛引用,但目前并没有对这些指标的理论推导和数值计算的正确性进行严格证明。该文在理论上证明这些指标中的7个只在一定特殊条件下才与PV曲线相一致,而在通常情况下这些指标并不能用以进行电压稳定性的评估。3个测试系统的仿真结果证实了本文理论证明的正确性。

结合非局部信息的脑MR图像分割与偏移场恢复耦合模型

磁共振图像由于成像机制的影响往往导致图像中含有噪声和偏移场,使得传统方法很难得到较好的分割结果.为此,在模糊C均值模型的基础上提出一种分割与偏移场恢复耦合模型.首先构建基于非局部信息的邻域正则项,使得在降低噪声影响的同时能有效地保留图像结构信息;其次在模型求解时引入人工蜂群算法,使得模型能快速逼近凸优解.实验结果表明,该模型对噪声和偏移场均具有较好的鲁棒性,可得到较准确的分割和偏移场矫正结果.

融合全局和局部信息的水平集乳腺MR图像分割

针对乳腺核磁共振成像的灰度不均匀现象,提出一种融合全局和局部信息的水平集图像分割方法(global and local combined C_V,GLCCV)。该方法将图像的局部信息融入基于全局信息的Chan-Vese(C_V)水平集方法;根据局部灰度拟合均值占全局灰度均值的比例,构造自适应平衡指示函数调节全局和局部效应之间的均衡;加入惩罚项以避免重新初始化。对比实验表明,该水平集分割模型能够有效分割多种灰度不均匀场景下的乳腺MR图像,在抗噪和精确性方面优于融合前的分割方法。

基于Transformer局部信息及语法增强架构的中文拼写纠错方法

针对中文拼写纠错,提出两种新的改进方法。其一,在Transformer注意力机制的基础上,添加高斯分布的偏置矩阵,用于提高模型对局部文本的关注程度,加强对错误文本中错误字词和周边文字的信息提取。其二,使用ON_LSTM模型,对错误文本表现出的特殊语法结构特征进行语法信息提取。实验结果表明,所提出的两种方法均能有效提高准确率和召回率,并且,将两种方法融合后的模型取得最高F1值。

基于核与局部信息的多维度模糊聚类图像分割算法

在以聚类分析为背景的图像分割算法中,引入局部信息是为了在保留图像细节的同时尽可能地减少噪声。在模糊C均值算法基础上,提出了一种基于核与局部信息的多维度模糊聚类分析方法来权衡图像中的噪声和细节。该算法引入2个基于局部信息的图像变体,即平滑和锐化处理后的图像,使之与原始图像一起构成多维度的灰度值向量来替换原始单维的灰度值;再利用核方法提高其鲁棒性;最后添加一个邻域隶属度差异惩罚项很好地修正和增强了最终的分割效果。在人工合成图片的去噪实验中,所提方法取得了近99%的分割正确率,优于Nystrom归一化分割(NNcut)和基于模糊局部信息C均值(FLICM)算法;同时在自然图片和医学图片的对比实验以及参数调控实验中,展现出了其在处理图像噪声和细节时灵活、稳定、健壮且易于调控的特点。