双瞬切能谱扫描模式下不同权重迭代算法对腹部能谱参数的影响

目的双瞬切能谱扫描模式下的不同权重迭代算法对腹部能谱图像单能量、有效原子序数、基物质对等参数的影响。方法前瞻性收集20例行腹部CT扫描的患者,采用电流和电压同时双瞬切新型能谱扫描模式。对静脉期图像应用能谱分析软件GSI Viewer在同一层面肝脏等地方勾画感兴趣区,获取每个ROI中有效原子序数、基物质对图像及74 keV单能量图像的CT值和噪声,计算信噪比。采用单因素方差分析比较不同权重ASiR-V重建的有效原子序数、基物质对图像及74 keV单能量图像SD、SNR组间比较差异。结果20例患者随着ASiR-V权重增加,有效原子序数、基物质对值及74 keV单能量图像CT值比较差异无统计学意义(P>0.05),图像的SD值逐渐减小,质量改善。不同权重的ASiR-V对有效原子序数、基物质对值及74 keV单能量有类似的影响。结论基于新的双瞬切能谱扫描模式下的不同权重迭代算法,与74 keV单能量一样,能够优化有效原子序数的图像质量。

基于权重迭代的偏好多目标分解算法解决参考点对算法影响的研究

在传统偏好多目标进化算法中,参考点是表达决策者的偏好信息最常用的方式,但是参考点所处位置信息有时严重影响算法的性能.针对以上问题,本文提出了一种基于权重迭代的偏好多目标分解算法(MOEA/DPRE),主要利用权重迭代方法获取一组均匀的权重向量,并对偏好区域进行映射,使得算法在进化过程中,不用考虑参考点所处位置信息对算法性能的影响,另外提出了一种稳定可控的偏好区域模型,能响应决策者设置任意大小的偏好区域.通过对比实验表明该算法具有较好的收敛性和分布性,同时给出了满足决策者不同要求的算法模型,并且能够很好的解决参考点的位置信息对算法的影响.

大规模MIMO系统中基于权重二对角迭代的低复杂度预编码

大规模MIMO系统中由于系统下行链路的迫零(zero forcing,ZF)预编码中存在大矩阵求逆运算,随着用户数与天线数的增加,其复杂度随之增加。为了降低复杂度,提出了一种基于雅克比(Jacobi)迭代算法的改进预编码算法,用下二对角矩阵作为迭代矩阵,并且将迭代结果与上一步迭代结果进行权重相加来加速迭代。根据大规模MIMO系统信道矩阵的对角占优特性,将矩阵求逆的诺依曼近似的第一项作为迭代的初始值进一步加速迭代。相比于传统迫零预编码方案,提出的方案可以降低一个量级的算法复杂度,并且保证了预编码方案的性能。

不同全模型Asir-v后迭代权重算法对肺动脉CTA图像质量的影响

目的:探讨不同水平基于多模型的迭代重建算法(adaptive statistical iterative reconstruction,Asir-v)不同权重及不同层厚重建在肺动脉CTA(CTPA)中对图像质量的影响。方法:回顾性收集疑为肺动脉栓塞及其他肺动脉疾病在GE Revolution 256 CT机行CTPA检查的51例患者,对肺动脉干、左右肺动脉按照相同层厚(0.625mm)、不同ASir-v权重(30%、50%、70%)进行数据重建,测量其CT值,肺动脉层面胸壁脂肪CT值,竖脊肌CT值,并计算信噪比(SNR)及对比信噪比(CNR)。结果:GE Revolution 256 CT全模型Asir-v后迭代30%,50%,70%权重重建,50%权重重建肺动脉图像的SNR及CNR优于30%、70%,组间有统计学差异(P<0.05),30%、70%间无统计学差异(P>0.05)。50%Asir-v权重迭代重建,不同层厚重建图像SNR及对CNR无统计学差异(P>0.05)。相同Asir-v权重迭代、相同层厚重建下(50%ASir-v、0.625mm),左肺动脉与段及以下肺动脉在图像SNR及CNR有统计学差异,(P<0.05)。结论:50%权重Asir-v后迭代重建图像SNR及CNR优于30%、70%;不同层厚重建对图像噪声比及对比噪声比无影响;相同迭代及层厚条件下,左肺动脉图像SNR及CNR优于肺段及以下肺动脉。

基于DWT-IRLS的压缩感知图像融合

基于压缩感知的图像融合属于像素级层次的图像融合。传统的DWT压缩感知图像融合研究对象是整个稀疏系数,但小波系数中低频系数并非稀疏,因此影响融合质量。针对此,提出一种基于DWT-IRLS的压缩感知图像融合。首先对图像进行DWT转换,针对高频系数采样测量;然后对高频系数和低频系数进行融合,并且引入迭代权重最小二乘法(IRLS)算法,重构高频系数;最后经DWT逆转换,得到融合图像。实验证明:通过4个客观评价指标和主观评价对比,2组实验融合效果均得到提高。此方法在一定程度上可提高图像融合效果,具有一定的实用价值。

基于BP神经网络的数字识别探究

论述使用BP神经网络模型来实现数字识别的过程,通过梯度下降法来调整各神经网络层之间的权重值与偏置值。介绍了人工神经网络、神经元模型、激活函数等相关基本概念,并详细叙述了BP算法的实现原理,以Python语言展示训练效果,大量数据作为训练集和测试集,以此来测试该模型所识别数字的精确度。实验结果表明,所设置BP神经网络的数字识别模型平均识别率约为92%,可认为其具有实际应用价值,同时论证了该技术在实际操作中的可行性。

A WEIGHTED ITERATIVE METHOD FOR ROBUST SELF-CALIBRATION

A robust self-calibration method is presented, which can efficiently discard the outliers based on a Weighted Iteration Method (WIM). The method is an iterative process in which the projective reconstruction is obtained based on the weights of all the points, whereas the weights are defined in inverse proportion to the re- ciprocal of the re-projective errors. The weights of outliers trend to zero after several iterations, and the accu- rate projective reconstruction is determined. The location of the absolute conic and the camera intrinsic pa- rameters are obtained after the projective reconstruction. The theory and experiments with both simulate and real data demonstrate that the proposed method is very efficient and robust.

基于改进K-means聚类算法在电力客户价值分群的应用

针对电力客户特点实行不同的营销策略和提供差异化服务,就需要对电力客户做出准确的分群。传统K-means聚类算法对数据分布均匀的类似球形的数据集聚类效果比较好,一旦数据集分布密度不均衡,类簇大小差异明显时,传统K-means算法容易使稀疏的大类簇被高密度小类簇瓜分,导致电力客户分群正确率下降。论文基于电力客户数据分布不均衡的特点,采用了一种改进的K-means聚类算法。改进的K-means算法提出一个新的加权聚类准则,并根据该准则修改了聚类迭代过程。文章最后在对电力客户数据的分群聚类结果表明,改进的K-means聚类算法的分群聚类效果中各个群类的紧凑性得到有效提高,误分情况明显改善。