融合K值算法与三指标的神经科学领域“睡美人”论文识别及影响因素探析

[目的/意义]从不同学科领域识别出"睡美人"论文并在科学界中广泛传播与使用,能够极大程度实现此类科技成果的科学价值,促进科学领域的发展与进步。[方法/过程]综合运用K值算法、三指标法和文献被引延迟指数,从神经科学领域1990-2010年发表的905 418篇论文中识别出"睡美人"论文,并对"睡美人"论文的期刊分布、论文篇幅、作者数量和睡眠特征等影响因素进行计量分析。[结果/结论]实证结果显示:(1)融合K值算法与三指标法能够从神经科学领域90余万篇论文中识别出26篇"睡美人"论文,识别准确率较高;(2)文献被引延迟指数方法识别出的"睡美人"论文数量较多,达到65篇,识别准确率略低,然而该方法的计算效率较高;(3)两类方法识别出的26篇共同"睡美人"论文的睡眠深度范围为0.11~1.63次,睡眠时长相对较短,平均时长为9.88年。此外,除总被引频次外,神经科学领域"睡美人"论文形成的影响因素与期刊影响因子、论文作者数量和篇幅等特征均不显著相关。

基于K值算法的在线谣言抑制分析

社交平台上由于有沉淀大量用户数据,从而可以用于人格预测以及谣言抑制的相关内容,虽然其属于社会计算领域。但在未来的社会发展过程中,谣言抑制算法在进行更多次迭代之后会能有更好的发展,同时也更有利于业务应用。在未来,单一的谣言事后补救措施会逐渐过渡到事前预防以及关键话题人的引导上来,算法与业务的不断结合,必将大大提高谣言控制的效率。从另一个角度来说,用户的相关记录也将沉淀为历史数据,用于用户分析,同时为用户人格预测打下良好基础。两者相结合,将会有效遏制谣言传播,在未来将会有更好的发展前景。

基于K值算法的图书情报领域“睡美人”文献识别

[目的 /意义]鉴于国内对"睡美人"文献研究的不足,介绍一种新的识别"睡美人"文献的方法——K值算法,并利用该算法识别图书情报学(Information Science&Library Science,ISLS)领域的"睡美人"文献。研究对发现ISLS领域科技成果的发明人和倡导者、保护并促进重大科学发现的推广应用等均具有重要意义。[方法/过程]以Web of Science数据库中1988-2007年ISLS领域的3460篇文献为例,构成识别"睡美人"文献的数据集,利用K值算法识别其中的"睡美人"文献,总结ISLS领域"睡美人"文献的特征,并分析其唤醒机制。[结果/结论]结果表明,K值算法能够较好地识别ISLS领域的"睡美人"文献,用该算法从ISLS领域文献中共识别出6篇"睡美人"文献,这些文献的沉睡时长从7-14年不等,其研究内容主要是新方法、新系统在医学上的应用。唤醒上述"睡美人"文献的动因包括:理论和技术的后续发展、系统的商业化、作者后来赢得的声誉、知名学者的引用等。

一种ALMAE-SWSupAE裂纹声发射信号识别算法研究

针对裂纹声发射信号的识别问题,基于大边缘自编码器(LMAE)和堆叠融合监督自编码器(SFSupAE)设计了自适应大边缘堆叠权重监督自编码(ALMAE-SWSupAE)算法。针对LMAE中的固定k值问题,引入自适应k值算法,修改h(s)运算方法解决数据溢出问题;在SFSupAE中引入子分类器的性能权重优化分配策略,并设计新的权重函数;使用铝合金试件进行拉伸裂纹实验,识别采集到的声发射信号。研究结果表明:所提出的ALMAE-SWSupAE算法法识别准确率达到98.89%,相较于SSAE、SDAE、CAE、StAE和SAE方法性能具有明显提升,并在消融实验中证明了其改进有效性。

一种改进的K值最近邻自动分类方法

K值最近邻法是常用的一种自动分类算法。当待分类文本与样本集中多个决策样本的距离相等的时候,固定的K值取法不能充分利用样本集,给分类结果带来一定的随机性,影响了自动分类的准确性。本文通过对K值最近邻算法的原理进行深入分析,提出了一种K值动态选取的方案,使得K值最近邻算法的分类准确性有了显著的提高。

基于“睡美人”文献识别的高校学术论文价值挖掘方法研究——以东北大学为例

[目的/意义]研究“睡美人”文献的识别方法,对尽早发现重要科技成就及其发明人、加快科技成果转化以及完善学术评价方法等均具有重要意义。[方法/过程]针对高校学术论文成果评价这一特定场景,提出“先客观指标粗筛、后多维参数细选”的研究思路,组合使用K值算法和三指标法,对东北大学发表于Web of Science核心合集的论文样本集进行了“睡美人”文献挖掘的实证研究。[结果/结论]该方法共识别出12篇“睡美人”文献,并对其被引特征、期刊特征、睡眠特征、内容特征等因素进行了分析。实获数据处理结果表明了该方法的有效性,相关研究方法和结果可对东北大学学术论文评价提供重要参考。

一种视频图像的去雾算法

针对去雾方法存在运算复杂度高、图像边沿细节模糊等缺点,提出一种基于K值邻域均值滤波的去雾算法。利用K值邻域均值滤波算法对大气透射图进行估计,通过大气散射物理模型进行去雾处理,最后通过乘法运算实现图像的亮度调整。实验结果表明,K值邻域均值滤波算法具有更快的处理速度,满足视频图像去雾处理系统的实时性要求,且解决了图像去雾后边沿模糊的问题,去雾效果更好。

移不变字典学习算法提取冲击成分及其在齿轮箱轴承早期故障诊断中的应用（英文）

由轴承故障所产生的故障冲击成分是对齿轮箱轴承故障评估的关键特征。但是由于严重的背景噪声与其它振动的干扰,从测量的振动信号中提取这些故障尤其是早期故障的冲击成分是十分困难的。为了捕捉到这些隐藏在测量的振动信号中的冲击成分的高阶特征,应用一种被称作移不变K均值奇异值分解字典学习算法(SI-K-SVD)对齿轮箱轴承进行早期故障检测。尽管移不变K均值奇异值分解字典学习算法比现有的大部分算法更具有灵活性与自适应性,但与该算法密切相关的两种参数(迭代次数与模式的长度)的不合理选取,会对故障诊断的效果产生负面影响。因此,该算法引入包络谱的稀疏度与峭度值并分别用于选取上述两种参数。基于这两种参数优化选取的移不变K均值奇异值分解字典学习算法,被称为最优参数移不变奇异值分解字典学习算法(OP-SI-K-SVD),本文采用该算法用于齿轮箱轴承的故障检测。通过对仿真与台架试验的数据的分析,验证了该算法的有效性。同时通过与现有的几种先进算法(经验模态分解、小波变换和K均值奇异值分解)的对比,最优参数移不变奇异值分解字典学习算法在齿轮箱轴承的早期故障诊断中展现出了优异的性能。

基于深度学习的无人机航拍绝缘子异常检测

针对电力巡线无人机检测绝缘子缺陷,具有缺陷绝缘子样本数据不均衡、采集难度大等问题,提出一种基于YOLOV5(you only look once V5)算法的绝缘子异常检测模型。首先借助YOLOV5目标检测算法定位绝缘子位置,再把绝缘子图像输入到残差网络提取多层金字塔特征,然后通过K邻近值算法判断特征层像素是否为离群点,由此可判断绝缘子是否存在缺陷。所提方法无须负样本绝缘子图像,仅通过正样本即可训练网络;与常用方法相比,所提算法的准确率和召回率均为最高,表明所提方法泛化性和稳定性较好。

基于字典学习的雷达高分辨距离像目标识别

提出一种基于字典学习的雷达高分辨距离像(HRRP)目标识别算法。该算法依据对测试样本的信噪比估计,可以自适应地确定测试阶段稀疏分解的稀疏度系数。相比于传统识别算法,文中算法对目标的识别性能更好,且对噪声的鲁棒性更强。另外,文中算法可以在只训练部分角域数据(不完备训练集)的条件下较好地识别全角域数据,可应用于HRRP数据库的扩展。基于实测数据的识别试验验证了该算法的有效性。

基于LTE-R信号强度特征的列车位置指纹定位技术研究

高速铁路隧道环境中采用LTE-R(long term evolution-railway)无线通信位置指纹定位解算时,针对加权K值邻近位置指纹解算精度低的问题,利用混沌粒子群算法优化权值的良好性能,提出基于混沌粒子群优化的加权K值邻近算法对列车位置指纹定位在线阶段进行指纹匹配解算,分别讨论了指纹间距取25 m、50 m、100 m时混沌粒子群优化加权K值邻近算法的收敛性和精确性.仿真结果表明:经混沌粒子群优化的加权K值邻近算法收敛速度更快,定位解算结果精度更高;在提高列车位置指纹定位精度方面,比单纯的加权K值邻近算法以及经粒子群优化的加权K值邻近算法更具优越性,当指纹间距取25 m时,列车定位误差小于25 m的概率高达96%,使隧道环境中列车位置指纹定位精度得到有效改善.

基于AS7263多通道光谱模块对草坪地物的分类与识别

本论述利用多通道光谱模块AS7263,收集与草坪相关地物的漫反射光谱数据,经归一化处理,通过对训练数据进行主成分分析和聚类分析,将数据分为四类,然后利用KNN算法对测试数据进行识别与分类。其中对植物、土壤、红地砖和混凝土类的数据识别正确率分别为95.12%、87.05%、76.92%和90.67%。结果表明:多通道漫反射光谱结合KNN算法,对植物和地物的识别区分是可行的。