基于深度强化学习的数字电网数据安全迁移研究

数字电网数据时序均值在冗余状态下的动态发展特点,导致迁移过程中难以有效控制丢包率。为此,文章提出基于深度强化学习的数字电网数据安全迁移研究。从集群(Cluster)角度入手,开展基于深度强化学习数字电网数据建模,明确在数字电网集群Queue存在空位的情况下集群的具体状态。在具体的迁移过程中,引入纹理基元理论,计算得到数字电网数据在阈值范围内的变化特征后,为数字电网数据迁移设置敏感度参数,构建数字电网数据迁移函数。在此测试结果中,整个迁移过程的丢包率仅为6.75%,具体迁移过程中各个阶段的最高丢包率仅为2.03%。

纹理特征提取方法综述

图像纹理特征提取是图像纹理分类与分割的基础,广泛应用于医学图像、遥感图像等领域。对近期的主流纹理特征提取方法以及融合方法进行了分析与总结,并探讨了纹理特征提取方法未来的研究方向。首先详细介绍了12个主流的公开纹理数据集的特点及其适用场景;接着总结了近几年出现的一些纹理特征提取方法,并根据特征融合方式从多个角度对纹理特征融合方法进行了分类介绍;最后总结了纹理特征提取存在的难点和挑战,并对未来的纹理特征提取方法研究方向进行思考和讨论。

地面红外纹理的动态生成技术研究

为实现红外导引头视景仿真中地面视景的动态生成,提出了一种地面红外纹理的动态生成方法。根据太阳小时辐射量、风速、大气温度、相对湿度和不同材质地面温度的实测数据建立样本集,并基于该样本集建立了几种典型地面材质表面温度场的工程计算模型。仿真工程中,在地面材质区域纹理的基础上,结合温度场工程计算模型和由多谱段图像法生成的纹理掩膜,在着色器中动态生成地面的红外纹理。实验表明,地面温度场模型的预测结果与实测数据吻合较好,生成的地面红外纹理比较逼真,满足三维仿真工程实时性要求。

动态网络分析视角下的纹理分析与分类应用研究

基于Backes Andre Ricardo等人提出的“构造伴生动态演化网络”、生成“高维解释向量”的纹理图片分类法,研究了Kylberg纹理图像库的分类问题。通过将数据集图片样本进行二次分割以减少该算法预处理计算量、提出了构建纹理网络时的“网络顶点随机化、抽样采集”策略,该思路可进一步减少算法的时间开销。该类纹理图片数据高维几何数字特征的提取流程易于实现,扩展了原算法的适用范围。数值结果表明算法对旋转操作、噪声干扰具有一定的鲁棒性,具备一定潜在应用前景。

自适应权重联合多尺度LBPV^2纹理分类方法

传统的局部二值模式仅局限于局部纹理信息的提取,忽略了全局纹理信息的表达,造成最终的纹理分类效果并不理想。为了解决以上问题,借鉴局部二值模式方差(LBPV)的优势,在此基础上提出了一种新的基于自适应权重联合多尺度LBPV^2的纹理图像分类方法。该方法将方差平方作为直方图累积权重取代原来的方差权重,并采用自适应权重联合多尺度方案来实现多尺度纹理信息提取,进一步提升了纹理图像描述子的分类性能。在国际公认的Outex纹理数据集上的仿真实验表明,提出的这种新的基于自适应权重联合多尺度LBPV^2的纹理图像分类方法能够实现纹理分类性能的显著改善。

自底向上粗集神经网络建模方法

提出了一种基于自底向上方式构造模糊粗糙数据模型并实现粗集神经网络建模的方法,该方法通过自适应G-K聚类算法,实现输入论域空间的模糊划分,在基于聚类数和约简属性搜索的基础上,提取优化的模糊粗糙数据模型,在此基础上融合神经网络实现粗集神经网络建模.对Brodatz纹理图像的实验表明,该方法性能优于传统的贝叶斯和LVQ方法,和传统的粗逻辑神经网络RLNN相比,该方法建立的神经网络结构精简,收敛速度快,具有更强的泛化能力.

全球地形实时绘制中海量多源遥感影像的拼接方法

设计全球四叉树层次细节模型和基于数据集的存储方案,以支持海量遥感影像数据的高效管理和访问;为保证显示效果,提出以多边形描述数据集的形状,并设计基于数据集形状多边形的影像拼接算法。

面向纹理平滑的方向性滤波尺度预测模型

目的 传统图像处理的纹理滤波方法难以区分梯度较强的纹理与物体的结构,而深度学习方法使用的训练集生成方式不够合理,且模型表示方式比较粗糙,为此本文设计了一种面向纹理平滑的方向性滤波尺度预测模型,并生成了含有标签的新的纹理滤波数据集。方法 在现有结构图像中逐连通区域填充多种纹理图,生成有利于模型训练的纹理滤波数据集。设计了方向性滤波尺度预测模型,该模型包含尺度感知子网络和图像平滑子网络。前者预测得到的滤波尺度图不但体现了该像素与周围像素是否为同一纹理,而且还隐含了该像素是否为结构像素的信息。后者以滤波尺度图和原图的堆叠作为输入,凭借少量的卷积层快速得出纹理滤波的结果。结果 在本文的纹理滤波数据集上与7个算法进行比较,峰值信噪比(peak signal to noise ratio, PSNR)与结构相似度(structural similarity, SSIM)分别高于第2名2.79 dB、0.0133,均方误差(mean squared error, MSE)低于第2名6.863 8,运算速度快于第2名0.002 s。在其他数据集上的实验对比也显示出本文算法更好地保持结构与平滑纹理。通过比较不同数据集上训练的同一网络模型,证实了本文的纹理滤波数据集有助于增强模型对于强梯度纹理与物体结构的区分能力。结论 本文制作的纹理滤波数据集使模型更好地区分强梯度纹理与物体结构并增强模型的泛化能力。本文设计的方向性滤波尺度预测模型在性能上超越了已有的大多数纹理平滑方法,尤其在强梯度纹理的抑制和弱梯度结构的保持两个方面表现优异。

数据处理、信息处理

Y2001-62772-13 0201563群集基于模型的距离=A model-based distance for clus-tering[会,英]/Rattray,M.//2000 IEEE InternationalJoint Conference on Neural Networks,Vol.4.—13～16(HC)定义了 Riemannian 距离、适应于群集多变量数据,这种距离要求数据与允许定义适当 Riemannian 测度的可微分密度模型首先拟合,然后对高斯矩阵模型研究了易处理的近似,用仿真数据测试此距离,证明了处理不同长度标刻和线性不可分数据群集的能力,要求进一步研究大数据集的性能。

信息前沿

计算机生成(CG)图像鉴别方法研究进展中国科学院自动化研究所视频内容安全团队构建了一个包含14万张图片的大规模计算机生成图像数据集(Large-Scale CG images Benchmark,NLPR-LSCGB),并提出一种鲁棒的基于纹理感知的CG图像鉴别方法(Robust Texture-aware Computergenerated Image Forensic)。相关成果发表于IEEE Transactions on Image Processing(TIP)。相比于现有数据集数据量小、内容单一的问题,NLPR-LSCGB图像数据集具有较大优势。通过大量实验发现,自然图像和计算机生成图像区别存在于图像的纹理细节中。新方法在已有的数据库及NLPR-LSCGB大规模数据集中性能都超过了现有的方法,充分证明了算法的有效性。