某肿瘤医院NGS、PCR实验室空调系统设计浅析

NGS、PCR实验室已成为医院建设的重要部分,而空调、通风系统的合理设计和布局对这两个实验室安全、稳定、高效的运行起到重要的作用。以某肿瘤医院实验室为例,对NGS、PCR实验室各区域平面布局作了简要介绍,并结合其使用要求,对室内参数、压力梯度、送风、排风系统等要求作了简要阐述。

NGS、PCR实验室空调系统设计简介

以某NGS、PCR实验室为例,对其净化空调系统设计进行了简要介绍。

一种求解低秩矩阵补全的修正加速近端梯度算法

设计适应大规模数据的快速算法是求解低秩矩阵补全的重点。文章改变了加速近端梯度算法的步长,对近似函数的近端最优点和上一迭代点增加了一个仿射组合。通过控制仿射系数,能够使得到的新迭代点有靠近原函数的趋势,进而能在保持算法精度的同时提高算法效率。最后通过相应的数值实验证明了算法的有效性和稳定性。

基于ObjectNess BING的海面多舰船目标检测

将一幅图像按照一个目标的大小进行缩放,然后计算其梯度特征,再对梯度特征进行标准化,二值化能够极大地提高目标候选区域的选择和检测计算效率,减少耗时。由于对海上舰船目标的检测是具有丰富角点的人造目标,对ObjectNess二值化标准梯度特征(binarized normed gradients,BING)方法中的目标候选区域提取算法进行改进,使其能够更加快速地进行候选区域的选择并保持较高的检测率。分析了海上多舰船目标的图像特征,提出了利用角点确定目标的候选基点,再利用ObjectNess BING检测模型训练获得的多目标尺寸进行候选区域的选择,对互联网上下载的多幅多舰船图像进行处理的结果表明,算法能够有效减少候选目标区域的数量并保持较高的检测概率。

基于BING与卷积神经网络的人脸检测算法

为了提高复杂背景条件下人脸检测算法的训练速度以及检测速度,提出一种基于二值化梯度幅值特征(Binarized Normed Gradients,BING)和卷积神经网络相结合的算法。为了提高算法的检测速度,采用二值化梯度幅值特征算法对目标窗口进行粗略的筛选,快速得到数量较少的候选窗口,以此来减少卷积神经网络后续判定的窗口数。为了提高算法的训练速度,提出了新的卷积神经网络的激活函数反比例线性单元(Inverse Proportion Linear Units,IPLU),并且推导出相应的权值初始化方法。实验结果表明,与激活函数Re LU和ELU相比,反比例线性单元以及相应的权值初始化方法使得网络收敛时间分别缩短了2.3%和8.6%;与FuSt算法和Cascade CNN算法相比,基于BING与卷积神经网络的人脸检测算法的检测速度分别提高了26%和62%。

带有校正项的自适应梯度下降优化算法

基于批处理的随机梯度下降(SGD)优化算法通常用于训练卷积神经网络(CNNs),其性能的优劣直接影响神经网络收敛的速度.近年来,一些自适应梯度下降优化算法被提出,如Adam、Radam算法等.然而,这些优化算法既没有利用历史迭代的梯度范数,也没有利用随机子样本中梯度的二阶矩,这些导致自适应梯度下降优化算法收敛速度较慢,性能也不稳定.结合历史梯度范数和梯度的二阶矩,提出了一种新的自适应梯度下降优化算法normEve.通过模拟仿真实验,实验结果表明,提出的新算法在结合历史梯度范数和梯度二阶矩的情形下能有效地提高算法的收敛速度.通过实例验证新算法与Adam优化算法比较,新算法的测试准确率大于Adam优化算法,验证了新算法的优越性.

基于梯度范数的暂态稳定评估模型的不平衡修正方法

为了解决电力系统中样本数量和质量不平衡造成的暂态稳定评估偏差问题,从评估模型的训练过程出发,通过预训练模型获得样本对模型参数修正的梯度范数,引入梯度范数均值比量化样本的不平衡程度,相较于先验信息,梯度范数均值比综合考虑了样本数量与样本质量的不平衡,并提出基于代价敏感法的不平衡修正方法,利用该方法改善模型的评估倾向性,以实现较好的修正效果。IEEE39节点系统和华东电网系统的仿真结果验证了所提方法的有效性。

一种改进的带有动量的随机梯度下降优化算法

带有动量的随机梯度下降(SGDM)优化算法是目前卷积神经网络(CNNs)训练中最常用的算法之一。然而,随着神经网络模型的复杂化,利用SGDM算法去训练神经网络模型所需时间越来越长,因此,改进SGDM算法的收敛性能是十分必要的。在SGDM算法的基础上,提出了一种新算法SGDMNorm。新算法利用历史迭代的梯度范数对梯度进行校正,在一定程度上提高了SGDM算法的收敛速度。从收敛性的角度对该算法进行分析,证明了SGDMNorm算法具有O(√T)悔界。通过数值模拟实验和CIFAR-10图片分类应用,表明SGDMNorm算法收敛速度比SGDM算法更快。

基于BING似物性检测的行人快速检测算法

针对传统滑动窗行人检测速度慢、实时性差的问题,为避免全局搜索,利用似物性检测设计了一种快速行人检测方法。首先,算法通过提取正负训练样本的规范化二进制梯度特征,用该特征训练级联SVM分类器得到行人似物检测模型;然后,由该模型获取图像中初始行人候选区域,后进一步利用尺寸调节和聚类算法优化初始候选窗口区域;最后,提取各候选区域的梯度方向直方图特征,并利用SVM分类器对其进行进一步行人识别。实验结果表明,算法在保证行人检测率的同时在检测实时性上有明显提高。

基于BING和GS的图像目标检测中的快速候选框生成算法

候选框生成算法能够有效减少分类器所需处理的图像块个数,提高目标检测效率和准确率。二值化梯度范数(binarized normed gradients,BING)算法计算速度快,检测率高,但是生成的候选框平均召回率很低。在BING算法的基础上,引入基于图的超像素分割算法来提高平均召回率。实验结果表明,文章算法能够有效提升生成的候选框的平均召回率;综合多个参数值下的结果,该算法能够达到60%以上的平均召回率,而BING算法在使用大量候选框条件下的平均召回率仍低于36%。

基于BING-casDPM的快速行人检测算法

行人检测是计算机视觉技术中一个热门的研究热点,在汽车辅助驾驶和视频监控等方面具有重要作用.由于传统的可变形部件模型(deformable part model,DPM)采用滑动窗口检测方式,在背景区域花费大量检测时间会导致检测速度降低,因此提出了一种基于BING-casDPM的快速行人检测算法.首先基于二进制化梯度范数特征(binarized normed gradient,BING)训练一个二级支持向量机(support vector machine,SVM)分类器,通过该分类器快速标定出所测图像中包含各类物体的候选区域;然后根据候选区域窗口的特点进一步提取待检测框;最后将待检测框作为输入,使用级联DPM(cascade DPM,casDPM)模型进行精确检测,并将结果返回至原图.实验结果表明,该算法在基本不降低检测率的情况下,其检测速度比经典DPM模型检测速度提高了约16倍,比casDPM模型提高了约40%.

基于梯度下降的不可微损失函数优化算法

由于谱半径与矩阵的映射关系无法用一个可微函数显式表示,所以无法直接利用梯度下降算法进行计算。针对这一问题,提出一种基于梯度下降的不可微损失函数优化算法。首先,利用矩阵的F范数替代谱半径构建损失函数。其次,基于谱半径小于等于F范数的事实,构建初始化参数矩阵进而计算目标矩阵。最后,如果目标矩阵的谱半径小于阈值,则参数矩阵停止更新。实验结果表明,与随机连边、度小优先连边及度大优先连边相比,基于梯度下降的连边数量更多。

基于联合加速近端梯度和对数加权核范数最小化的地震数据重建

由于地表障碍或经济限制,采样的地震数据通常是不完整的,因此地震数据重建是地震研究中的一个重要课题。本文提出一种基于联合加速近端梯度和对数加权核范数最小化的地震数据重建方法。首先通过纹理块算子对原始地震数据进行低秩预处理,然后使用加速近端梯度算法对低秩地震数据进行初步重建,最后提出对数加权核范数算法,用该算法解决优化问题并重建缺失数据。合成地震数据和真实地震数据对比实验结果表明,相比于奇异值阈值、加权核范数以及基于最大化最小化框架的非凸对数和函数算法,本文算法的重建结果在定量和定性分析上均有提升:在40%缺失率合成数据集上的信噪比为26.1357 dB,重建误差为6.7894;在30%缺失率Mobil Avo Viking Graben Line 12数据集上的信噪比为17.2478 dB,重建误差为4.7625;在60%缺失率Netherlands F3数据集上的信噪比为26.0581 dB,重建误差为7.4641。

Finite Element Simulation of Temperature Variations in Concrete Bridge Girders

The internal temperature of cast-in-place concrete bridges undergoes strong variations during the construction as a result of environmental factors.In order to determine precisely such variations,the present study relies on the finite element method,used to model the bridge box girder section and simulate the internal temperature distribution during construction.The numerical results display good agreement with measured temperature values.It is shown that when the external temperature is higher,and the internal and external temperature difference is relatively small,the deviation of the fitting line from existing specifications(Chinese specification,American specification,New Zealand specification)is relatively large and vice versa.

谱投影梯度算法求解绝对值方程最小1范数解

为研究绝对值方程最小1范数解的求解问题,通过绝对值运算的等价代换,把绝对值方程求解问题转化为光滑函数的优化问题;再利用罚函数的思想,建立了非负约束的二次规划问题,进而使用谱投影梯度算法求解;最后进行了数值实验。理论分析和数值结果都表明了算法的有效性;该方法回避了直接求解非光滑的绝对值方程,且使转化后的优化问题具有非负约束,便于求解;该算法具有全局收敛性,对目前提出的智能算法缺乏理论上的收敛性问题是一个算法上的补充。

基于GNR先验的电力设备热成像超分辨率方法

电力设备红外图像在电力设备状态监测、故障识别等方面发挥着重要作用。针对红外图像应用时存在的分辨率低,清晰度不足的问题,本文提出一种基于图像梯度范数比(Gradient Norm-ratio, GNR)先验约束的压缩感知电力设备红外图像超分辨率方法。通过分析电力设备红外图像在不同采样比时重建图像高频信息的变化规律,将GNR先验引入传统压缩感知超分辨率模型中。并针对改进后的模型设计了有效的求解算法,通过半二次分裂方法引入辅助变量,对不同变量交替迭代求解,实现红外图像超分辨率重建。仿真实验结果验证了GNR先验信息的引入,有利于超分辨率算法取得更好的重建效果。与现有经典超分辨率方法相比,本文方法重建图像无论在主观视觉效果还是客观评价指标上都有了较好的提升。

基于近似梯度下降法的ℓ_(q)范数约束的压缩鬼成像

由于鬼成像在图像重构领域的优异表现,因此一直是研究的热点之一。近年来,有学者也将鬼成像与压缩感知理论相结合,提出了压缩鬼成像技术。为了以最少的测量值获得最优的重建效果,学者们提出了很多图像重构算法,其中应用最为广泛的是基于ℓ_(1)范数或核范数的重构算法,因其凸性和光滑性在很多领域都有很好应用效果。非凸的ℓ_(q)(0<q<1)约束可能具有更好的效果。在满足相同限制等距性(restricted isometry property,RIP)的测量矩阵的条件下,ℓ_(q)约束实现重建所需要的测量值更少,并且相较于ℓ_(1)约束,ℓ_(q)范数的限制等距性条件更为宽松。为此,利用ℓ_(q)范数约束来进行压缩鬼成像,并介绍了ℓ_(q)范数的近似点算子和近似梯度下降算法,通过实验验证该算法对进行压缩鬼成像的可行性,对比分析各种不同算法在不同类型的图像之间的重建效果。

混合范数下的最优化反演方法

在求解地球物理反问题时,通常根据最小二乘准则构造目标函数进行反演,并在实践中得到了广泛的应用.为进一步增强反演的稳健性及减少多解性,不损失反演结果的分辨率,本文提出了混合范数下的最优化反演方法,它根据数据和模型可能服从不同的概率分布,对数据空间和模型空间采用不同的范数来构造目标函数.在给出目标函数的基础上,导出了混合范数下的线性反演方程.由于该线性反演方程的复杂性,我们采用混合范数下迭代再加权共轭梯度法进行求解.最后,通过对模拟的电阻率数据进行反演,验证了本文计算方法是可行的.

结合颜色和梯度信息的稀疏图像修复算法

现有基于稀疏性的图像修复算法仅利用颜色信息衡量样本块的相似度,易降低修复区域内结构部分的连通性及与邻域信息的连续一致性,同时在全局范围内搜索匹配块也增加了算法的运行时间.为解决上述问题,利用颜色与梯度模值信息度量样本块之间的距离,构造新的相似度以确定块结构稀疏度函数,利用块结构稀疏度确定填充顺序,同时构造新的匹配准则函数寻找匹配块;并利用块结构稀疏度值能够较好地反映样本块所处区域特征的特性,根据块结构稀疏度值自适应确定局部搜索区域大小.并通过实验验证在不同图像中颜色信息与梯度信息所占比例不同.实验结果表明,该算法较对比算法能够更好地保持结构部分的连贯性及与邻域信息的连续一致性,在峰值信噪比上至少提高1dB,并且算法速度提高4~11倍.

L1+L2正则化逻辑斯蒂模型分类算法

提出一种L1+L2范数正则化逻辑斯蒂模型分类算法。该算法引入L2范数正则化,解决L1正则化逻辑斯蒂算法迭代过程奇异问题,通过引入样本向量的扩展和新的权值向量完成L1范数非平滑问题,最终使用共轭梯度方法求解经过转化的最优化问题。在各种实际数据集上的实验结果表明,该算法优于L2范数、L1范数和Lp范数正则化逻辑斯蒂模型,具有较好的特征选择和分类性能。