基于EKF+EKS的BCG动态高斯模型滤波研究

心冲击图(Ballistocardiogram,BCG)信号属于微弱信号,现实采集的BCG信号通常包含采集环境干扰和个体差异,因此缺乏健康个体的BCG信号模板和适用于BCG信号的降噪方法。提出一种基于高斯核函数的动态BCG信号模型,在动态高斯模型的基础上,应用扩展卡尔曼滤波与扩展卡尔曼滤波平滑对BCG信号进行复合滤波。该模型提供健康个体的BCG信号,包括H波、I波、J波、k波、L波和M波特征。经联合扩展卡尔曼滤波与扩展卡尔曼平滑滤波后的BCG信号比其他传统滤波器滤波后的BCG信号信噪比更高。基于动态高斯模型合成的BCG信号能完整表达健康个体的BCG信号特征,联合扩展卡尔曼滤波和扩展卡尔曼平滑的复合滤波,对BCG信号的滤波达到了更好的降噪效果。     

基于一阶矩的无乘法DFT算法

为快速实现短信号序列的离散傅里叶变换,提出一种基于一阶矩的无乘法DFT算法。通过数学推导将离散傅里叶变换的计算转换为一阶矩的计算,利用1-网络法实现一阶矩的运算。该算法的计算过程仅涉及加法运算,并能独立计算DFT频域系数。实验结果证明了算法的有效性,特别是在某些条件下优于现有的快速傅里叶算法。     

基于水平集和凹点区域检测的粘连细胞分割方法

为解决具有灰度不均匀、低对比度以及边缘模糊等缺陷的粘连细胞分割问题,提出结合水平集方法的轮廓提取和凹点区域检测的细胞分割方法.利用水平集方法可很好地解决曲线演化过程中的拓扑变化问题,结合细胞图像的区域信息和边缘信息,能有效提取细胞的边缘轮廓.该方法可最大限度地保留细胞边缘轮廓的几何特征.根据多边形的凹凸性,循环迭代检测粘连细胞轮廓上的凹点区域,确定细胞的粘连位置,最后确定粘连位置的分割连接线.对几十幅不同粘连细胞图像的分割实验结果表明,该方法易于实现,鲁棒性强,效果明显,细胞分割的平均准确率达到83.01%,优于分水岭及聚类分割方法.     

一种新的最大间隔分类器的求解算法及其在测井岩性识别中的应用

首先介绍了尺度不变凸壳的概念,提出当2个凸壳独立时,可以通过求解2个凸壳的最大间隔来建立一种新的分类器。然后通过论证尺度不变凸壳与最小闭球的关系,提出了利用最小闭球求解分类器的快速算法。通过对测井岩性识别的试验表明,与已有的方法相比,在取得相同分类成功率的同时,该算法的核估计次数和训练时间明显减少。     

基于多尺度残差神经网络的阿尔茨海默病诊断分类

提出多尺度残差神经网络(multi-scale resnet, MSResnet)。采用不同大小的卷积核对图像进行多尺度信息采集,并对神经网络进行残差学习,避免网络退化。对核磁共振图像(magnetic resonance imaging, MRI)进行标准化处理,利用MSResnet模型在阿尔茨海默症(Alzheimer's disease, AD)和正常受试者(normal control, NC)获得的分类准确率为99.41%,在AD和轻度认知障碍(mild cognitive impairment, MCI)获得分类准确率为97.35%。与已有的算法相比,本研究提出的算法的分类准确率得到了明显的提高。     

一种新的构造SVM分类器的几何最近点法

引入了尺度化凸壳(Scaled convex hull, SCH)的概念, 证明了与之相关的性质, 通过这些性质可以把求解线性不可分支持向量机(Support vector machine, SVM)的问题转化为计算两类训练样本分别生成的尺度化凸壳间的最近点对的问题. 然后可以用几何最近点法计算尺度化凸壳间的最近点对, 把垂直平分连接最近点对线段的超平面作为线性不可分问题的分类超平面. 此外, 还把这种方法推广到非线性情形, 并给出了解决非线性问题的一种简化算法. 理论分析和实验均表明, 与已有的方法相比, 尺度化凸壳法在取得相同分类成功率的同时, 训练时间大大减少, 特别适用于样本较多的大规模分类问题.     

基于矩的无乘法离散傅立叶变换

提出了一种无乘法实现离散傅立叶变换(DFT)的新算法:通过模运算和泰勒展开,把DFT的计算转化为离散矩和常系数乘积的形式;然后,通过在二进制系统中进行比特运算和移位运算,把浮点乘积转化为定点的整数加法.离散矩可由全加法实现,因此新算法只涉及整数加法和移位运算.此外,为该算法设计出脉动阵列VLSI结构,并和现有结构进行了对比分析.分析结果表明新结构不涉及乘法运算,节约了硬件资源,加快了运算速度.该方法也可以推广到其他离散变换的计算.     

智能科学技术导论课程的教学策略探讨

文章从智能科学技术导论课程特点及对专业本科生的教学目的出发,在分析该课程起不到其应有作用的具体表现和相关因素的基础上,从课程安排、教学内容、教学方式、考核方式、实验课开设和师资队伍等方面进行策略探讨,以促进其发挥应有的导向作用。     

基于类中心思想的去边缘模糊支持向量机

针对两类分类问题中样本点数量多、类别模糊且有孤立野点的情况,论文在类中心向量方法的基础上,提出了一种基于类中心思想的去边缘模糊支持向量机,该方法用类中心思想预先去掉那些可能不是支持向量的点,并采用降半哥西分布作为隶属度,使其适合模糊分类的性能特点。从理论和实证分析两个方面将该方法与线性可分SVM及模糊SVM进行了对比分析,结果显示该方法不但大大减少了训练点数目,从而减小了内存和计算量,提高了训练速度,而且减少了孤立野点对支持向量分类机的影响。     

基于尺度化凸壳的代价敏感学习

受改变类分布思想的启发,采用最新的最大间隔方法--尺度化凸壳方法来解决代价敏感学习.该方法可以改变样本的分布,且这种改变只需为不同的类赋予不同的尺度因子就可以实现.实验结果表明,尺度化凸壳方法求解代价敏感问题的有效性,其求解过程也非常简单.