基于变结构思想的OGY同步控制器

为扩展混沌控制方法在混沌同步中的应用, 设计了一种基于变结构思想的Ott-Grebogi-Yorke(OGY)同步控制器. 基于变结构控制的思想, 将OGY混沌控制方法进行了扩展, 通过误差系统近似的线性模型寻找合适的稳定流形, 进而通过变结构控制器将误差系统的轨迹控制到稳定流形上面, 实现混沌系统的同步. 这种变结构控制策略使得OGY方法可以应用到混沌同步当中. H′enon映射的仿真结果验证了该控制策略的有效性.     

结构光三维视觉检测系统的标定方法研究

提出了一种新的结构光三维视觉检测系统的标定方法,将BP神经网络和线性标定方法结合起来,用线性标定方法标定结构光系统的线性部分,用BP神经网络来描述该结构光系统的其他部分.结果表明:该方法结合了神经网络和线性标定方法的优点,不仅给出了结构光三维检测系统中CCD相机的内部和外部参数,而且利用神经网络的非线性逼近能力,补偿由于镜头径向畸变、切向畸变等因素引起的系统非线性误差,并且精度高、抗噪声能力强及鲁棒性好.     

基于DSP的集成光栅细分数显装置的研制

设计了一种新的硬件系统,采用光栅位移传感器结合DSP器件实现了位移测量的数字化;传感器输出信号先采用电阻链分相细分,然后通过TMS320LF2407A内部脉冲编码电路（QEP）完成辨向和二次细分,达到了高精度位移测量的目的．测试实验证明该方法集成度高,实时性好,测量精度高．     

融合图像局部能量和梯度的水平集分割方法

为了实现结构复杂的灰度不均匀图像的快速准确分割,提出一种融合局部能量和梯度敏感性的水平集方法,采用梯度敏感的能量函数改进局部能量最小化水平集方法,并利用灰度全局信息自动初始化水平集.局部能量函数由局部灰度拟合函数定义,是水平集的外部驱动能量,适用于分割灰度不均匀图像.梯度敏感项依据图像特性,自动判定对水平集的驱动方向,...     

胸部CT图像中孤立性肺结节良恶性快速分类

目的：为突破医学影像诊断学依据医学征象进行定性诊断准确度不高的瓶颈,针对胸部CT图像中孤立性肺结节（SPN）定性诊断问题,寻求能够有效表示SPN病理特性的图像特征,实现快速准确地SPN良恶性计算机辅助诊断系统。方法：首先,采取交互式分割方法从胸部CT图像中提取出SPN;其次,直接计算SPN图像的多分辨率直方图得到768维空间信息特征样本集;然后,充分利用具有处理高维数据集优势的支持向量机（SVM）构造SPN良恶性分类器;最后,通过测试样本集对经训练后的SVM分类器进行测试以评价分类性能。结果：经214例病例实验结果表明：240个SPN图像的768维特征计算所用时间为4.83秒,SVM分类器训练测试所用时间为2.24秒,敏感性71.33%,特异性70%,准确度71.67%,接受者操作特性曲线(ROC)下面积(AUC) 0.7864。结论：该系统提取的高维图像空间信息特征能够有效表示SPN特性;没有考虑医学征象进行SPN定性诊断的准确度就达到了71.67%,同时分类速度比传统纹理算法提高了近50倍,为医学影像学解决SPN定性诊断问题提供了便捷、客观的辅助手段。     

支持向量机与区域增长相结合的CT图像并行分割

针对经典区域增长算法中生长规则确定的困难和单纯使用支持向量机分割速度慢的问题,提出了一种支持向量机与区域增长相结合的图像并行分割方法。首先,从已知分割结果的图像中选取一定数量的目标区域与非目标区域样本点作为支持向量机分类器的训练样本并训练支持向量机,然后利用训练好的支持向量机自动寻找种子点并进行区域增长,在区域增长过程中使用支持向量机分类器作为增长规则,最后,针对边缘和噪声像素点进行必要的后处理。测试实验获得了较好的分割效果和较快的分割速度且能实现自动分割,表明所提出的方法是可行有效的。     

机器学习算法诊断PET/CT纵膈淋巴结性能评估

评估4种主流典型的机器学习方法（随机森林、支持向量机、AdaBoost、反向传播人工神经网络）对（¹⁸F-FDG） PET/CT影像中非小细胞肺癌纵膈淋巴结良恶性进行诊断分类的性能.先从168例病人的PET/CT影像中分割出1 397个淋巴结,对每个淋巴结提取出13种图像特征（D_short、area、volume、HU_mean（2D or 3D）、HU_contrast（2D or 3D）、SUV_mean（2D or 3D）、SUV_max（2D or 3D）、SUV_std（2D or 3D））;将提取出的13种图像特征进行组合,得到4种组合变量（“All features”、“High AUC features”、“Doctor's features”、“3D features”）;在4种组合变量下,分别从敏感性、特异性以及ROC曲线下的区域面积（AUC_ROC）3个方面对随机森林、支持向量机、AdaBoost、反向传播人工神经网络定量地进行诊断性能评估.评估结果显示,4种分类器分割结果的敏感性为77%~84%,特异性为81%~84%,AUC_ROC为0.86~0.90.在显著性（p<0.001）条件下对比发现,虽然机器学习方法的特异性略低于人类专家,但是敏感性显著优于人类专家.研究结果表明,三维图像特征及PET/CT影像组合特征可以显著提高AUC_ROC.基于上述研究结果可以得出结论,虽然4种机器学习方法在（¹⁸F-FDG） PET/CT影像的非小细胞肺癌纵膈淋巴结的良恶性诊断中展现了不错的敏感性,但它们的特异性有待进一步提高,在未来需要尝试多种分类方法进行联合实验,使用更高级的机器学习方法如深度学习进行进一步的研究.     

CT图像中肿大淋巴结肺癌转移分类方法

为解决肺癌N分期中胸部CT难于对肿大淋巴结是否癌转移进行评价的问题,寻求能够有效表示淋巴结病理特性的图像特征,实现对肿大淋巴结癌转移快速准确地判别。该文采取交互式分割从CT图像中提取出肿大淋巴结;直接计算淋巴结的多分辨率直方图得到200维空间信息特征样本集;利用具有处理高维数据集优势的支持向量机(SVM)构造分类器;用测试集对经训练的SVM分类器进行测试以评价分类性能。经96例病例实验结果表明:100个淋巴结图像的200维特征计算用时1.91 s,SVM分类器训练测试用时1.36 s,敏感性76%,特异性64%,准确度70%,接受者操作特性曲线(ROC)下面积(AUC)0.6525。高维图像空间信息特征能够有效表示淋巴结特性;没有考虑医学征象进行肿大淋巴结癌转移定性诊断的准确度就达到了70%,同时分类速度比传统纹理算法提高了约10倍。     

基于优势遗传的自适应遗传算法

针对遗传算法的早熟问题,对自适应遗传算法进行了研究,提出优势遗传的新观点:在交叉算子设计时使适应度高的个体以较高概率进行交叉,并且在变异算子设计时使适应度低的个体以较高概率进行变异,能更有效地产生出优势个体,跳出局部最优.认为算法设计时使平均适应度过快逼近最大适应度是不合适的.由此,提出一种新算法,以优势遗传的原则随个体适应度的变化而自适应地改变交叉和变异概率,在一定程度上有效解决算法的早熟问题.实验表明,该算法能有效提高全局寻优的性能,鲁棒性好.     

路面平整度检测技术及其发展现状分析

随着我国交通事业的迅速发展,对公路性能的要求也越来越高,公路的等级需要进行严格地评定.而路面平整度是评价公路性能最常用的指标之一,如何对其进行快速精确的测量一直深受关注.文章首先介绍了平整度提出的原因、意义,并解释了目前在公路平整度检测中使用最广泛的指标--国际平整度指数.然后分析比较了目前几种典型的平整度测量仪,最后讨论了目前平整度测量方法存在的问题、解决方法及发展方向.