带固定半径近邻搜索3-opt的离散烟花算法求解旅行商问题

传统烟花算法求解大规模离散问题存在收敛速度慢、求解精度不高等问题.针对旅行商问题的特点,提出一种带固定半径近邻搜索3-opt的离散烟花算法.该算法基于基本烟花算法进行离散化改进,采用整数编码的路径表示方法来表示旅行商问题的解,对爆炸算子、高斯变异算子进行离散化操作策略设计.为了使算法具有较好的局部搜索能力,提出固定半径近邻搜索3-opt策略来提高算法精度和收敛速度,同时采用不检测标志策略提高算法效率.实验结果表明:该算法能有效地求解旅行商问题,其离散烟花算子在全局收敛能力、收敛精度、求解时间和稳定性等方面均优于传统烟花算子;基准测试算例的最优解平均误差率仅为0.002％,优于对比算法.     

帝国竞争算法求解CVRP

针对带容量约束的车辆路径问题(CVRP),提出了一种带分裂机制的帝国竞争算法进行求解。首先,结合CVRP的特性,采用基于贪婪准则的编解码策略实现算法空间到解空间的转换。其次,提出帝国分裂策略来增强算法的全局搜索能力,并结合2-Opt提高算法的局部搜索能力。最后,通过25个基准算例的仿真实验表明:所提算法能有效求解CVRP,所有算例的优化误差不超过1.0%;与已有的帝国竞争算法、粒子群算法、遗传算法、布谷鸟搜索算法相比,所提算法的求解效率更高。     

深度学习在舌象分类中的研究综述

随着技术的快速发展和计算能力的提高,深度学习在舌象分类领域将得到广泛的应用。舌诊图像的舌象分类是中医舌诊客观化的重要组成部分。传统的舌诊是在基础理论的指导下,借助个人经验所做出的理解和判断,因而会具有一定的差异性和模糊性,影响诊断的可重复性。为了减少主观判断的误差,许多研究人员致力于通过深度学习实现中医舌诊的客观化、定量化和自动化。主要对基于深度学习的舌象分类方法研究现状进行分析梳理和归纳总结。在舌象分类研究中,以各类深度学习方法作为研究对象,将其划分为基于早期神经网络、卷积神经网络、区域卷积神经网络、迁移学习以及其他方法进行总结分析;对舌诊中的中医证候和疾病以及体质分类进行了讨论;用Kaggle上的公开舌诊数据集进行5折交叉验证实验,数据集为小样本齿痕舌,评估了基于深度学习和迁移学习分类方法;对舌诊图像质量、构建数据集方式、特征提取、单标签和多标签分类的研究发展进行了探讨和展望。     

适用于面诊图像分割的轻量级网络

目前，面诊图像脏腑分布区域的分割大多采取传统分割方法或重量级分割网络，存在鲁棒性不强或实时性差的不足。针对上述问题，提出一种结合空洞卷积、通道重排、通道分割和非对称卷积的瓶颈结构，并基于此结构构建一种轻量级面诊图像实时语义分割网络。首先，通过通道分割方法分割通道，分别对分离得到的通道进行非对称卷积和空洞非对称卷积，以实现减少参数量的同时密集提取特征；其次，采用通道重排技术对处理后分离的通道进行重排，以实现通道之间的信息交互；然后，利用残差与输入特征进行连接，丰富特征信息。此外，针对中医面部五脏反射区域存在模糊边界而导致分割效果不佳的问题，提出一种加权边界感知损失函数，在模型训练的过程中给区域边界的像素赋予更大的权重。在单个GTX 1080 GPU上对面诊图像数据集进行实验，总体像素准确率、平均交并比和F1分数分别达到98.34%,86.76%和92.81%，推理速度达到57 f/s，取得整体对比最佳的分割性能。实验结果表明，所提方法能够在保证分割精度的同时实现实时分割。     

基于改进PSO算法优化SVM模型的面色识别

针对传统中医诊断信息技术中,存在样本不平衡及面色识别精度低的问题,提出了基于改进粒子群算法的支持向量机(SVM)模型.由于数据量的限制,选择SVM小样本分类模型.采用粒子群算法为SVM模型选择合理参数.采用惯性权重先增后减的更新策略,同时利用自适应高斯模型对粒子群算法进行改进,应对容易陷入局部最优的问题.研究了384个...     

基于多模态信息融合的分流孔分类方法

为探究机器学习方法在挤压模设计智能化上的应用，结合型材截面图与数值分析，提出基于多模态信息融合的分流孔分类模型（CMMIF）。CMMIF利用卷积神经网络（CNN）实现型材面图像特征抽取，利用ReliefF算法对数值数据进行特征筛选，将2种不同的图像特征与数值特征进行融合。试验结果表明，与同基线模型对比CMMIF能有效表示分流孔特征，分类模型F1值为91.83%，实现对多种模态信息的准确分类，该研究成果为实现挤压模分流孔的智能设计提供支撑。     

基于一维压缩感知和混沌的医学图像加密研究

医学图像由于涉及隐私等重要问题，其安全性问题逐渐凸显，同时其具有数据量大、同色像素连续性高等特点。为实现医学图像安全、快速地在网络中传输，提出一种基于压缩感知和同步混沌流密码的医学图像加密方案。首先迭代三维同步混沌流密码系统构造出测量矩阵和得到用于加密的伪随机序列。然后，利用测量矩阵对整数小波变换后的稀疏医学图像进行测量，并使用量化函数将测量后的图像量化至[0,255]范围内的整数。最后，利用伪随机序列加密量化后的图像。相应的解密算法也同时给出。从以CT图像为例的实验仿真结果可知，该方案具有良好的压缩和加密性能。同时，相关安全性能分析结果表明，所提方案对统计攻击和剪切攻击具有良好的安全性和鲁棒性。