基于BP神经网络和D-S证据理论的损伤识别方法

目的有效利用结构健康监测系统中的多源传感器数据信息，进而提高复杂结构健康状况的正确诊断率.方法将BP神经网络与数据融合理论中的证据理论有机融合，提出一种决策级数据融合损伤识别新方法.为了验证所提方法的有效性，用1栋7自由度剪切型建筑模型的6种损伤进行了检验.结果研究发现，将BP网络和D-S证据理论相结合的综合诊断模型，可以有效地提高一些损伤模式的诊断率，具有良好的适应性.结论笔者所提方法优于单一信息建立模型的识别能力，表明它具有较好的容错性和识别精度，用于健康监测和损伤检测是可行的、有效的.     

基于DeepLabV3+与注意力机制相结合的图像语义分割

基于DeepLabV3+进行图像分割时,在特征提取阶段忽略了不同级别的特征图中存在的特征重要程度不同,丢失了大量的细节信息,致使分割效果不佳.针对该问题,提出了一种基于DeepLabV3+与注意力机制相结合的图像语义分割算法.在骨干网络Xception模型中提取两条低级特征作为解码器的输入特征,提高特征提取的准确性;采...     

基于线性组合文本特征选择方法*

当前,常用文本分类特征选择算法主要通过某种评价函数来计算单个特征对类别的区分能力,由于仅考虑了特征和类别之间的关联性,忽略了特征与特征之间的相关性,从而导致特征集存在冗余。针对这一问题,本文提出了一种新的用于文本分类的特征选择算法,该算法可以帮助选出类别区分能力强,特征之间关联性弱的特征。实验证实,该算法的性能要优于传统的特征选择算法。     

微博社区的动态节点自适应增量交互优化

大多数的社区发现方法是基于网络拓扑结构和边缘密度来进行最佳社区确定,但是这些方法具有非常高的计算复杂度,对网络的形式和类型非常敏感。为解决这些问题,提出基于动态节点自适应增量模型的微博社区交互优化算法,该算法在优化每个社区内成员的交互作用的基础上,利用贪婪算法有效地搜索最优社区的候选,无需遍历所有节点。该模型可快速、准确地测量社区内部和社区之间的交互作用差异。最后,在基准测试网络和搜狐微博平台抓取数据上的仿真测试显示,所提算法在召回率、准确率、算法计算时间以及网络覆盖率等指标上,要优于选取的对比算法。     

一种词频与方差相结合的特征加权方法

通过分析特征词与类别间的相关性,提出了一种新的特征加权方法,依据特征词在特定类中出现的次数、特征词在某一类中的集中程度、特征词在特定类中的均匀分布程度来计算特征权值。通过与TF-IDF进行实验对比,新提出的TF-Var特征权重方法使得分类的微平均准确率得到了明显的提高。     

基于ADO.NET的通用数据访问层设计方法研究

在.NET平台上进行应用软件开发时,为了实现与后台具体数据源的相对独立,首先将每个表与一个DataSet绑定,其次针对此表的访问需求给出访问接口,接着针对不同的数据源在该接口的基础上实现访问类,最后利用Factory模式根据配置文件信息动态实现对不同数据源的访问,从而实现了独立于数据源开发软件的目的.     

利用倾斜摄影测量的农村房屋信息调查北大核心CSCD

针对传统房屋测量投入周期长、测绘成本高的问题,提出了一套从数据获取到产品输出的农村房屋信息调查自动化解决方法。首先,利用无人机装载多视角相机以获取倾斜摄影测量影像数据,并从中生成三维点云、数字地表模型、正射影像图;然后,采用颜色与尺度信息融合的方式去除非建筑物点,利用多规则区域增长算法提取建筑物点云;最后,利用房屋外墙投影线、高程急剧变化边界线、屋顶不同平面相交线融合修正得到精确的房屋轮廓,并进行房屋空间信息计算与三维重建,实现了高效率、低成本、高精度的农房信息提取。在武汉新洲区施庙村的试点研究结果表明,自动化调查方法房屋面积在限差以内的房屋可达80%以上,平均精确率达到99.24%。     

融合张量合成注意力的改进ResNet图像分类模型

针对卷积神经网络处理图像分类任务时提取特征不充分以及提取到的特征不区分贡献度的问题,提出了一种融合张量合成注意力的改进ResNet-101 (RTSA Net-101)网络模型。首先,利用ResNet-101骨干网络提取图像特征,并在残差网络卷积结构后嵌入张量合成注意力模块,对获取的特征进行三张量积计算,得到注意力特征矩阵;然后,使用Softmax函数对注意力特征矩阵进行归一化,从而为特征分配权重,以区分特征的贡献度;最后,将得到的权重和对应的键值加权求和,获取最终图像完整特征,以提升模型的图像分类精度。在自然图像数据集CIFAR-10、CIFAR-100和街牌号数据集SVHN上进行了对比实验,模型分类准确率分别为96.12%、81.60%、96.67%,图像平均测试运行时间分别为0.0258 s、0.0260 s、0.0262 s。实验结果表明：相比于其他7种先进图像分类模型,RTSA Net-101模型可以获得更高的分类准确率和更短的测试运行时间,且能够有效地增强网络的特征学习能力,具有一定的创新性、高效性。     

MF-Net：结合残差网络的多尺度特征点云补全网络

针对目前点云补全网络只关注全局特征造成的语义信息丢失问题,提出了一个基于残差网络的多尺度特征提取的点云补全网络。网络采用端到端的思想,为避免单一特征不全面问题,将原始输入采样为三种不同尺度的点云;利用级联方式递归式融合不同方法提取的低分辨率点云的全局特征和原始点云的局部特征,形成特征向量并输入全连接网络,实现粗点云的预测;将拼接后的原始点云和粗点云送入精细重构单元,再在精细重构单元中融合注意力机制并利用残差网络进行由粗略到精细的补全;通过计算粗点云、稠密点云与真实点云之间的联合损失函数以提高补全性能。在ShapeNet数据集和KITTI数据集上的实验证明,无论是定性比较还是定量比较,提出的方法对残缺点云均具有较好的补全效果,同时也体现了该方法具有泛化能力。     

基于簇间距离自适应的软子空间聚类算法

针对软子空间聚类过程中簇间距离(簇间的分离程度)对聚类的影响程度不确定的问题,提出了一种基于簇内紧密度和簇间距离自适应软子空间聚类算法。算法以经典的k均值聚类算法框架为基础,在最小化各个子空间簇类的簇内紧密度的同时最大化各个子空间簇类的簇间距离。并且通过推导得到新的子空间聚类中心和特征加权的计算方式,克服了软子空间聚类对输入参数敏感的缺点,实现了算法的自适应学习,并且取得了较好的聚类效果。