简介：本文阐述了用超声波短时作用来处理水样,从而找到更科学地计数水体中微囊藻细胞数的方法。并通过实验进一步研究了超声波频率和作用时间对处理效果的影响。

简介：提出一种解决大规模非负矩阵分解的分布式算法.非负矩阵分解一直是矩阵分解领域中的热点问题之一,已有一些相关的算法.但是,对于大规模的非负矩阵,至今尚无高效的方法.本文采用近来解决大数据的分布式思想和并行式计算方法,并将它们与传统的矩阵分解算法相结合,提出一种基于并行式计算的分布式网络算法,以此实现大规模的非负矩阵分解问题.实验结果表明,所提出的算法较一般的分布式算法与集中式矩阵分解的算法更加有效和快速.

简介：提出一种步态能量图（GaitEnergyImage,GEI）的Gabor小波特征与协同表示的步态识别算法.首先通过运动目标检测,二值化和形态学处理等预处理操作得到步态轮廓图,然后进一步从步态轮廓图计算得到步态能量图.该算法将步态能量图的Gabor特征作为特征矢量,采用协同表示的方法进行步态识别.在实验阶段,通过在中科院自动化研究所CASIA步态数据库的DatasetB上进行测试,证明上述算法具有运行速度快的优点,并且对于跨视角步态识别具有一定的鲁棒性.

简介：利用机器视觉评定小模数齿轮精度时,在齿轮整体图像中提取的边缘特征信息不能直接描述图像中的单独目标,需要后续识别算法去适应局部的多变特征.为此提出一种基于特征图像的边缘检测效果评价方法来获取丰富的局部图像信息,用于评定小模数渐开线齿轮视觉测量系统中轮廓提取的精度.首先根据齿轮图像中渐开线齿廓边缘的函数特性建立特征图像模型;然后使用基于Zernike矩的亚像素边缘检测算法获取小模数渐开线齿轮特征图像的边缘;最后结合构建特征图像的标准函数,量化特征图像的边缘检测结果与标准函数间的偏差,用以评价边缘检测的效果.实验表明,运用小模数齿轮的特征图像评价基于Zernike矩的亚像素边缘检测算法,渐开线齿廓的检测精度优于0.58pixel.

简介：人群分析在模式识别和机器学习领域内是一个非常有趣的课题.人群小群体成员之间的主从关系检测为视频监控和计算机视觉领域打开了新的视野.同时,小群体主导者的检测也是人群分析的重要组成部分.文章提出一种结构化SVM的学习框架,并结合行人的时间滞后分析特征和行人位置关系特征对小群体主导者进行预测.实验结果表明,本方法在人群分析数据集下取得了很好识别效果.

简介：在此提出一种改进的深度卷积神经网络模型,该模型通过增加并联卷积层,拓展卷积神经网络宽度实现,有利于提取图像特征,提高网络性能;卷积层中对特征图像采用批量归一化方法进行预处理,加快网络训练.实验结果表明,该模型能更准确地学习宫颈癌细胞图像特征,从而有效降低了分类错误率.

简介：非系统极化码与系统极化码由Arikan教授提出,并且由于其表现出优异的性能而成为了当前的研究热点.本文主要介绍系统极化码与非系统极化码编码的研究现状.在硬件实现方面,分别介绍各种现有的设计方案并从资源消耗、并行度以及吞吐率等角度进行对比分析.接着通过Matlab仿真验证系统极化码与非系统极化码在SC译码、SCL译码以及BP译码中不同信噪比下带来的性能差异.最后,根据极化码编码的研究现状探讨了其未来的发展趋势并提出基于生成矩阵简化的研究方向.

简介：深度学习是人工智能领域发展的一个不可或缺的部分,并且广泛应用于图像识别方面.为了进一步降低宫颈癌细胞图像的识别错误率,本文提出了一种基于卷积神经网络的改进算法.该算法通过搭建卷积神经网络框架,对下采样过程中特征提取阶段的池化模型进行改进,在下采样过程中对池化域内的每个元素分配合适的权值得到下采样特征图.实验结果表明,我们所提出的基于卷积神经网络的改进算法降低了对宫颈癌细胞图像的识别错误率.

简介：为有效降低宫颈癌细胞图像在图像识别中的假阴性率,在此提出一种改进的残差网络算法.该改进算法通过对交叉熵代价函数增加权重实现,根据不同病变程度的宫颈细胞建立权重矩阵,有针对地对假阴性类别的输出进行加权处理,优化分类输出、减少假阴性误判.实验结果表明,对于不同的宫颈细胞图像数据集,本改进算法输出分类效果稳定;与传统图像分类算法相比,改进后的交叉熵代价函数算法在识别分类宫颈细胞图像时,能有效降低宫颈癌细胞图像的假阴性率.

简介：本文提出了一种利用非抑制型离子色谱法测定印制电路板表面六种无机阴离子污染物的方法.样品用异丙醇水溶液提取后,用Sep-PakC18小柱净化试样,用离子色谱分离,电导检测器检测.六种阴离子的检测限介于0.01～0.2μg/ml之间,回收率为98～104%.方法准确,可靠,可用于印制电路板洁净度的评价分析.