检索结果-南通市图书馆

维普期刊数据库博看期刊

在线全文

学校读者我要写书评

暂无评论

弱监督学习下的三维点云模型簇协同分割

计算机科学与探索 2022年第9期16卷 2121-2131页

作者：杨军雷喜文兰州交通大学电子与信息工程学院兰州730070 兰州交通大学测绘与地理信息学院兰州730070

随着三维采集技术的快速发展,点云数据逐渐成为表示三维模型的基本数据格式之一,它可以保留模型的更多三维空间几何信息。但在三维点云模型分割研究中,大多深度学习网络架构依赖于高质量标注的数据,导致训练成本高昂。因此,针对利用带... 详细信息

随着三维采集技术的快速发展,点云数据逐渐成为表示三维模型的基本数据格式之一,它可以保留模型的更多三维空间几何信息。但在三维点云模型分割研究中,大多深度学习网络架构依赖于高质量标注的数据,导致训练成本高昂。因此,针对利用带少量标注点的训练样本实现三维模型簇协同分割的问题,提出一种基于弱监督学习的三维点云模型簇协同一致分割方法。首先,通过K近邻算法建立点之间的局部邻域图;然后,利用局部卷积方法提取点云模型的部件特征并构建相似部件矩阵;最后,通过能量函数反向传播优化网络权值,获得模型簇的一致性分割结果。实验结果表明,该算法在公开数据集ShapeNet Parts上的分割准确率达到85.0%。与现有的有监督算法相比,该算法在训练样本标签数减少至10%的情况下依然能够取得与有监督学习方法接近甚至更好的分割结果,并且与目前主流的弱监督算法相比,分割准确率得到进一步提升。

关键词：模型簇协同分割弱监督学习局部卷积能量函数

在线全文

学校读者我要写书评

暂无评论

利用隐式解码器的三维模型簇协同分割

中国图象图形学报 2022年第2期27卷 550-561页

作者：杨军张敏敏兰州交通大学测绘与地理信息学院兰州730070 兰州交通大学自动化与电气工程学院兰州730070

目的为建立3维模型语义部件之间的对应关系并实现模型自动分割,提出一种利用隐式解码器(implicit decoder,IM-decoder)的无监督3维模型簇协同分割网络。方法首先对3维点云模型进行体素化操作,进而由CNN-encoder(convolutional neural ne... 详细信息

目的为建立3维模型语义部件之间的对应关系并实现模型自动分割,提出一种利用隐式解码器(implicit decoder,IM-decoder)的无监督3维模型簇协同分割网络。方法首先对3维点云模型进行体素化操作,进而由CNN-encoder(convolutional neural network encoder)提取体素化点云模型的特征,并将模型信息映射至特征空间。然后使用注意力模块聚合3维模型相邻点特征,将聚合特征与3维点坐标作为IM-decoder的输入来增强模型的空间感知能力,并输出采样点相对于模型部件的内外状态。最后使用max pooling聚合解码器生成的隐式场,以得到模型的协同分割结果。结果实验结果表明,本文算法在Shape Net Part数据集上的m Io U(mean intersection-overunion)为62.1%,与目前已知的两类无监督3维点云模型分割方法相比,分别提高了22.5%和18.9%,分割性能得到了极大提升。与两种有监督方法相比,分别降低了19.3%和20.2%,但其在部件数较少的模型上可获得更优的分割效果。相比于使用交叉熵函数作为重构损失函数,本文使用均方差函数可获得更高的分割准确率,mIoU提高了26.3%。结论与当前主流的无监督分割算法相比,本文利用隐式解码器进行3维模型簇协同分割的无监督方法分割准确率更高。

关键词：协同分割模型簇隐式解码器注意力模块无监督

在线全文

学校读者我要写书评

暂无评论

基于脉搏波的无创连续血压监测模型簇研究

仪器仪表学报 2020年第7期41卷 224-234页

作者：吴海燕季忠李孟泽重庆大学生物工程学院重庆400044 重庆大学附属肿瘤医院肿瘤放射治疗中心重庆400030

脉搏波中蕴含丰富的血压信息,且检测简便,适用于血压的无创连续监测。利用脉搏波信号,结合心电信号,提取其波形特征,引入个体特征,基于误差逆传播神经网络构建关于收缩压、舒张压的监测模型。在模型构建过程中,使用相关性分析、平均影... 详细信息

脉搏波中蕴含丰富的血压信息,且检测简便,适用于血压的无创连续监测。利用脉搏波信号,结合心电信号,提取其波形特征,引入个体特征,基于误差逆传播神经网络构建关于收缩压、舒张压的监测模型。在模型构建过程中,使用相关性分析、平均影响值法减少特征冗余;利用自组织特征映射神经网络完成具有近似属性的样本的分类;使用多种群遗传算法确定网络的初始权重、阈值,分类别构建模型,形成血压监测模型簇;最后再利用多种群遗传算法进行个体参数的优化,得到最终的个体血压监测模型。结果显示,该模型的血压预测值与实测值具有极强的相关性;模型估计误差满足美国医疗仪器促进协会标准(5±8 mmHg)以及英国高血压协会标准的A级标准。该模型在一定程度上增加了血压监测过程中的模型自校正能力,有望应用于长时无创连续血压监测设备当中。

关键词：脉搏波波形特征误差逆传播神经网络自组织特征映射神经网络多种群遗传算法无创连续血压监测模型簇

在线全文

学校读者我要写书评

暂无评论

诉讼处置不良贷款违约损失率估计的模型簇

系统工程 2015年第8期33卷 123-132页

作者：李军信聪陈暮紫杨晓光天津大学管理与经济学部天津300072 中国人民大学财政金融学院北京100080 中央财经大学管理科学与工程学院北京100081 中国科学院数学与系统科学研究院北京100190

违约损失率(LGD)是内部评级高级法要求的重要参数之一,已成为商业银行风险管理的重要手段。由于受数据等多方面的限制,国内外尚无对我国大型商业银行诉讼处置不良贷款违约损失率估计的研究。本文在对我国某大型商业银行诉讼处置不良贷... 详细信息

违约损失率(LGD)是内部评级高级法要求的重要参数之一,已成为商业银行风险管理的重要手段。由于受数据等多方面的限制,国内外尚无对我国大型商业银行诉讼处置不良贷款违约损失率估计的研究。本文在对我国某大型商业银行诉讼处置不良贷款违约损失率全面统计分析的基础上,找出回收率的影响因素,采用决策树模型,判别出极端回收和非极端回收。针对非极端回收的情况综合运用Logit变换、Beta-正态逆变换、WOE变换等方法,建立点估计模型;随后利用广义Beta回归给出了LGD的分布模型;在对四个模型进行相关性分析的基础上用最小误差平方和的方法建立了组合模型,由此形成由判别模型与组合模型构成的模型簇。实证结果表明,极端回收的判别准确率高达77.6%,组合模型的均方误差低于5%;模型簇在极端回收和非极端回收两类表现出很好的一致性。

关键词：不良贷款诉讼处置违约损失率LGD Logit变换 Beta-正态逆变换 WOE变换广义Beta回归模型簇

在线全文

学校读者我要写书评

暂无评论

基于脉搏波的无创连续血压监测模型簇研究

基于脉搏波的无创连续血压监测模型簇研究

作者：吴海燕重庆大学

学位级别：硕士

血压是极其重要的血流参数,血压值的准确实时性对于高血压相关疾病的诊断、防治具有重要意义,但血压易受生理、环境等因素的影响,单次或间歇测量结果差异大。脉搏波中包含丰富的血压信息,且检测方便,无创伤性,适用于血压的无创连续监测... 详细信息

血压是极其重要的血流参数,血压值的准确实时性对于高血压相关疾病的诊断、防治具有重要意义,但血压易受生理、环境等因素的影响,单次或间歇测量结果差异大。脉搏波中包含丰富的血压信息,且检测方便,无创伤性,适用于血压的无创连续监测。本文利用脉搏波,结合心电信号,提取其波形信息,引入个体特征,基于BP神经网络构建收缩压、舒张压预测模型。在模型构建过程中,使用相关性分析、平均影响值法筛选特征参数,减少冗余;为实现模型的自校正,利用自组织特征映射神对样本数据进行分类,按类别分别构建基于BP网络的血压模型,形成血压监测模型簇,并使用多种群遗传算法对神经网络进行优化,确定其初始权重、初始阈值;最后利用多种群遗传算法进行个性化参数优化,得到最终的个体连续血压监测模型。结果显示,本文模型的预测值与电子血压计实测值具有高度相关性,模型的估计误差满足AAMI标准以及BHS的A级标准,有望应用于长时无创连续血压监测设备当中。本文的主要研究工作以及成果有:(1)为满足本文模型的构建以及验证,设计了实验数据采集方案。为增加血压数据的波动性,在实验中设置了静态与动态实验;在长时血压数据的采集过程中则合理利用了人体血压的波动性。(2)对于采集到的心电信号、脉搏波信号,本文提出了相应的去噪算法、特征点识别算法。(3)构建了MPGA-MIV-BP血压监测模型簇,利用相关性分析、平均影响值法对特征参数进行筛选,借助自组织特征映射神经网络对实验样本进行分类,基于BP神经网络构建相对应的模型,形成血压监测模型簇,最后进行个性化参数优化,确定最终的个体血压监测模型。在模型构建过程中,使用多种群遗传算法对网络参数、以及个性化参数进行优化。(4)评估了MPGA-MIV-BP血压监测模型簇的性能,为保证客观性,基于相同的数据样本还引入了基于PWTT的BP血压估计模型、偏最小二乘回归的血压估计模型作为对比模型。通过对比分析,MPGA-MIV-BP血压监测模型簇在较长时间的血压监测过程中性能良好。

关键词：脉搏波波形特征 BP神经网络平均影响值法多种群遗传算法模型簇

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

利用模型相似性的三维模型簇协同分割

光学精密工程 2021年第10期29卷 2504-2516页

作者：杨军张敏敏兰州交通大学测绘与地理信息学院甘肃兰州730070 兰州交通大学自动化与电气工程学院甘肃兰州730070

为准确捕捉三维点云模型的上下文信息,提高分割准确率,提出一种利用模型相似性进行三维模型簇协同分割的方法。首先,对点云模型进行最远点采样得到质心点,并采用球内随机选取的方式确定邻域点以构建球形邻域;然后,使用特征聚合算子编码... 详细信息

为准确捕捉三维点云模型的上下文信息,提高分割准确率,提出一种利用模型相似性进行三维模型簇协同分割的方法。首先,对点云模型进行最远点采样得到质心点,并采用球内随机选取的方式确定邻域点以构建球形邻域;然后,使用特征聚合算子编码三维点云之间的几何拓扑关系,提取各邻域间的相关联特征,并利用各球形邻域的质心坐标构建空间相似性矩阵,由空间相似性矩阵对编码器网络所提取的模型局部特征进行加权求和,完成对三维模型的协同分析;最后,搭建分层特征提取网络对经过加权处理的关联特征进行解码操作,完成模型簇协同分割任务。实验结果表明,本文算法在ShapeNet Part数据集上的协同分割准确率达到了86.0%。与kNN算法相比,以球内随机选取法为邻域点采样策略,可使网络的分割准确率提升0.8%;相比于使用共享的多层感知机进行特征提取,使用特征聚合算子进行卷积运算可使网络的分割准确率提高12.9%;与当前主流的模型分割算法相比,本文算法的分割准确率得到了进一步的提升。

关键词：协同分割特征聚合算子空间相似性矩阵模型簇分层编-解码器

在线全文

学校读者我要写书评

暂无评论

点云稀疏编码三维模型簇协同分割

激光与光电子学进展 2020年第20期57卷 336-344页

作者：杨军李东浩兰州交通大学电子与信息工程学院甘肃兰州730070 兰州交通大学自动化与电气工程学院甘肃兰州730070

为了在函数空间内将多个三维模型进行关联,并在整个模型簇上进行协同分割,提出了一种基于点云稀疏编码的三维模型簇协同分割方法。首先,提取点云数据特征,将三维信息转换至特征空间;其次,用深度学习网络将特征向量分解成基向量,并构建... 详细信息

为了在函数空间内将多个三维模型进行关联,并在整个模型簇上进行协同分割,提出了一种基于点云稀疏编码的三维模型簇协同分割方法。首先,提取点云数据特征,将三维信息转换至特征空间;其次,用深度学习网络将特征向量分解成基向量,并构建字典矩阵及稀疏向量;最后,对测试数据进行稀疏表示,并确定点云模型中每个点所属的类别,将同类点划分到同一区域以得到协同分割结果。实验结果表明,算法在ShapeNet Parts数据集上的分割准确率达到了85.7%。所构建的协同分割算法能够有效地计算模型簇的关联结构,与当前主流分割算法相比,分割效果和准确率均得到提升。

关键词：机器视觉协同分割模型簇稀疏编码基向量字典

沸石桥羟基和硅羟基与噻吩相互作用的理论研究(英文)

在线全文

学校读者我要写书评

暂无评论

分子催化 2006年第2期20卷 142-148页

作者：吕仁庆邱广敏刘晨光中国石油大学(华东)化学化工学院山东东营257061 中国石油大学(华东)石油工程学院山东东营257061

采用密度泛函理论和模型簇法研究了噻吩和沸石分子筛桥羟基和硅羟基的相互作用.对噻吩吸附在硅羟基H3SiOH可能的两种配位方式及吸附在沸石模型簇H3Si(OH)Al(OH)2OSiH3桥羟基B酸上可能的两种配位方式进行了比较分析.所有模型簇采用B3LYP... 详细信息

采用密度泛函理论和模型簇法研究了噻吩和沸石分子筛桥羟基和硅羟基的相互作用.对噻吩吸附在硅羟基H3SiOH可能的两种配位方式及吸附在沸石模型簇H3Si(OH)Al(OH)2OSiH3桥羟基B酸上可能的两种配位方式进行了比较分析.所有模型簇采用B3LYP混合方法对氢原子在6-31G基组水平上,对硅原子、铝原子、氧原子、碳原子、硫原子在6-31+G(d)基组水平上进行了全优化和频率分析.着重考察了噻吩与硅羟基及分子筛桥羟基模型簇不同配位方式所形成的配合物的结构及能量变化.计算结果表明由于在形成沸石-噻吩和硅羟基-噻吩配合物的结构和性质变化不明显,所以它们之间的相互作用为范德华作用力.从噻吩在沸石分子筛的桥羟基和硅羟基与噻吩的相互作用的吸附热可以推断,噻吩优先吸附在桥羟基上,只有桥羟基吸附饱和后方吸附在硅羟基上.由频率分析结果和实验结果的一致性可以证明所推测吸附模型的正确性.

关键词：密度泛函理论噻吩沸石模型簇

在线全文

学校读者我要写书评

暂无评论

基于少量类标签的概念漂移检测算法

计算机应用 2012年第8期32卷 2176-2181,2185页

作者：李南郭躬德陈黎飞福建师范大学数学与计算机科学学院福州350007 网络安全与密码技术福建省高校重点实验室(福建师范大学) 福州350007

传统的概念漂移数据流分类算法通常利用测试数据的真实类标来检测数据流是否发生概念漂移,并根据需要调整分类模型。然而,真实类标的标记需要耗费大量的人力、物力,而持续不断到来的高速数据流使得这种解决方案在现实中难以实现。针对... 详细信息

传统的概念漂移数据流分类算法通常利用测试数据的真实类标来检测数据流是否发生概念漂移,并根据需要调整分类模型。然而,真实类标的标记需要耗费大量的人力、物力,而持续不断到来的高速数据流使得这种解决方案在现实中难以实现。针对上述问题,提出一种基于少量类标签的概念漂移检测算法。它根据快速KNNModel算法利用模型簇分类的特点,在未知分类数据类标的情况下,根据当前数据块不被任一模型簇覆盖的实例数目较之前数据块在一定的显著水平下是否发生显著增大,来判断是否发生概念漂移。在概念漂移发生的情况下,让领域专家针对那些少量的不被模型簇覆盖的数据进行标记,并利用这些数据自我修正模型,较好地解决了概念漂移的检测和模型自我更新问题。实验结果表明,该方法能够在自适应处理数据流概念漂移的前提下对数据流进行快速的分类,并得到和传统数据流分类算法近似或更高的分类精度。

关键词：概念漂移数据流分类 KNNModel 模型簇