教学课程资源库 更多>>

关键词： 图像配准   医学图像分析   频谱分析   可逆神经网络   深度学习  

摘要： 弹性配准是医学图像处理中的关键任务之一，其效果直接影响到了后续的分割、分类、预测等任务的准确性。然而由于神经网络的高频不敏感特性，现有的方法难以捕捉图像的高频信息，影响了配准场的拟合精度。为了解决这些问题，提出了基于频谱分解的高频保持医学图像配准模型——DFRes(Decomposition in Frequency domain model for Registration)。引入频谱分解的策略，采用双支结构处理原始图像中的高频信息和低频信息；同时设计了具有高频保持特性的可逆神经网络结构和具有高频低频融合能力的桥式特征融合模块，通过交替的空间频谱信息提取模块，进一步加强了模型对于频域和空域信息的提取和融合能力。在IXI、OSSAI、华西直肠数据集上与现有的先进模型进行了比较，DFRes在多个指标上取得了显著的提升，相↑较于次优的TransMorph模型，Dice相似系数(DSC)提高了2.5个百分点、平均表面距离（ASD）降低了1.2个百分点、SSIM提高了1.6个百分点。同时通过消融实验验证了模块设计的有效性。

关键词： 图采样   多样化推荐   多样性需求   图神经网络  

摘要： 现有多样化推荐方法忽视个体多样性需求差异，导致推荐结果多样性适配不足。针对该问题提出基于图采样的多样性需求感知推荐模型，通过感知多样性需求强度与图结构优化实现个性化推荐多样性。该方法首先基于时间衰减加权的项目差异度量化用户多样性需求强度。其次，提出基于多样性需求强度的自适应图采样策略，该策略利用用户多样性需求强度确定采样次数。通过贪心算法迭代选择邻域中差异性最高的节点，构建多样性需求感知子图用于图学习。然后，使用图神经网络从多样性需求感知子图中学习用户的多样化兴趣表示。最后，通过点积运算预测用户与候选项目间的交互概率，实现多样化推荐。实验部分采用两个公开数据集进行验证，所提模型在准确性指标上提升了约3%，在多样性指标上提升了约5%。结果表明，考虑用户多样性需求可以有效实现更好的准确性-多样性权衡。

关键词： 高光谱解混   弹性非负矩阵分解   空谱约束   混合噪声  

摘要： 高光谱图像中普遍存在的噪声严重影响解混精度，为抑制噪声的影响，本文提出一种结合空谱约束的弹性非负矩阵分解（ENMF-S-TV）高光谱图像解混方法。该方法首先利用一种新的损失函数，即弹性损失函数，利用L2范数和L2,1范数来探索高光谱图像的表示结构和噪声稀疏结构。其次，为利用高光谱图像的空谱信息，引入L1/2正则化和总变差模型来提高丰度矩阵的稀疏性和平滑性。考虑现有的噪声多数是混合的，实验中采用不同噪声率的高斯噪声和条纹噪声，将混合噪声纳入模拟数据集和真实数据集。与其他解混算法相比，ENMF-S-TV方法在模拟数据集上的均方根误差值和光谱角距离值最优，分别为0.0403和0.0364；在Samson和Houston真实数据集上光谱角距离值最优，分别是0.0366和0.0454。

关键词： 数据驱动   DoS攻击   预测控制   鲁棒控制   稳定性分析  

摘要： 针对一种DoS攻击下的未知线性时不变系统,提出一种无终端成分的弹性数据驱动预测控制算法.与传统的模型预测控制相比,通过分析系统输入输出数据来学习系统的行为模式,并仅依靠系统历史输入输出数据来预测未来的输入输出.当DoS攻击发生时,该方案能够利用预测控制的特性补偿由DoS攻击造成丢失的数据,从而减少DoS攻击对系统造成的负面影响.然后在考虑有界网络诱导噪声和过程噪声的情况下,证明该方案能够保证系统的鲁棒稳定性.最后通过数值仿真结果验证了该方案的有效性和可行性,实验结果表明该方案具有更强的鲁棒性和抗DoS攻击能力.

关键词： 长期护理社会保险   影响因素   参保意愿  

摘要： 深入了解克拉玛依市民对长期护理保险的认知状况及需求情况,为改进长期护理保险制度提供一些建议。方法:选取507名克拉玛依市18周岁以上成年居民进行调查,探究他们对长期护理保险的需求情况,随后对调查结果进行描述性分析。结果:有56.2%的居民表示他们对长期护理保险不太了解;66.6%的居民认为在晚年提供照护服务非常必要或相当必要;42%的居民更倾向于居家养老,对居家照护的方式需求较大;54.8%的居民希望长期护理保险的费用以政府和单位补贴为主,自己缴费为辅;期望缴费年龄在51-60岁的居民占比最多,能接受自费护理花费越低的居民越愿意参加长期护理保险。结论:根据老人的健康状况和需求现状,在个人和社会支持等多个层面上,采用全方位的方法来改进长期护理保险体系,加大宣传力度,增强其了解程度,增强其需求意愿,从而更好地适应老人不断增加的长期护理保险需求。