国家自然科学基金(61372184)
- 作品数：7 被引量：28H指数：2
- 相关作者：周登文贾静平王小红卫泽谢萍更多>>
- 相关机构：华北电力大学陕西省委党校更多>>
- 发文基金：国家自然科学基金北京市自然科学基金中央高校基本科研业务费专项资金更多>>
- 相关领域：自动化与计算机技术电子电信更多>>
- 基于SNA的微博舆情传播核心节点分析研究被引量：1
- 2016年
- 负面网络舆情对社会稳定具有危害性,因此为了引导舆情良性发展,快速找到网络舆情传播中的核心节点是非常重要的。文中以社会网络分析为基础,通过对微博信息和微博用户网络结构进行分析,提出一种新颖的网络成员重要度评价算法。给出了节点粉丝影响度的概念,并对节点粉丝影响度中心度算法进行了改进。实验分析显示,文中算法排序精度在整体上高于SNA算法,因而对准确预测微博舆情传播中的核心节点具有很好的参考价值。
- 王小红
- 关键词：社会网络分析舆情
- 基于尺度空间粒子滤波器的多参考直方图目标跟踪算法被引量：1
- 2015年
- 在基于直方图的序列图像目标跟踪算法中,目标的直方图通常都是在跟踪初始化时从目标所在的区域获得,然而单个直方图难以适应跟踪全过程中目标的各种变化。针对事先已知目标几种典型外观的跟踪问题,提出了一种基于粒子滤波器的多直方图尺度空间跟踪算法。利用多个典型直方图的线性加权来表示目标的直方图,根据目标的当前区域估计加权系数,生成下一帧的目标概率分布图,在目标概率分布图上运用尺度空间粒子滤波器,来估计多尺度规范化Laplacian滤波函数的极值,从而实现目标的定位。通过在真实序列上与现有算法的对比,表明了此算法不仅可以适应目标的色彩和明暗变化,而且能更准确地描述目标的大小,显著提高跟踪的精度。
- 贾静平夏宏谢萍
- 关键词：视频跟踪粒子滤波
- 基于深度学习的视觉跟踪算法研究综述被引量：17
- 2017年
- 视觉跟踪是计算机视觉的重要研究领域之一。传统的视觉跟踪算法难以很好地解决复杂背景中的跟踪问题,如光线变化、目标发生较大的尺寸和姿态变化或目标被遮挡等。而深度学习的引入为视觉跟踪研究开辟了新的途径。但目前国内外基于深度学习的视觉跟踪研究文献相对较少,为吸引更多视觉跟踪领域研究者对深度学习进行探索和讨论,并推动视觉跟踪算法的研究,简要介绍了视觉跟踪和深度学习的研究现状,重点分析了基于深度学习的视觉跟踪算法的相关文献,讨论了各算法的优缺点,最后提出了进一步研究的方向以及对基于深度学习的视觉跟踪算法的展望。
- 贾静平覃亦华
- 关键词：计算机视觉视觉跟踪
- 基于RS并行约简算法的配电网故障诊断方法被引量：2
- 2016年
- 随着电力系统对系统故障诊断智能化的要求越来越高,为了解决传统专家系统对不完整知识处理的局限性以及减少误判、漏判的情况,本文提出一种基于RS并行约简算法,将约简算法中计算相对正域的过程和计算核值的过程实现了并行化处理。实验结果显示,本方法提高了粗糙集中决策表属性约简的准确性,同时降低了属性约简的时间。本方法对配电网故障诊断的决策规则的自动化生成、实时故障信息进行分类判断和识别具有重要意义。
- 王小红
- 关键词：配电网并行计算粗糙集
- 基于用户的优化协同过滤推荐算法被引量：5
- 2017年
- 针对传统的协同过滤推荐算法存在的用户邻居集选择不准确问题,论文提出了一种优化的协同过滤推荐算法,选择用户的共同评分数据计算用户的相似性,同时考虑共同评分数据中用户对项目评分的一致性,构造评分一致矩阵,将用户评分一致次数与评分项目数之比作为惩罚函数引入到相似度的计算中,缓解相似度计算值与实际值出现的偏差。实验表明,提出的优化算法显著提高了预测的准确性,从而提高了推荐质量。
- 卫泽周登文
- 关键词：协同过滤相似度
- 基于残余插值的卷积神经网络去马赛克算法
- 2017年
- 在去马赛克问题中,为了精确插值倾斜边缘并提高结果图像的整体质量,提出一种基于残余插值的卷积神经网络去马赛克算法.针对Bayer格式的颜色滤波阵列,插值绿色平面时,对于红蓝通道信息不全的问题,采用同通道邻近像素值近似代替,综合考虑3个通道的梯度,运用倾斜方向的边缘检测算子,将倾斜边缘分为不同方向的边缘分别插值.在插值完成后,利用深度卷积神经网络,进一步训练插值结果.在标准的IMAX数据集上,与目前流行的算法相比,本文算法视觉上更接近原图,具有更高的峰值信噪比和更短的运行时间.
- 贾慧秒李春平周登文
- 关键词：BAYER边缘检测卷积神经网络
- 基于边缘指导的双通道卷积神经网络单图像超分辨率算法被引量：2
- 2017年
- 当前基于卷积神经网络(CNN)的超分辨率(SR)重建算法,虽然取得了很大的成功,但是重建图像高频纹理的效果仍然不能令人满意,其高分辨率(HR)图像局部边缘存在明显的震荡.本文提出一种结合形态学成分分析(MCA)分解的边缘指导双通道CNNSR算法:待处理的低分辨率(LR)图像通过MCA分解为纹理部分和平滑结构部分;纹理部分和原LR图像共同组成双通道,输入到改进的网络结构中重建HR纹理部分;结合HR纹理输出与LR平滑结构部分重建HR图像.训练过程采用最小化纹理损失与原图像损失之和最优化网络模型参数.后处理包括:执行网络输出与LR输入图像的直方图匹配使色调保持一致,提升感官效果;应用迭代的反向映射使HR重建与LR输入保持退化算子一致性提高PSNR值.实验结果显示:该方法能够很好地恢复HR图像的纹理细节,对纹理细节丰富的图像恢复效果更好.
- 李春平周登文贾慧秒
- 关键词：超分辨率卷积神经网络
