检索结果

Select

1. 联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型

张军, 吴朋莉, 石陆魁, 史进, 潘斌

《计算机应用》唯一官方网站 2023, 43 (1): 321-328. DOI: 10.11772/j.issn.1001-9081.2021111888

摘要（228）

HTML （10）

PDF （3429KB）（130）

针对地面气象站点分布稀疏影响站点间关系以及站点间的关系强度推理难的问题，提出一种基于联合MOD11A1和地面气象站点数据的多站点温度预测深度学习模型（GDM）。GDM包括时空注意力（TSA）、双向图神经长短期记忆（DG-LSTM）网络编码和边-点转换双向门控循环网络解码（EN-GRU）模块。首先使用TSA模块提取MOD11A1图像特征并形成多个虚拟气象站点的温度时间序列，缓解地面气象站点分布稀疏对站点间关系的影响；然后用DG-LSTM编码器通过融合两组温度时间序列来计算地面气象站点间和虚拟气象站点间的关系强度；最后用EN-GRU解码器通过结合站点间的关系强度对地面气象站点的温度时间序列关系进行建模。实验结果表明，相较于二维卷积神经网络（2D-CNN）、长短期记忆全连接网络（LSTM-FC）、长短期记忆神经网络扩展网络（LSTME）和长短记忆与自适应提升集成网络（LSTM-AdaBoost），GDM在10个地面气象站点24 h内温度预测的平均绝对误差（MAE）分别减小0.383 ℃、0.184 ℃、0.178 ℃和0.164 ℃，能提高未来24 h多个气象站点温度的预测精度。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于改进残差结构的肺结节检测方法

石陆魁, 马红祺, 张朝宗, 樊世燕

计算机应用 2020, 40 (7): 2110-2116. DOI: 10.11772/j.issn.1001-9081.2019122095

摘要（404）

PDF （2429KB）（368）

针对肺结节检测方法中网络结构复杂所导致的模型计算量大、过拟合的问题，提出了一种结合深度可分离卷积和预激活的改进残差网络结构，将提出的网络结构应用于肺结节检测模型。该模型以目标检测网络Faster R-CNN为基础，采用U-Net编码解码器结构，利用深度可分离卷积和预激活操作改进了三维残差网络结构。首先，通过使用深度可分离卷积，模型复杂度和计算量大幅度降低；其次，通过使用预激活，模型的正则化得到改善，缓解了过拟合现象；最后，采用矩形卷积核在少量增加模型计算量的前提下扩大了卷积操作的感受野，有效地兼顾了肺结节的全局和局部特征。在LUNA16数据集上的检测中所提方法的灵敏度为96.04%，无限制接收者操作特征曲线下面积（FROC）得分为83.23%。实验结果表明：该方法提高了肺结节检测的灵敏度，又有效降低了检测结果的平均假阳性个数，同时提高了检测效率，可有效辅助放射科医师对肺结节进行检测。

参考文献 | 相关文章 | 多维度评价

Select

3. 基于时空模式的轨迹数据聚类算法

石陆魁, 张延茹, 张欣

计算机应用 2017, 37 (3): 854-859. DOI: 10.11772/j.issn.1001-9081.2017.03.854

摘要（1452）

PDF （1146KB）（958）

针对轨迹聚类算法在相似性度量中多以空间特征为度量标准，缺少对时间特征的度量，提出了一种基于时空模式的轨迹数据聚类算法。该算法以划分再聚类框架为基础，首先利用曲线边缘检测方法提取轨迹特征点；然后根据轨迹特征点对轨迹进行子轨迹段划分；最后根据子轨迹段间时空相似性，采用基于密度的聚类算法进行聚类。实验结果表明，使用所提算法提取的轨迹特征点在保证特征点具有较好简约性的前提下较为准确地描述了轨迹结构，同时基于时空特征的相似性度量因同时兼顾了轨迹的空间与时间特征，得到了更好的聚类结果。

参考文献 | 相关文章 | 多维度评价

Select

4. 基于邻域保持的流形学习算法评价模型

石陆魁张军宫晓腾

计算机应用 2012, 32 (09): 2516-2519. DOI: 10.3724/SP.J.1087.2012.02516

摘要（1305）

PDF （670KB）（565）

应力函数和残差只适合于评价距离严格保持的流形学习算法,dy-dx表示法又是一个定性模型。虽然距离比例方差可以比较和评价大多数的流形学习算法,但其需要计算测地线距离,具有较高的计算复杂度。为此,提出一种基于邻域保持的流形学习算法定量评价模型,该模型仅仅需要确定两个空间中每个对象的k个近邻,并计算出每个点在低维空间中的近邻保持情况,不用计算测地线距离。理论分析表明,邻域保持模型的计算复杂度远远低于距离比例方差的复杂度。在三个数据集上比较了两个模型的性能,实验结果表明,利用邻域保持模型不但可以评价同一算法在不同邻域参数下的嵌入效果,而且可以在不同的流形学习算法之间进行比较,并且其评价流形学习算法的性能优于距离比例方差。

参考文献 | 相关文章 | 多维度评价

Select

5. 基于小世界模型的流形学习算法

石陆魁杨庆新

计算机应用 2010, 30 (11): 2917-2920.

摘要（1516）

PDF （650KB）（948）

等距特征映射(ISOMAP)不仅计算复杂度很高,而且缺乏对新样本的学习能力。基于标志点的ISOMAP(L-ISOMAP)通过只保持一些标志点之间的测地线距离有效地降低了复杂度,然而标志点集的随机选择常常会导致较差的嵌入结果。为此,提出了一种基于小世界模型的流形学习算法。根据小世界模型的原理,该算法仅仅保持每个样本点与其k个最近邻和一些随机选择的远点之间的测地线距离,采用最速梯度下降法优化来得到数据的低维表示。理论分析表明,该算法的计算复杂度远远低于ISOMAP的复杂度。利用应力函数和剩余方差对3个算法进行了比较。实验结果表明,从该算法得到的结果与从ISOMAP得到的结果相近,且优于从L-ISOMAP得到的结果。同时,该算法可以实现对新样本的学习,对噪声也不太敏感。