摘要：面对大规模多数据监测任务,有限的能量将成为无线传感器的瓶颈,本文将该问题抽象为能量受限的最大圆盘覆盖问题.即试图寻找一种能量分配方案,使得在总能量受限的情况下,传感器网络覆盖的用户收益之和最大.基于贪婪策略,设计了一个多项式时间(1/2)(1-1/e)-近似算法;进一步通过构造一个合理的代理函数,设计了一个分组进化算法,并证明在期望多项式时间内,该算法具有相同近似比.实验结果表明,分组进化算法输出解的目标函数值与最优值几乎相同.

摘要：近年来，误食有毒野生菌导致的中毒事件频发，危害人们的健康，因此对野生菌进行准确识别分类变得尤为重要。然而，现有的野生菌分类算法在处理图片背景噪声大、类间差异小和类内差异大的情况下容易出现识别错误的问题。为了解决这一问题，提出了一种基于Vision Transformer（ViT）架构结合多级区域选择和跨层特征融合的野生菌分类算法。该算法主要目标是捕获具有强鉴别力的特征，以确保网络能够聚焦在主要信息上，并提高分类的准确性。首先，采用ViT作为网络框架，以提取野生菌图像的特征和全局上下文信息。其次，设计了多头自注意选择模块，用于提取具有鉴别力的token，并通过自适应分配算法为不同层级的编码层确定抽取token的数量。最后，为进一步提升分类性能，引入了跨层特征融合策略和标签平滑损失进行拟合训练，从而减少细节信息的丢失。为了使网络对野生菌图像特征的学习更具针对性，自建了野生菌数据集。实验结果表明，所提出的算法相较于对比算法有显著的提升，分类准确率达到了98.65%。

摘要：皮肤病变区域的准确分割是临床诊断分析的关键一步。针对现有网络在皮肤病变区域存在尺寸大小多变、形状不规则、边界模糊和病变区域被遮挡的情况导致的分割效果不佳问题,在U-Net的基础上改进了原有结构,提出了一种用于皮肤病变区域分割的多尺度和边界融合网络(MSBF-Net)。首先,提出了分裂池化(SplitPool)模块,在缩小图像分辨率的同时有效地解决了空间信息丢失的问题。其次,提出了全尺度特征融合(FSFF)模块,有效地解决了以往方法仅将深层特征向浅层特征融合,而忽略了更浅层特征中的细节信息对网络分割决策的贡献问题。同时,重新设计了U-Net原有的跳跃连接,为解码器提供了更丰富的上下文信息。最后,提出了用于增强网络对边界特征学习能力的子路径,并引入边界融合(BF)模块将主路径和子路径的预测结果进行融合,有效地解决了病变区域形状不规则和边界模糊问题。在ISIC2018数据集上,Dice和JI分别达到了90.12%和83.61%,比基线网络分别提高了1.13个百分点和1.62个百分点;在PH2数据集上,Dice和JI分别达到了94.72%和90.18%,比基线网络分别提高了1.49个百分点和2.17个百分点。实验结果表明,MSBFNet显著提升了皮肤病变区域分割的精确度,并在多个指标上超过了现有的先进方法,进一步验证了方法的有效性。

摘要：针对蛋白质溶解性预测中长序列计算复杂度高以及传统模型忽略数据间差异性等问题,提出一种多输入深度学习模型FESOL。利用线性复杂度的注意力机制FAVOR+高效提取蛋白质长序列的特征信息;结合交叉熵和余弦相似度设计增强损失函数,使模型能够关注到不同输入数据间的差异性。在独立测试集上与多种先进的预测方法进行对比实验,其结果表明,FESOL在多个评价指标上均优于其它方法,验证了模型在蛋白溶解预测中的有效性。

摘要：随着深度学习和神经网络的快速发展,基于深度神经网络的端到端语音合成系统因性能优异成为主流.然而近年来,泰语语音合成相关研究还不充分,主要原因是大规模泰语数据集稀缺且该语言拼写方式有其特殊性.为此,在低资源前提下基于FastSpeech2声学模型和StyleMelGAN声码器研究泰语语音合成.针对基线系统中存在的问题,提出了3个改进方法以进一步提高泰语合成语音的质量.(1)在泰语语言专家指导下,结合泰语语言学相关知识设计泰语G2P模型,旨在处理泰语文本中存在的特殊拼写方式;(2)根据所设计的泰语G2P模型转换的国际音标表示的音素,选择拥有相似音素输入单元且数据集丰富的语言进行跨语言迁移学习来解决泰语训练数据不足的问题;(3)采用FastSpeech2和StyleMelGAN声码器联合训练的方法解决声学特征失配的问题.为了验证所提方法的有效性,从注意力对齐图、客观评测MCD和主观评测MOS评分3方面进行测评.实验结果表明,使用所提泰语G2P模型可以获得更好的对齐效果进而得到更准确的音素持续时间,采用"所提泰语G2P模型+联合训练+迁移学习"方法的系统可以获得最好的语音合成质量,合成语音的MCD和MOS评分分别为7.43±0.82分和4.53分,明显优于基线系统的9.47±0.54分和1.14分.

摘要：在异质信息网络(HINs)中搜索包含给定查询节点的社区具有广泛的应用价值,如好友推荐、疫情监控等。现有HINs社区搜索方法大多基于预定义的子图模式对社区的拓扑结构施加一个严格的要求,忽略了节点间的属性相似性,导致结构关系弱而属性相似性高的社区难以定位,并且采用的全局搜索模式难以有效处理大规模的网络数据。为解决这些问题,首先设计解耦图神经网络和基于元路径的局部模块度,分别用于度量节点间的属性相似性和结构内聚性,并利用0/1背包问题优化属性和结构两种凝聚性度量指标,定义了最有价值的c大小社区搜索问题,进而提出了一种基于解耦图神经网络的价值最大化社区搜索模型,执行3个阶段的搜索过程。第一阶段,依据查询信息与元路径,构造候选子图,将搜索范围控制在查询节点的局部范围内,保证整个模型的搜索效率;第二阶段,利用解耦图神经网络,融合异质图信息和用户标签信息,计算节点间的属性相似度;第三阶段,根据社区定义以及凝聚性度量指标,设计贪心算法查找属性相似度高且结构凝聚的c大小社区。最后,在真实的同质和异质网络数据集上测试了搜索模型的性能,大量实验结果验证了模型的有效性和高效性。

摘要：图像隐写术是一种将秘密信息隐藏在图像中以防止被发现的技术。当前的图像隐写模型存在图像生成质量差和抗隐写分析能力弱等问题。混合注意力机制不仅可以抑制无意义的通道信息,避免其在含密图像上产生伪影,而且可以根据载体图像中不同位置的重要程度分配不同的权重,为秘密信息寻找更合适的隐藏区域。基于上述特点,文章提出了基于U-Net和混合注意力机制的高质量全尺寸图像隐写方法。文章所提方法的模型由编码器、提取器和判别器三个子网组成。编码器采用改进的U-Net结构和混合注意力机制模块进行设计;提取器采用卷积神经网络和混合注意力机制模块进行设计;判别器则用于增强模型的安全性。实验结果表明,该方法能够将尺寸为256×256的彩色秘密图像完全隐藏在同尺寸的彩色载体图像中,在不降低隐写容量的情况下实现高质量的图像隐写。该方法在ImageNet、COCO、DIV2K三个数据集上都展现了良好的视觉质量和隐藏容量,在ImageNet数据集上,PSNR值最高可达40.143dB(载体图像与含密图像)和42.082dB(秘密图像与重构的秘密图像),同时还能够提高模型的抗隐写分析能力。

摘要：随着科技的高速发展和近几年新冠疫情的影响,医疗配送机器人开始逐步出现在各大医疗机构中,然而传统医疗配送机器人在使用人工势场算法进行路径规划时存在局部最优解和目标不可达问题。因此,针对局部最优解问题,提出了设计虚拟目标点的方法,将机器人从局部最优状态解救出来;针对目标不可达问题,在障碍物斥力势场函数中引入了目标距离函数对障碍物斥力进行限制,从而解决目标不可达问题。最后将该方法在多种复杂环境中与传统算法进行比较验证,实验结果表明,该改进算法能够解决传统算法存在的局部最优解和目标不可达问题,在算法效率上也提高了5%~9%,并且能够有效运用于实际场景。

摘要：针对人工方式分割CT图像肾脏肿瘤区域耗时费力且存在主观因素影响等问题,提出一种基于卷积神经网络的肾脏肿瘤自动分割算法。算法以Unet++分割网络为基础框架,将预训练的ResNet-34网络中四个特征提取模块作为Unet++网络特征编码器,来提取图像特征信息;并将重新设计的空洞空间金字塔池化网络嵌入到Unet++每条解码路径中;不同的解码路径通过特征融合得到肾脏肿瘤分割结果。在KiTS19竞赛提供的数据集上进行验证,实验结果表明,该算法有效提高了CT图像肾脏肿瘤的分割精度。

摘要：为满足用户对Web服务的高质量要求,提出一种基于图卷积的Web服务QoS预测算法,结合多任务学习使算法可以在一次预测中得到两种属性的QoS值。挖掘用户和服务之间隐藏的图结构信息,将用户和服务的编号信息转换成嵌入向量,得到初始特征,经过图卷积与特征融合处理操作获得更深层的特征信息,经过降噪自编码器对特征进行重构,提高算法的鲁棒性。在公开的QoS调用数据集上进行实验,并与3种方法对比,实验结果表明,该算法在各项评价指标上总体表现更好,为图神经网络在QoS预测方向的研究提供了思路。