|
搜索
搜 索
高等教育領(lǐng)域數(shù)字化綜合服務(wù)平臺(tái)
.jpg){kind=logo}
一種基于自適應(yīng)邊緣檢測(cè)和映射模型的一維碼識(shí)別算法
本發(fā)明公開(kāi)了一種基于自適應(yīng)邊緣檢測(cè)和映射模型的一維碼識(shí) 別算法。該算法利用一維碼四個(gè)角點(diǎn)對(duì)一維碼圖片進(jìn)行投影變換，校 正一維碼圖像中可能存在的投影或者仿射變形，然后利用校正后的圖 像生成兩種掃描線(xiàn)，一種是基于圖像分塊的，一種是基于梯度變化的， 對(duì)于獲得的掃描線(xiàn)采用一種自適應(yīng)邊緣檢測(cè)算法來(lái)找到一維碼條和空 的邊緣位置，接著采用一種邊緣映射模型將獲得的邊緣位置映射到正 確的編碼位置，根據(jù)編碼位置來(lái)獲得條和空的寬度，從而依據(jù)條空的 寬度比和編碼規(guī)則求解一維碼信息。按照本發(fā)明實(shí)現(xiàn)的一維碼識(shí)別算 法，能實(shí)現(xiàn)對(duì)
華中科技大學(xué)
2021-04-14
防誤碼擴(kuò)散的 JPEG-LS 圖像無(wú)損/近無(wú)損壓縮算法硬件實(shí)現(xiàn)方法
本發(fā)明公開(kāi)了一種防誤碼擴(kuò)散的圖像無(wú)損/近無(wú)損壓縮方法：采用并行預(yù)測(cè)方式，將分塊的圖像通過(guò)兩路并行得到預(yù)測(cè)結(jié)果，在每個(gè)預(yù)測(cè)環(huán)節(jié)，像素之間間隔一個(gè)像素時(shí)鐘周期，使得由參數(shù)索引、預(yù)測(cè)修正、殘差計(jì)算、參數(shù)更新反饋環(huán)路可使用流水線(xiàn)設(shè)計(jì)；在近無(wú)損壓縮模式下，每個(gè)像素有足夠的時(shí)間進(jìn)行像素重建，在當(dāng)前像素進(jìn)行上下文建模前能剛好得到上一個(gè)像素對(duì)應(yīng)的像素重建值；通過(guò)引入分塊壓縮與檢糾錯(cuò)編碼相結(jié)合的方法，防止了誤碼的大面積擴(kuò)散，提高了
華中科技大學(xué)
2021-04-14
.jpg){kind=logo}
一種基于CMA-ES優(yōu)化算法設(shè)計(jì)聲學(xué)超材料單元的方法
本發(fā)明公開(kāi)了一種基于CMA?ES優(yōu)化算法設(shè)計(jì)聲學(xué)超材料單元的方法，該方法將CMA?ES優(yōu)化算法和有限元分析方法集合，CMA?ES優(yōu)化算法可以對(duì)0?1排布的陣列進(jìn)行優(yōu)化，每一個(gè)尺寸維度的0?1陣列，都對(duì)應(yīng)一種聲學(xué)超材料單元結(jié)構(gòu)，其中，0和1分別代表由空氣或光敏樹(shù)脂構(gòu)成的聲學(xué)單元結(jié)構(gòu)的子單元；在優(yōu)化過(guò)程中，每一個(gè)聲學(xué)超材料單元結(jié)構(gòu)的等效折射率和阻抗值可以通過(guò)有限元分析方法分析提取，作為CMA?ES優(yōu)化算法中適應(yīng)度函數(shù)的變量；通過(guò)對(duì)適應(yīng)度函數(shù)的值進(jìn)行優(yōu)化，最終可以得到最優(yōu)的、滿(mǎn)足設(shè)計(jì)要求的聲學(xué)超材料單元結(jié)
東南大學(xué)
2021-04-14
構(gòu)建基于卷基神經(jīng)網(wǎng)絡(luò)的胃癌HE病理切片AI輔助診斷算法
懸賞金額：95萬(wàn)元
發(fā)榜企業(yè)：百盛（廣州）生物制品有限公司
需求領(lǐng)域：環(huán)醫(yī)療器械及設(shè)備及醫(yī)學(xué)專(zhuān)用軟件；臨床醫(yī)學(xué)-腫瘤
產(chǎn)業(yè)集群：生物醫(yī)藥與健康產(chǎn)業(yè)集群
技術(shù)關(guān)鍵詞：人工智能；病理學(xué)；組織形態(tài)學(xué)
百盛（廣州）生物制品有限公司
2021-11-01
一種基于改進(jìn)和聲搜索算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)路由方法
本發(fā)明提出了一種基于改進(jìn)和聲搜索算法的無(wú)線(xiàn)傳感器網(wǎng)絡(luò)路由方法，包括以下步驟：Step1、初始化算法相關(guān)參數(shù) HMS、HMCR、PAR 以及評(píng)價(jià)次數(shù) eval_Nomax；Step2、利用輪盤(pán)賭初始化和聲記憶庫(kù) HM；Step3、評(píng)價(jià)和聲庫(kù)中各和聲路徑的適應(yīng)度；Step4、設(shè)置 eval_No＝0；Step5、設(shè)置 i＝0；Step6、產(chǎn)生候選和聲；Step7、eval_No++，若 eval_No＜eval_Nomax，執(zhí)行 Step8；否則執(zhí)行 Step11；Step8、對(duì)和聲庫(kù)中的第 i 條和聲 Xi＝{s,x2,…xj,…,d},進(jìn)行鄰域搜索；Step9、eval_No++，若 eval_No＜eval_Nomax，執(zhí)行 Step10；否則執(zhí)行 Step11；Step10、i++，若 i＜HMS，執(zhí)行 Step6；否則執(zhí)行 Step5；Step11、記錄和聲記憶庫(kù)中的最優(yōu)和聲路徑。本發(fā)明的路由方法具有較高的能效，并且能夠有效地延長(zhǎng)整個(gè)網(wǎng)絡(luò)的生命周期。
華中科技大學(xué)
2021-04-11
農(nóng)業(yè)大學(xué).jpg){kind=logo}
一種基于自然共享最近鄰居搜索的發(fā)現(xiàn)簇和離群點(diǎn)的算法
本發(fā)明屬于數(shù)據(jù)挖掘領(lǐng)域，尤其是涉及一種基于自然共享最近鄰居搜索的發(fā)現(xiàn)簇和離群點(diǎn)的算法。其特征在于，首先對(duì)數(shù)據(jù)集進(jìn)行自然最近鄰居搜索，當(dāng)發(fā)現(xiàn)數(shù)據(jù)集中沒(méi)有共享最近鄰居的點(diǎn)的數(shù)量不再變化時(shí)搜索結(jié)束，得到搜索最近鄰個(gè)數(shù)n；根據(jù)提出的自然共享鄰居定義，計(jì)算每個(gè)對(duì)象在n近鄰下得到的自然共享最近鄰居關(guān)系；然后基于共享最近鄰的自然鄰居搜索算法確定了每個(gè)對(duì)象的自然共享最近鄰域關(guān)系，根據(jù)該自然共享最近鄰居關(guān)系，對(duì)數(shù)據(jù)進(jìn)行聚類(lèi)和離群點(diǎn)判別。本發(fā)明的算法中提出一種新的共享最近鄰居關(guān)系和自然鄰居搜索終止條件，解決了現(xiàn)有算法因?yàn)樽匀秽従雨P(guān)系定義不夠嚴(yán)密及搜索條件不夠科學(xué)而引起的聚類(lèi)效果不好和離群點(diǎn)檢測(cè)精度不高的問(wèn)題。
中國(guó)農(nóng)業(yè)大學(xué)
2021-04-11
一種基于改進(jìn)二維經(jīng)驗(yàn)?zāi)B(tài)分解算法的圖像去噪方法
本發(fā)明公開(kāi)了一種基于改進(jìn)二維經(jīng)驗(yàn)?zāi)B(tài)分解算法的圖像去噪方法,首先，將待去噪圖像經(jīng)傳統(tǒng)BEMD算法進(jìn)行自適應(yīng)分解得到各階IMF后，對(duì)各個(gè)IMF的概率密度函數(shù)與待去噪圖像概率密度函數(shù)之間的相似性進(jìn)行測(cè)量，其次，根據(jù)相似性測(cè)量值區(qū)分出噪聲主導(dǎo)模態(tài)函數(shù)與信號(hào)主導(dǎo)模態(tài)函數(shù)的邊界索引值,然后，使用小波去噪算法對(duì)噪聲主導(dǎo)模態(tài)函數(shù)進(jìn)行降噪處理得到實(shí)際的圖像噪聲，接著，重構(gòu)出與原圖像具有相同信噪比的多幅圖像后對(duì)其累加求平均、實(shí)現(xiàn)將噪聲壓縮到低階IMF中，最后，使用BEMD?DT對(duì)該平均圖像進(jìn)行去噪處理。通過(guò)本發(fā)明方法對(duì)圖像進(jìn)行去噪，取得效果均好于小波降噪以及傳統(tǒng)BEMD等降噪方法的去噪效果。
東南大學(xué)
2021-04-11
一種基于視覺(jué)顏色理論和同質(zhì)抑制的輪廓與邊界檢測(cè)算法
一種基于視覺(jué)顏色理論和同質(zhì)抑制的輪廓與邊界檢測(cè)方法，屬于計(jì)算機(jī)視覺(jué)和模式識(shí)別的交叉領(lǐng)域，旨在從復(fù)雜的自然場(chǎng)景中提取目標(biāo)的輪廓和邊界。本發(fā)明通過(guò)研究人眼視覺(jué)信息處理機(jī)制，對(duì)視覺(jué)通路各級(jí)神經(jīng)元的感受野建立數(shù)學(xué)模型，同時(shí)利用非經(jīng)典感受野的調(diào)制作用來(lái)抑制紋理邊緣，從而突顯輪廓和邊界
華中科技大學(xué)
2021-04-10
.jpg){kind=logo}
一種基于遺傳算法的異構(gòu) CAD 模型數(shù)據(jù)交換的系統(tǒng)及方法
本發(fā)明公開(kāi)了一種基于遺傳算法的異構(gòu) CAD 模型數(shù)據(jù)交換的系統(tǒng)及方法，本發(fā)明的異構(gòu) CAD 模型數(shù) 據(jù)交換的系統(tǒng)包括二個(gè)部分:源端 CAD 系統(tǒng)和目標(biāo)端 CAD 系統(tǒng)。同時(shí)，將異構(gòu) CAD 模型數(shù)據(jù)交換分為兩 層:3D 特征參數(shù)層和 2D 草圖參數(shù)層。在 3D 特征參數(shù)層，采用了直接特征映射和間接特征映射的方法實(shí)現(xiàn) 特征數(shù)據(jù)的交換。在 2D 草圖參數(shù)層，采用直接元素映射、間接元素映射及樣條映射。將 2D 草圖參數(shù)層中 樣條映射問(wèn)題轉(zhuǎn)換為樣條擬合問(wèn)題。創(chuàng)新性的將遺傳算法引入到異構(gòu) CAD 數(shù)據(jù)交換領(lǐng)域。在遺傳算法個(gè)體 的適應(yīng)度計(jì)算中，引入了 Hausdroffdistance。本發(fā)明可以用于復(fù)雜模型的異構(gòu) CAD 數(shù)據(jù)交換，交換之后的 目標(biāo)模型，不僅與原始模型具有極高的相似度，而且保留了原始模型的參數(shù)化特征信息。
武漢大學(xué)
2021-04-13
州大學(xué).jpg){kind=logo}
城市道路交通信號(hào)協(xié)調(diào)控制算法的優(yōu)化研究與應(yīng)用
本項(xiàng)成果對(duì)傳統(tǒng)的協(xié)調(diào)控制算法進(jìn)行了優(yōu)化研究，可以使城市道路綠波帶控制的效果得到改善，使交叉口通行效率獲得提升。仿真表明，本項(xiàng)成果的應(yīng)用可以使延誤減小10%~20%。
揚(yáng)州大學(xué)
2021-04-14