针对回声状态网络(Echo state network, ESN)的结构设计问题,提出基于灵敏度分析的模块化回声状态网络修剪算法(Pruning algorithm for modular echo state network, PMESN).该网络由相互独立的子储备池模块构成.首先利用矩阵的奇异值分...针对回声状态网络(Echo state network, ESN)的结构设计问题,提出基于灵敏度分析的模块化回声状态网络修剪算法(Pruning algorithm for modular echo state network, PMESN).该网络由相互独立的子储备池模块构成.首先利用矩阵的奇异值分解(Singular value decomposition, SVD)构造子储备池模块的权值矩阵,并利用分块对角阵原理生成储备池.然后利用子储备池模块输出和相应的输出层权值向量,定义学习残差对于子储备池模块的灵敏度以及网络规模适应度.利用灵敏度大小判断子储备池模块的贡献度,并根据网络规模适应度确定子储备池模块的个数,删除灵敏度低的子模块.在网络的修剪过程中,不需要缩放权值就可以保证网络的回声状态特性.实验结果说明,所提出的算法有效解决了ESN的网络结构设计问题,基本能够确定与样本数据相匹配的网络规模,具有较好的泛化能力和鲁棒性.展开更多
文摘针对道路交通多车牌识别问题,提出了一种快速鲁棒的多车牌检测识别方法,包括多车牌检测和车牌字符识别两部分:构造BP (Back-Propagation)神经网络模型用于颜色识别,结合图像形态学运算方法,筛选候选车牌目标,基于支持矢量机从候选车牌目标中判别真正的车牌目标;通过轮廓尺寸判断,并结合车牌尺寸特征,依次分割提取城市代码字符块、省份代码字符块及5位机动车编码字符块,最后基于BP神经网络识别字符块内容.基于上述原理,开发了鲁棒的多机动车车牌自动检测识别系统,并在真实场景中进行了实验测试,结果表明:1)车辆在正常速度行驶条件下,系统依然可以保证90%以上的车牌检测识别正确率;2)系统可实现同时多车牌检测识别;3)文中实验硬件配置下,系统单幅图像检测识别平均时间低于130 ms,处理频率约8 Hz.
基金supported by the National Natural Science Foundation of China (No.82070474)the Key Science and Technology Project of Beijing Municipal Institutions (No.KZ202010025032)。
文摘射血分数保留型心力衰竭(heart failure with preserved ejection fraction,HFpEF)是指以左心室舒张功能障碍为主要特征且射血分数保留的一种心力衰竭。随着人口老龄化的到来和高血压、肥胖、糖尿病等代谢性疾病的增多,HFpEF患病率持续升高。与射血分数降低型心力衰竭(heart failure with reduced ejection fraction,HFrEF)相比,传统抗心力衰竭药物未能明显降低HFpEF的死亡率,这与HFpEF的病理生理学机制复杂且合并症多相关。已知HFpEF的心脏结构改变主要表现为心肌细胞肥大、心肌纤维化和左心室肥厚,且通常合并肥胖、糖尿病、高血压、肾功能不全等疾病,但这些合并症如何诱发心脏结构和功能损害尚不完全明确。近期研究表明免疫炎症反应在HFpEF进展中发挥重要作用,本文着重综述了炎症在HFpEF发生和发展中的病理作用研究进展及抗炎疗法在HFpEF中的应用进展,以期为HFpEF的深入研究和防治提供参考。
文摘针对回声状态网络(Echo state network, ESN)的结构设计问题,提出基于灵敏度分析的模块化回声状态网络修剪算法(Pruning algorithm for modular echo state network, PMESN).该网络由相互独立的子储备池模块构成.首先利用矩阵的奇异值分解(Singular value decomposition, SVD)构造子储备池模块的权值矩阵,并利用分块对角阵原理生成储备池.然后利用子储备池模块输出和相应的输出层权值向量,定义学习残差对于子储备池模块的灵敏度以及网络规模适应度.利用灵敏度大小判断子储备池模块的贡献度,并根据网络规模适应度确定子储备池模块的个数,删除灵敏度低的子模块.在网络的修剪过程中,不需要缩放权值就可以保证网络的回声状态特性.实验结果说明,所提出的算法有效解决了ESN的网络结构设计问题,基本能够确定与样本数据相匹配的网络规模,具有较好的泛化能力和鲁棒性.
