呼吸声分类技术研究及检测系统设计*

患有呼吸问题的病人由于呼吸道腺体不受意识控制、异物或者其本身肺部病变等原因会出现呼吸异常。医护人员通过病人的呼吸状况可以找寻和分析病人出现这种呼吸状况的原因。而以往呼吸声的诊断方式是专业的医护人员通过使用听诊器对病人进行肺部听诊。但是听诊的结果取决于医护人员的经验与相关参数。在初级诊断治疗阶段,初级医生识别听诊声的效率以及准确率很低,一般从20%到80%不等。因此会存在10%到20%的高误诊率（漏诊、错诊和延误）。本文提出了一种利用PVDF薄膜传感器提取语声特征的检测系统,该检测系统根据病人发出声音的不同,提取呼吸声特征值判断病人的呼吸状况。通过PVDF传感器采集的微弱呼吸声再经过KNN算法分类之后其识别率可达90.6%,对于细分种较类多的湿罗声,其识别率在80.2%左右。综上表明相比于传统听诊方式通过PVDF传感器采集识别的结果具有更高的准确性和可靠性,其判断呼吸状况的结果可以为医护人员提供参考,更好的为患有呼吸疾病的病人提供监测。     

HIGH PERFORMANCE SPARSE SOLVER FOR UNSYMMETRICAL LINEAR EQUATIONS WITH OUT-OF-CORE STRATEGIES AND ITS APPLICATION ON MESHLESS METHODS

A new direct method for solving unsymmetrical sparse linear systems(USLS) arising from meshless methods was introduced. Computation of certain meshless methods such as meshless local Petrov-Galerkin (MLPG) method need to solve large USLS. The proposed solution method for unsymmetrical case performs factorization processes symmetrically on the upper and lower triangular portion of matrix, which differs from previous work based on general unsymmetrical process, and attains higher performance. It is shown that the solution algorithm for USLS can be simply derived from the existing approaches for the symmetrical case. The new matrix factorization algorithm in our method can be implemented easily by modifying a standard JKI symmetrical matrix factorization code. Multi-blocked out-of-core strategies were also developed to expand the solution scale. The approach convincingly increases the speed of the solution process, which is demonstrated with the numerical tests.     

Constructing near spanning trees with few local inspections

Constructing a spanning tree of a graph is one of the most basic tasks in graph theory. Motivated by several recent studies of local graph algorithms, we consider the following variant of this problem. Let G be a connected bounded‐degree graph. Given an edge e in G we would like to decide whether e belongs to a connected subgraph consisting of edges (for a prespecified constant ), where the decision for different edges should be consistent with the same subgraph . Can this task be performed by inspecting only a constant number of edges in G ? Our main results are:

• We show that if every t‐vertex subgraph of G has expansion then one can (deterministically) construct a sparse spanning subgraph of G using few inspections. To this end we analyze a “local” version of a famous minimum‐weight spanning tree algorithm.
• We show that the above expansion requirement is sharp even when allowing randomization. To this end we construct a family of 3‐regular graphs of high girth, in which every t‐vertex subgraph has expansion . We prove that for this family of graphs, any local algorithm for the sparse spanning graph problem requires inspecting a number of edges which is proportional to the girth.

© 2016 Wiley Periodicals, Inc. Random Struct. Alg., 50, 183–200, 2017     

基于支持向量回归的图像超分辨率重建算法

文章提出一种新的基于支持向量回归(SVR)和稀疏表示的图像超分辨重建算法。SVR对输入数据有良好预测输出类别能力。图像统计表明,图像块可以从过完备字典中通过稀疏线性组合很好的表示。对一幅低分辨率输入图像,可以将图像超分辨问题视为在高分辨图像中估计其像素位置。与传统的支持向量回归方法相比,本文采用的特征是不同类型的图像块的稀疏表示。研究表明,稀疏表示作为特征对噪声有一定的鲁棒性。实验结果表明,本文方法与传统支持向量回归方法相比在图像重建质量上有一定的优势。     

未知网络应用流量的自动提取方法

提取未知网络应用特征时需要获得其流量数据,但在网络工程中,采集的未知应用流量往往是几种应用流量的混合,如何将未知混合流量进行分离,按照应用进行归类是现有方法没有解决的问题。基于此提出一种基于载荷信息的流量聚类方法,该方法通过对报文载荷的部分字节编码,采用扩展的ROCK算法对未知混合流量进行分离,按照不同应用进行归类。实验结果表明,与基于会话行为特征（一种流量统计特征）的流量聚类方法相比,这种方法具有较高的精确度。     

稀疏特征空间嵌入正则化：鲁棒的半监督学习框架

在机器学习领域,半监督学习作为一种有力工具吸引了越来越多的关注,其利用少量带标签数据和大量无标签数据进行有效学习,其中基于图的半监督学习方法因其优雅的数学形式和良好的学习性能而引起更广泛的研究。针对现有基于图的半监督学习方法所存在的模型参数敏感和数据判别信息不充分等问题,提出一种稀疏特征空间嵌入正则化（Sparse Feature Space embedding Regularization ,SFSR ）半监督学习框架,其主要思想为：首先分别将原始数据嵌入到线性特征空间,然后利用特征空间嵌入投影点集来稀疏重构原始数据,随后在由原始数据线性张成的标签空间通过保留这种稀疏表示关系来构建一个Laplacian正则化项,或称SFSR ,最后提出一个鲁棒的基于SFSR的半监督学习框架,在几个实际基准数据库上的综合实验结果证实了所提框架的鲁棒有效性。     

联合低秩与稀疏先验的高光谱图像压缩感知重建

本文建立了一种新的高光谱图像压缩感知重建模型,编码端采用块对角的Noiselet测量矩阵对每一谱带进行独立采样,解码端首先建立高光谱图像低秩稀疏表示模型,分解为低秩与稀疏成分,并对低秩成分在空间维进行稀疏分解,进而构建联合谱间低秩性先验与谱内空间稀疏性先验的凸优化重建模型,并提出模型求解的增广拉格朗日乘子迭代算法,通过引入辅助变量与线性化技巧,使得每一子问题均存在解析解,降低了模型求解的复杂度。实验结果验证了本文模型及其算法的有效性。     

基于降维稀疏重构的高效数据域STAP算法研究

本文基于信号稀疏重构技术,研究利用待检测样本直接进行动目标检测的高效空时自适应处理（STAP ）方案。该方案对时域降维的阵元-多普勒域数据采用空域稀疏重构技术估计高分辨率角度-多普勒谱,进而基于稀疏空时谱研究知识辅助的动目标检测算法。理论分析和仿真实验结果表明：本文算法能有效抑制杂波实现慢动目标检测,且运算量小易于实时并行处理。     

彩色图像去马赛克的非局部稀疏表示方法

目前,大部分彩色去马赛克（Color DeMosaicking,CDM）算法仅利用了局部的空间和光谱相关性,容易导致CDM复原图像边缘模糊以及细小结构丢失.当图像中出现周期性细小结构时,这些局部方法容易产生诸如锯齿、栅格等失真现象.针对这些问题,我们将字典学习和稀疏编码统一到一个变分框架中,提出了非局部自适应稀疏表示模型.通过非局部相似块聚类自适应地在线学习字典.利用局部和非局部的冗余信息对稀疏编码进行约束,强制稀疏编码靠近其非局部均值以减少编码误差.为了有效抑制服从重尾分布的CDM误差,设计了基于l₁范数的数据项.最后,联合交替最小化方法和算子分裂技巧对模型进行有效求解.实验结果验证了本文模型与数值算法的有效性.