基于WLAN(Wireless Local Area Networks)的无线定位是移动互联网领域的重要研究内容之一.其中,指纹定位方法已成为主流,此类方法的特点之一在于需要离线训练数据与在线测试数据具有严格的一致性.但在实际环境中,无线信号数据波动较大,...
详细信息
基于WLAN(Wireless Local Area Networks)的无线定位是移动互联网领域的重要研究内容之一.其中,指纹定位方法已成为主流,此类方法的特点之一在于需要离线训练数据与在线测试数据具有严格的一致性.但在实际环境中,无线信号数据波动较大,存在显著的时效性问题.这导致一定时间后,定位模型的预测精度不断下降.文中提出一种具有时效机制的增量式定位方法(Timeliness Managing Extreme Learning Machine,TMELM),一方面满足实际系统的应用需求,可随时加入新的训练数据进行在线增量式学习,另一方面融入时效机制,以最大化新增训练数据对定位模型的贡献,保持定位模型的精度.实验表明,在实际WLAN定位数据集上,文中方法相比于传统的几种增量式学习方法,具有明显的时效优势,能获得更好的定位精度.
根据超声心动图准确分析左心室轮廓和射血分数对于心血管疾病诊断意义重大.但现有方法存在左心室分割和射血分数预测之间缺乏关联性、左心室分割关键点易于出现离群点和突变点、方法存储和计算开销大、解释性不佳等问题,为此提出一种基于先验知识引导的轻量级图卷积方法EchoGPK(Echo Guided by Priori Knowledge),以心脏的结构和运动特性、相邻心肌的相似性等先验知识为引导,设计了计算高效的螺旋聚合函数和深度压缩的多头偏心聚合解码器,实现了图卷积结构的轻量化.方法基于临床医生的普遍经验提出了适度利用左心室轮廓的多任务射血分数预测网络,建立了左心室分割和射血分数预测之间的关联性,增强了推理的可解释性;基于图卷积神经网络的传递特性约束邻居点的行为,减少了边界离群点和突变点的产生.EchoGPK在大型公开数据集EchoNet-Dynamic上的实验结果表明,左心室分割的Dice分数达92.13%,射血分数预测的MAE达3.92%;方法表现出准确率高、参数量和算力需求低等特点,证明了先验知识在超声医学图像分析中的有效性.
暂无评论