传统的数据融合算法要求获得比较精确的对象数学模型，对于复杂的难于建立模型的场合无法适用。为解决上述问题，提出了一种基于BP神经网络算法的多传感器数据融合方法，对对象的先验要求不高，具有较强的自适应能力。仿真结果表明，采用BP神经网络对传感器数据进行融合处理大大提高了传感器的稳定性及其精度，效果良好。
2021-09-25 17:52:31
355KB
1
转自CCF：https://dl.ccf.org.cn/lecture/lectureDetail?id=4663480272078848。
张勇，剑桥大学博士后。
摘要：健康医疗大数据是健康医疗活动的产物，同时也是进行健康医疗业务优化和辅助决策的基础。健康医疗大数据分散在多个主体管理的多个系统中，所以在应用健康医疗大数据的时候往往需要先进行数据釉合。然而由于生成数据的系统所采用的标准或规范不同，不同来源的数据之间经常存在数据不一致的情况，同时由于应用水平等问题，数据的质量也存在较大问题。数据不一 致和数据质量等问题大大阻碍了数据融合的效率和效果。知识图谱作为作为一种灵活的数据模型，通过一张图来集成所有相关的数据，同时利用对齐等技术来解决数据中存在的问题。本报告将从健康医疗大数据融合的数据模型、过程、工具和应用的角度来介绍如何应用知识图谱来进行健康医疗大数据融合。我们把健康医疗知识图谱分为概念图谱和实例图谱，定义了各 自的数据模型，然后分别介绍了各自的建立过程，以及两者之间如何建立关联。我们提出了“ 医在回路 ”的概念，对医生在构建健康领域知识图谱中的角色和职责进行了定义。基于这些数据模型，我们研发了健康知识图谱构建工具 HKGB 。该工具是一个易于扩展的、跨语言的、智能的知识图谱构建平台。基于该平台，我们构建了面向心血管疾病的知识图谱。最后本报告介绍了健康医疗知识图谱的应用情况。
2021-09-23 13:39:54
5.68MB
1
该文件包含了本论文的MATLAB代码，即无重影多曝光图像融合技术，采用了密集的SIFT描述符和导引滤波器。
The file contains the MATLAB code of our paper Ghost-free multi exposure image fusion technique using dense SIFT descriptor and guided filter.
参考文献：
Hayat, Naila, and Muhammad Imran. “Ghost-Free Multi Exposure Image Fusion Technique Using Dense {SIFT} Descriptor and Guided Filter.” Journal of Visual Communication and Image Representation, vol. 62, Elsevier {BV}, July 2019, pp. 295–308, doi:10.1016/j.jvcir.2019.06.002.
2021-09-07 10:48:01
2.15MB
1