没有合适的资源?快使用搜索试试~ 我知道了~
可在www.sciencedirect.com上在线ScienceDirect电气系统与信息技术学报3(2016)230广义数据堆栈规划模型及其应用Hala Samir Elhadidya, Rawya Yehia Rizka, Hassen Taher Dorrahba埃及塞得港大学工程学院电气工程系b埃及吉萨开罗大学电气工程系接收日期:2015年5月26日;接收日期:2015年11月13日;接受日期:2015年11月22日2016年8月20日在线发布摘要最近的研究表明,在各种科学中,当系统受到事件或变化环境的影响时,系统都会遵循基于堆栈的存储变化本文提出了一种广义数据栈编程(GDSP)模型,用来描述系统在不同环境下的变化这些变化是用不同的方式,如传感器读数捕获存储在矩阵中。提出了提取算法和识别技术,分别提取图像之间的不同层和识别对象所遵循的堆栈类。提出了通用的多层堆叠网络,包括一些应用程序的各种基于堆叠的分层之间的交互实验证明,堆栈矩阵的概念给出了99.45%的平均准确率。© 2016 电 子 研 究 所 ( ERI ) 。 Elsevier B. V. 制 作 和 托 管 这 是 CC BY-NC-ND 许 可 证 下 的 开 放 获 取 文 章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。关键词:固结理论;提取算法;广义数据叠加规划模型;识别技术;多层叠加网络1. 介绍信息的表示、存储和检索是计算机科学的基础。数据结构有很多种方式。堆栈就是其中之一,它是一种项目的安排,其中最近到达堆栈的项目是第一个被检索的。传统上,对象以堆的形式存储,其中插入和删除仅从顶部然而,在(Elhadidy et al.,2013年,2014年)通过引入广义数据堆栈编程(GDSP)模型。栈不仅是一个类,而且根据新元素插入的位置,它有多个类科学家、研究人员和工程师们已经尽了最大的努力来引入各种数学技术,通过研究系统的稳定性和测量系统的鲁棒性程度来理解系统的行为,从而避免系统未来可能的故障或崩溃。尽管如此,一些系统仍然继续失败或进入混乱状态(Dorrah和Gabr,2012)。因此,人们发现,任何系统对时间和任何事件的响应都受到*通讯作者。电子邮件地址:h. eng.psu.edu.eg(H.S. Elhadidy),r.rizk@ eng.psu.edu.eg(R.Y. Rizk),dorrahht@aol.com(H.T.Dorrah)。电子研究所(ERI)负责同行评审。http://dx.doi.org/10.1016/j.jesit.2015.11.0132314-7172/© 2016电子研究所(ERI)。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230231通过改变其参数,在其生命过程中对其进行调整(Dorrah,2014 a;Little等人,2006;Alsbouí等人,2011年)。这些更改遵循更一般意义上的基于堆栈的行为,其中更改采取向对象添加或从对象移除新层的形式这项工作的主要目标是介绍一种新的数据结构技术(GDSP)的基本概念,它改变了堆栈的旧定义,因此改变了呈现任何物理系统的方式,使其在正常情况下具有不同的操作新定义可用于许多领域,因此它有助于通过矩阵实现来讨论和分析它基于增长(或收缩)矩阵,相当于向堆栈中插入(或从堆栈中删除)项。采用不同方法产生的叠加矩阵对系统进行建模和分析为了实现这一思想,提取算法被应用于提取对象暴露于事件后发生了什么该算法如果一个对象的图像是在受到事件影响之前和之后获得的,则根据也提出的识别技术来识别对象所遵循的堆栈的类同样的概念也被扩展到当处理具有相互作用的各种现实生活系统时出现的多堆叠系统(Elhadidy等人, 2014年)。本文的结构安排如下:第二部分介绍了本研究的动机。第三节给出了广义栈的定义,包括栈的传统形式,GDSP模型的详细类,该模型的例外和一些多栈应用。第4节介绍了基于堆栈的分层提取和处理。它包括依赖于点模式点匹配算法的提取和识别算法,作为理解新模型概念的工具第5节介绍了多堆栈分层网络及其应用。第6节给出了将堆栈矩阵应用于代表人体动脉的圆的实验,表明任何处理都可以以高精度轻松完成在本节中,还将提取算法应用于动脉的真实图像,以使用堆叠矩阵来提取脂肪。第七部分是结论和未来的工作。附录A提供了我们模型的每个类的编码。附录B给出了它们的数学表示。2. 研究动机系统可以根据不同的标准进行分类,人们在系统分类方面做了大量的工作在许多生命科学中,现实生活中的物理系统是事件驱动的框架(Dorrah,2012)。另一方面,时间控制系统状态方程,从而控制系统响应。它在确定事件发生的顺序方面也是至关重要的(Thiele,2007)。“时间驱动“与“事件驱动“之间的关系是许多研究的主题, 由于计算机科学处理的系统主要是虚拟的,由于它们的性质不同,它们开发的方法无法复制到物理系统(Dorrah,2014 b)。 这个问题最近才通过引入如图1所示的“时间驱动事件驱动参数变化“范式来解决(Dorrah,2014a,2013)。这种范式指出,影响系统的每个事件这实际上表明,现实生活中的系统是智能的,并通过参数的连续变化来存储所有影响事件这种范式的一个简单表示可以通过以下表示来说明(Dorrah,2014 b)。由于系统的性质和类型发生了广泛的变化,这种变化将因系统的内部属性而异,这取决于“巩固指数”(Dorrah和Gabr,2012; Dorrah,2014 a,2013; Gabr,2015)。该指标可由系统物理方程的知识计算得到。巩固性(巩固的行为和质量)是由系统输出反应与组合输入和系统参数反应时,受到不同的环境和事件来衡量。此外,整合性可以管理系统在系统变化路径期间经受”正常操作之上“的引发事件或变化环境时承受变化的能力现实生活中的系统变化在逻辑上可以被设想为在每个事件状态中以新的子层(或微小的子层或底层)的形式内部堆叠,这些子层以某种形式与其他先前存在的层相关联这种新的子层(或子层)表示由于事件状态处的诱发效应而施加在原始系统基本层上的增量物理变化或交替。在基本系统层处的这种基于堆叠的布置的不同类别在下一节中讨论并且在表1中描述如下。232H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230图1.一、描述现实生活系统的“时间驱动-事件驱动-参数变化“范式的概念图(Dorrah,2014 b,2013)。表1新的六类堆栈。基于堆栈的布置类(相对于先前的现有层)S1:原始基本系统(或层)之上、顶部或向上S2:原始基本系统(或层)之下、底部或向下S3:原始基本系统(或层)外部区域的单面、双面或所有面S4:某些原始系统核心或核子的外表面、外层或涂层S5:在基本原始系统(或层)内部的某个中空或空的空间的内部、内部或衬里S6:在原始基本系统(或层)的内部区域内、中间或分散因此,系统变更路径的物理建模将需要处理上述堆栈类中产生的数据为了实现这一目标,将遵循矩阵方法来逐步存储每个事件状态μ的各种形式的物理系统层的所有相应变化。为此,必须使用通用堆栈矩阵表示法。因此,本文的主要目的是开发这种类型的广义堆栈矩阵的形式适合于处理上述堆栈类的每个特定类型。从系统物理层到这种广义堆栈矩阵的数据传输是通过各种手段(例如传感器测量或频繁成像)监视这些层中的变化并将每个事件状态下的数据传输到这种矩阵来执行的3. 广义叠加定义3.1. 传统堆栈堆叠是指最近到达堆栈的项首先被检索的项的排列。传统上,堆叠意味着从对象的顶部添加或删除项目无限堆叠属性将H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230233由于其无限的容量,允许在堆栈中容纳任何数量的元素(Mehlhorn和Sanders,2007年)。Stack在许多领域都有很多应用(Preiss,1997;Shaffer,2013)。堆栈的数组实现传统上用于表示以其传统形式对堆栈进行的各种操作。然而,当系统暴露于异常事件时,堆叠可以应用于在比常规形式更一般意义上因此,Dorrah(2014 a)中提到了六种不同的堆栈类型,Elhadidy等人(2013,2014)对此进行了更详细的研究。所提出的GDSP模型形成用于处理各种应用的模块化块。该模型基于增长(或收缩)矩阵,相当于向堆栈中插入(或从堆栈中删除)项。3.2. GDSP模型现实生活中的系统变化在逻辑上可以被认为是以新的子层(或微小的子层或底层)的形式在内部堆叠的,该子层以某种形式与其他先前存在的层(一个或多个)相关地布置。GDSP模型使用矩阵表示,因为它比阵列表示更一般。在对系统参数的任何新的进入的基于栈的层的渐进分配进行编程时,多维增长矩阵的大小以适当的步长增加,而不是如在常规阵列类型的编程中那样是固定值。我们假设任何系统都可以用矩阵来表示,这些矩阵取自它的图像,图二.演示了现实系统中出现的各种堆栈类随事件状态μ变化的增长型(S+)的基于堆栈的分层过程(Dorrah,2014 b,2013)。234H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230ΣΣ它们的值表示颜色。矩阵的维数取决于被研究对象的大小,随着对象的增长,矩阵也会增长 这个假设是用来解释这个新理论的,对感兴趣的读者来说是显而易见的。这个模型的代码在附录A中给出,数学表示在附录B中给出。该模型包括六个类别,其基于子层方向的堆叠在图2中描绘如下。3.2.1. S1级(以上、顶部或向上)S1类是堆栈的传统形式,它以堆的形式存在。从堆栈中添加(S1+)或删除(S1-)一个元素是从顶部完成的显然,此类可以在许多应用程序中找到,例如子例程调用并存储计算机存储器中的数据。如果对象由表示并且如果添加项+,则对象的矩阵变为(增长矩阵(S1+))。或者它变成了x x x 如果删除第一行(S1-),则作为收缩矩阵。3.2.2. S2级(下方、底部和向下)有一些应用程序,项目可以存储在一个物体下,如在水下种植海藻。这种在底部进行插入(S2+)或删除(S2-)的应用程序是S2类通过应用矩阵方法,在底部添加一层后,新矩阵的大小将增加如下:成长矩阵(Growing Matrix)或者它变成(收缩矩阵)。3.2.3. S3级(单、双或所有侧面-外部)当插入(S3+)或删除(S3-)在一侧或两侧完成时,使用S3类,这取决于从左到右开始这类可以在土壤中找到的存款可以在这两个双方通过应用矩阵方法,如果一侧是,则新矩阵中的列数将增加1。如果两个边按如下方式添加,则添加或两个:xx变为+xxx或+xxx+ΣXX X+x x x+xxx ++的(增长矩阵)或在删除的情况下减少一列或两列变成或(收缩矩阵)。3.2.4. S4级(外部、外层或涂层)树干直径通常在白天和夜晚以及全年的雨季和旱季中变化(Aimene等人,2009年)。年龄对树干直径的影响明显,年龄较大的树干直径大于年龄较小的树干直径。它也受到降雨或干燥条件的影响这些变化以外部环的形式存储在树内,并随着时间的推移而类S4用于模拟树干中发生的事情,在那里它可以生长或收缩。此类用于向对象添加外环(带)或从对象中移除外环应用矩阵方法,使用第四类(S4+)添加一个项目意味着向左添加一列,然后向上添加一行,然后向右添加一列,并向矩阵底部添加一行,并按如下方式增加大小:成长矩阵(Growing Matrix)移除一个元素(S4−)意味着移除左列、上行、右列,然后是下行,如下所示:变成(收缩矩阵)。3.2.5. S5级(向内、内层或衬里)类S5与类S4相反,其中插入(S5+)或删除(S5-)是通过在对象内部添加或删除一个内环来完成的,条件是它必须在中间有一个空的空间这个想法在人类身上很清楚H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230235⎢⎥⎣ XX0X0X0XXX⎦⎣ XX+X+X+XXX⎦Xxx xx⎢⎥图三.以S5为例。资料来源:http://www.ayurhealth.info/tag/garlic。动脉脂肪可以沉积在动脉内,减小动脉的半径,并增加一个内环的脂肪,留下空的中心,让血液通过,如图。3.第三章。应用矩阵方法,使用S5类添加项目意味着从内部空白空间开始向左添加一列,然后向上添加一行,然后向右添加一列,并在矩阵底部添加一行,并保持大小,就像胆固醇沉积物的情况一样,直到它堵塞内部的孔,如前图所示为此,必须对于表示对象的矩阵,该矩阵在其2D中是在中心具有孔的正方形矩阵(m,m),如下所示:⎢⎡X x x x你好, x x xx+x0 0 0x⎢⎥x++ xx00⎢0x变成x+⎥ ⎢0+x当内环被插入时。在移除-⎥删除一个项目意味着从左边删除一列,然后从上面删除一行,然后从右边删除一列,⎢⎡X x x xx从矩阵xx中的空白区域底部开始的一行中国xXX0xxx xxx xx成为⎥⎦⎢⎡X x x x X⎣⎢好吧⎥⎦3.2.6. S6级(内部、中间或分散)S6类用于随机添加(S6+)或删除(S6-)项。沙子或矿物质沉积在肾脏或水果蠕虫或皮肤下有肿瘤是第六类的应用如图。四、应用矩阵方法,使用第六类添加一个项意味着在位置(a,b)添加一个元素,然后根据应用水平或垂直重新排列矩阵如果新元素的位置靠近右边,则通过向右边添加一个新列然后推送找到X000XX000XX000XXXXXX236H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230见图4。S6的例子;肾结石和果虫。资料来源:www.medicinenet.com。在行a中从列b+1开始直到新列。但是,如果位置靠近左侧,则将新列添加到左侧作为第一列,然后从新位置开始将元素推到行中的第二列,向左移动在(2,2)处添加y后变为,然后在右侧添加一列后水平重排.而删除一个项目意味着删除一个元素,然后水平地重新排列矩阵,而不删除任何列,但在列的末尾留下一个空格,如下所示:如果我们有并且想要移除(2,2)中的元素,它变成。如果排列是垂直的,在底部添加一个新的行如果新元素的位置接近底部,然后将b列和a行中的元素向下推到最后一行,然后在(a,b)处添加新元素但是,如果新位置靠近对象(矩阵)的顶部,则在顶部添加一个新行,并将从a开始的元素推到同一列(b)中的第一行,如下所示:在(2,2)处添加y后变为,然后在底部添加一行后垂直重新排列。而移除一个元素意味着移除一个元素,然后垂直地重新排列矩阵,而不移除任何行,而是在行的末尾留下一个空格,请遵循:如果我们想删除(2,2)中的元素,它就变成了。3.3. GDSP模型例外在此模型中,假设新层是统一的然而,每个基于堆叠的层在其形成中可以更复杂该层可以是不均匀的,包含不同性质和外观的片段工业管道腐蚀是一个例子,其中腐蚀发生时,生锈增加在一个特定的地方,或这个地方是最薄弱的部分,或有一个外部过载这可以通过从第一列而不是整个列中删除一些元素来完成,因为它是第三类(S3-)的示例,如下所示:H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230237⎥⎢x0的0 0x000 0x⎢⎣⎢⎣⎥⎦x0的0 0xXx0 0xx0的0 0xx0的x xxX000X或.图五.人体动脉内的脂肪沉积物和管道内不同物质的沉积物(Dorrah,2014 a)。⎢⎡X x x xxX x x xx将是0 0 0x或删去第(S6−)条,使其成为该条的特殊情况XX0X0X0XXXXX0X0X0XXX在这个特定的地方有不止一个元素。在许多其他应用中也发现了同样的想法,例如当牙菌斑覆盖牙齿的特定位置时,使其变得脆弱并容易破裂(S1−的特殊情况)。工业管道内的沉积物是另一个例外的例子,因为沉积物积聚为一段层,而不是如图所示的完整内环图 五、 这种情况也与人体动脉内的脂肪沉积完全相同。⎢⎡X x x xxX x x xxX x x xxx0的联系我们XX0 0x0 0xx x x将Xx中国xXX0 0x0 0xx x xx0的中国xXX0 0xx x xx x x或甚至⎢⎡X x x xxx0的中国xXX0 0xx x xx x x3.4. 多种堆叠应用在许多实际情况下,堆叠可能更复杂,并遵循前面六个类的组合有许多应用程序可以使用多个堆栈类,如下所示。3.4.1. 工业管道长管道在许多国家用于许多应用,例如输送水、天然气或石油(Jawhar等人,2007年)。到那时,管道从外部或内部都被损坏,并且两侧都有沉积物。锈从外部影响管道或其表面上的沉积物是(S3 +)的示例,而如前一小节所示,内部沉积物是(S5 +)的示例,如图6所示。因此,管的堆叠被视为S3和S5的组合。⎥⎥⎦⎢⎥⎦⎥⎦⎥⎦⎥⎦238H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230见图6。管道上和管道中的沉积物以及工业管道上的铁锈。资料来源:http://www.corrview.com。见图7。洪水使水位上升(S1),堤岸增加(S3)。资料来源:http://www.news-journal.com/news/2015/may/11/storms-flooding-washes-out-roadways-henderson-coun。3.4.2. 水货或潮汐如果河流发生洪水或潮汐,水位会上升(S1+)。 如果水流快速流动,河岸的两侧会坍塌,因此河岸的两侧会更宽(S3+),如图所示。7.第一次会议。4. 基于堆栈的分层提取和处理特征检测和图像匹配代表了计算机视觉、计算机图形、摄影测量和所有成像应用中的两个重要任务(Elgayar等人,2013年)。检测到的变化提供了在维护操作中有用的指示(Declerck等人,2014; Amit,2002)。 假设我们有同一个对象在暴露于变化之前和之后的两个图像,我们可以识别它们之间的差异,然后识别这个对象在其变化中遵循的堆栈类。基于堆栈的分层可以由从系统的经处理的照片获得的图像矩阵的形式表示。4.1. 书库提取算法在模式识别和图像处理的主题中有大量公开的文献,其可以提供基本工具和模板匹配、图像融合以及图像相似性和差异转换的发展(Abolghasemi等人,2012年)。每一层从一个事件状态到下一个事件状态的变化可以很容易地通过应用任何简单的色差(减法)算法来评估。堆栈提取算法就是其中的一种,它是通过对两幅图像进行比较,然后从图像中提取出受事件影响的差异层 如算法1所示。 它的想法是受点模式匹配算法(Goshtasby,2005)的启发。H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230239- −≤× ××从第一图像中选择三个点(xi,yi),其中i = 1,2,3,|x ix i+1|和|y iy i+1|5、保证各点相互靠近。从第二图像(Xi,Yi)中选择三个点,其中(Xi=Xi)和(Yi=yi)。对于给定的点,计算以下等式的系数X=ax+by+c,Y=dx+ey+f(1)在第一图像中随机选择另一组点,并使用等式(1)中的计算系数将其与第二图像中的另一组点进行比较。(一). 如果Eq.如果满足(1),则意味着没有发生变换,并且新的矩阵将具有表示改变之前和之后的图像的两个矩阵之间的差但如果Eq.如果不满足(1),则意味着发生了变换,并且在这种情况下,算法终止。假设两个集合中的点通过由等式(1)给出的仿射变换相关。(一).算法1. 提取算法。步骤5可以从所提出的算法变为L=A-B,这意味着L具有表示两个图像的两个矩阵之间的差,如果图像的矩阵是二维的,则该算法的时间复杂度为O(N2),其中N2 = m n和m,n是A和B的两个维度或O(N3) 如果矩阵是三维的,其中N3=m n q,其中m,n和q是A的三维。步骤计数可以通过省略矩阵M来减少,其中矩阵L是足够的,并且可以清楚地看到其值的差异4.2. 堆栈识别技术本节的目标是识别已经用于将原始图像A转换为第二图像B的堆栈类,该第二图像B用于同一对象,但在事件影响它之后应用点模式匹配算法,然后如果没有变换,将图像转换为矩阵,并逐个元素地比较两个矩阵在猜测这个对象遵循哪个堆栈类之前,必须清楚一些事实4.2.1. 第一事实S4和S5之间的区别在于,跟随S4的对象的矩阵的中心通常被阻挡,向外环添加元素,并且随着行数和列数的增加,图像B的矩阵大小大于原始矩阵大小。另一方面,跟随S5的对象的矩阵必须240H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230X⎥⎡⎢XX⎥⎢⎥⎢⎥XXX阿克斯x阿姆斯壮⎥⎦⎢⎣⎡x一X图8.第八条。对象A和B是相同的,但是在分别向左或向右添加两列或一列之后(S3)。有一个空的中心(零),改变是通过增加内环内的对象和矩阵大小是相同的两个图像。在图2(S4,S5)中区别是清楚的。X在S4的情况下,B的矩阵看起来像Xxxxx其中A是原始矩阵。而在S5的情况下4.2.2. 二事实如果两个矩阵的行数相同但列数不同(或多或少),则水平重排后,此堆栈类可以是S3±或S6±我们可以通过眼睛检查矩阵或使用一些计算来识别类通过眼睛,如果B的矩阵在向右移动并在开始时有一个新列之后与原始A相同,或者B与A相同,但在末尾有一个新列,或者还有两个一列在开头,另一列在结尾,这意味着它遵循S3。如果两个矩阵之间的差是一个元素,并且第一列或最后一列(新添加的列)除了该元素行之外都是零,则这意味着它是S6。在这种情况下,一次只添加一列xx x⎢⎥ ⎢X⎤ ⎡ x⎤⎥ ⎢ ⎥在S3的情况下,B的矩阵看起来像x A x或x⎢A或A x分别根据图 其中A是原始矩阵。然而,在S6的情况下,矩阵B将是例如在位置(4,1)处添加新元素,然后在开始处添加新列,在添加y之前已经在该位置的列被向左推到新列,如图9所示。或者,如果y被添加到(4,3),x被向右推到添加到右边的新列,也可能是这样。通过计算,如果A和B之间的列数之差为1,则在原始矩阵A的开头添加一个虚拟列之后,或者如果A和B之间的列数之差为2,则在开头添加一列,在结尾添加另一列之后,通过提取两个矩阵之间的差矩阵,新列的元素为零。如果新矩阵和B之间的差矩阵具有在开始或结束处具有数据(不是该列中的所有元素都是零)的列,并且矩阵的其余部分是零,则这意味着它是第三类(S3)。X其中y是a,⎢XB的矩阵从外侧看与A相同,但其内部略有不同。⎣H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230241ΣΣ×见图9。水平重排后的堆叠S6(S6)。见图10。在竖直地重新排列(S6)之后的堆叠S6。否则,如果两个矩阵之间的差是一个元素,并且第一列除了该元素行之外都是零,这意味着它是S6。如果最后两种情况不满足,则在原始矩阵的末尾添加一个虚拟列如果差分矩阵是一个元素,并且最后一列除了该元素行之外都是零,这意味着它在水平方向上是S6。4.2.3. 第三个事实如果两个矩阵的列数相同但行数不同(或多或少),则垂直重排后,此堆栈类可以是S1,S2或S6。在具有比原始矩阵更多的行的情况下,如果两个矩阵具有相同的值,除了矩阵B的第一行是附加行,则该类是S1。如果这两个矩阵除了B的最后一行之外具有相同的值,则该类为S2。如果差是矩阵内的元素,并且该元素在相同移动方向上添加另一行之后向上或向下推动相同列中的其他元素,并且新添加的行中的其余元素为零,则这意味着S6。具体见图2(S1和S2),S6垂直重排后见图10。在S1的情况下,矩阵B看起来像xx其中A是原始矩阵。然而,在S2中,B看起来像一一X x Xx- 是的另一方面,在S6矩阵B中,如果元素y被添加到位置(3,2),所以一个新的行被添加到底部,从第3行开始的第2列中的元素被向下推,其余的元素被向下推。如果y被加到(2,2)上,则新行中的元素的值为零注意,在这个例子中,原始矩阵是(43)在添加元素的情况下,我们可以通过提取两个矩阵之间的差异矩阵(A在添加一个开头为零的哑行之后,B)来准确地识别这个对象遵循哪个类。Σ242H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230如果差分矩阵的第一行有值,其余的都是零,这意味着它是第一类(S1)。如果得到的矩阵在同一列中有一些数据,并且第一行中的其余元素为零,则这意味着在垂直重新排列并在开始处添加一行之后是S6。否则,返回到原始矩阵,并在末尾添加一行零,并找到它与B之间的差异。如果得到的矩阵除了最后一行之外都是零,这意味着它是S2类如果在同一列中有更多的元素具有算法2表示先前的事实。算法2. 堆栈识别技术算法。H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230243图十一岁吸烟者的吸气(代表蓝线)和呼气(代表红线)堆叠网络5. 多层堆叠分层网络任何物理系统都是相互连接的物理部分或元素的集合,以执行所需的功能(Singh和Agrawal,2008)。由于任何系统都有许多元素,并且每个元素都可以用堆栈来表示,如果对其中一个元素进行任何操作,就会影响其他邻居。因此,该系统作为堆栈网络的新愿景上升,并在Elhadidyet al.(2014)中进行了讨论。以下是这些堆栈如何相关的示例。5.1. 在吸烟者在吸入中,O2进入肺(S6+),然后红细胞将携带来自肺(S6,返回其初始状态)的顶部(S1+)的O2,而携带CO2的其他红细胞将其提供给肺(S6+),细胞将是S1。在呼气过程中,二氧化碳会从肺部排出所有这些都需要1到2秒。如果被调查的人是吸烟者,不仅氧气进入他的肺,而且尼古丁。每当这个人吸气时,他的肺就会充满有毒的化学物质,焦油和尼古丁。香烟中的化学物质进入血流,导致动脉壁变得粘稠(Gonzale等人, 2009年)。 这会聚集脂肪和胆固醇,从而阻塞血液,导致中风和心脏病发作。因此,在吸入过程中,红细胞除了携带氧气(S2+)外,还携带尼古丁到动脉壁(S5+)和身体细胞,以破坏或改变癌症(S6+)。红细胞(S2+)从体细胞(S6-)吸收二氧化碳,然后将其输送到肺(S6+),如图所示。 十一岁6. 实验和结果本节介绍了将提取算法应用于动脉的真实图像以使用堆叠矩阵来提取脂肪。在本节中,还介绍了将堆栈矩阵应用于代表人体动脉的圆的实验,表明任何过程都可以轻松地以高精度完成 在这些实验中使用Matlab,颜色从0到255(Gonzale等人, 2009年)。244H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230见图12。左边的图像是一个健康的人,而右边的图像是同一个人,但有一些脂肪。图13岁如果表2中指示的5、9和13个脂肪层被添加有(a)低分辨率和(b)高分辨率,则动脉(低分辨率1 mm = 10个单位,高分辨率1mm = 40个单位)。图12是在其上具有一些脂肪之前和之后的人动脉的两个图像。我们首先需要在两幅图像上应用第4节中提到的提取算法来提取不同的层。在两个图像中相同的区域中仔细选择彼此靠近的点1通过这些点,我们可以计算方程中的a-f(一). 通过检查前三个点的值,它们将是:a= 1,b=-0.5,c= 13.5,d= 0,e= 1,f= −1。所以X=x− 0.5y + 13.5,Y=y− 1。如果我们将这些方程应用于其余的点,我们会注意到,H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230245×点彼此匹配;这意味着没有发生转换。通过比较两个图像矩阵;逐个元素,我们发现存在可以根据提取算法提取的差异,如图所示。 13岁在矩阵M中可以清楚地找到并独立存在的差异的位置。如果直径约为4.5mm的正常动脉暴露于胆固醇,则在其内部产生脂肪层作为内环。随着时间的推移,该层增加,直到当动脉的内径达到2.5 mm时,医疗干预将是强制性的。获取动脉的图像,并且可以容易地从其产生堆叠矩阵每次通过拍摄动脉图像并将此图像与前一个图像进行比较来检查患者。使用该堆叠矩阵,可以高精度地计算脂肪层的面积。面积的计算方法是将两个圆之间的单位计数到最接近的整数单位,再乘以所用的比例。表2示出了人体内动脉的脂肪层堆叠数据该表显示,当分辨率高(HR)时,计算面积的平均HR准确度达到精确值的99.45%使用低分辨率(LR)可以得到精确值的85.5%的可接受结果。对于这个特殊的例子,我们用矩阵单元近似圆边界的曲线当曲线穿过单元格时,我们要么取下整个单元格,要么丢弃单元格,这取决于层中包含的单元格的百分比不能采取部分单元格当层面积增加时,这种误差减小,因为这种近似对总层面积的部分变得不太明显。图图13示出了当添加5、9和14层时的动脉,其中圆圈的每种颜色与脂肪的强度相关,如表2中的颜色代码列所示。 针对图在图13(a)中,表示第一图像的堆叠矩阵的图像矩阵是200 200。然而,经过一些修改后,第一幅图像的第二个四分之一的图像矩阵看起来如下;第一个维度是:第二个和第三个维度相同,如下所示:表2动脉脂肪层的叠加数据堆叠层数直径(mm)脂肪层强度颜色代码堆积层的面积,单位为mm2精确(π/4 ×直径2)LR堆栈LR准确度(%)HR堆栈HR准确度(%)14.50071199–––––24.392521460.75420.674.30.7498.0834.305601681.3485165.151.312597.2644.202912552.03671.886.852.037599.9654.048451263.03452.473.563.024499.6763.956551543.61292.870.973.605099.7873.843812274.30503.680.424.297599.8383.673752105.30854.684.65.29599.7593.499621746.28876.498.266.3199.66103.336451267.1637797.667.162599.98113.19934967.86687.696.497.895099.64123.081742088.44897.891.688.4699.87132.827541529.62759.295.359.642599.84142.5963810710.611310.295.9710.655099.59动脉部分阻塞必须进行医疗干预246H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230247- -请注意,彩色单元格表示纯红色,而其他255个必须在3维中的单元格表示白色。还有另一个描述形状的堆栈矩阵。在我们的例子中,对于不同的半径,堆栈矩阵是(x,y)。在图1中的第一图像的情况下, 13(a),堆栈矩阵如下:对于x =[-22.5-17.5-12.57.5 2.5 2.5 7.5 12.5 17.5 22.5]。对于第一个圆,它的矩阵(与(sqrt(R2−x2)相关的y值,其中R= 22.5)为:0151922232322191500−15−19−22−23−23−22−19−150在这两行数据之间有一些空行,通过添加层,新数据出现在堆栈矩阵中的空行中。此外,第二图像的第二四分之一的图像矩阵为:248H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230第三个图像的第二个四分之一的图像矩阵为:H.S. Elhadidy等人/Journal of Electrical Systems and Information Technology 3(2016)230249如从第一图像的第二维和第三维看到的,其他维度看起来像在与第一维相同的位置具有255(白色),而在其他数字的位置具有0,以通过重置绿色和蓝色而具有不同高分辨率的图像矩阵比低分辨率矩阵大得多。从前面的矩阵和表2中可以看出,当分辨率较低时,时间复杂度和数据量相对低于分辨率较高时。然而,高分辨率达到高精度。在假设至少在精度(A)为0.7至1的范围内关系是线性的之后,可以根据以下关系选择中间分辨率:A=α×S+β(2)其中A是十进制精度,S是每1 mm刻度的单位数,α和β是常数,其值基于实验。在我们的实验中,它们的值分别为0.00465和0.8085基于堆栈或镜像矩阵的GDSP模型可以方便地用于不同系统的建模和分析,且精度高。7. 结论和未来工作本文提出了一种新的方法来分析无处不在的系统在其变化路径使用GDSP模型。不同于传统的堆形式,众所周知的,因为有不同的应用程序的堆栈在我们的物理世界中,它是重要的是要给予更多的关注。GDSP模型包括六类堆栈来模拟真正发生在任何地方的现实生活中的系统。这些堆叠程序可以有效地用于形成未来的模块块,用于处理包括多堆叠应用的各种应用。增长/收缩矩阵实现的开发模型的GDSP模型的六个类,而不是阵列实现的矩阵的值是通过各种手段,如传感器测量或在这项工作中从频繁的成像。这些值描述了系统发生的更改。所有六个类的数学模型和算法,然后成功地使用Matlab的例子进行了测试。GDSP模型在生命科学、医学、生物学、工程学等领域有着广泛的应用提出了堆栈识别技术,用于分类对象中的这种变化属于哪个堆栈类。虽然在图像处理中有很多算法可以做提取操作,我们的算法是非常简单的,因为我们的重点是新的视觉的数据结构比开发算法的细节。由于任何系统都可以划分为若干个栈,每个栈都有自己的类型和操作,如果对其中一个栈进行任何操作,都会影响到同一系统中的其他邻居,这就产生了研究多栈分层网络的重要性。实验证明,基于任意系统堆栈矩阵的方法可以完成任意要求的工作,平均精度达到99.45%。最后,更深入的分离分析的各种堆栈层建议通过开发一种反馈技术,有对象后,删除不寻常的事件,它是暴露。附录A. 堆栈类算法伪代码语言比实际的编程语言更方便,因为我们可以使用从数学中借用的高级概念,而不必担心它们如何被编译以在实际硬件上运行附录A用于解释可以在我们模型的不同类上完成的操作。
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功