基于组合-卷积神经网络的中文新闻文本分类

目前的新闻分类研究以英文居多,而且常用的传统机器学习方法在长文本处理方面,存在局部文本块特征提取不完善的问题.为了解决中文新闻分类缺乏专门术语集的问题,采用构造数据索引的方法,制作了适合中文新闻分类的词汇表,并结合word2vec预训练词向量进行文本特征构建.为了解决特征提取不完善的问题,通过改进经典卷积神经网络模型结构,研究不同的卷积和池化操作对分类结果的影响.为提高新闻文本分类的精确率,本文提出并实现了一种组合-卷积神经网络模型,设计了有效的模型正则化和优化方法.实验结果表明,组合-卷积神经网络模型对中文新闻文本分类的精确率达到93.69％,相比最优的传统机器学习方法和经典卷积神经网络模型精确率分别提升6.34％和1.19％,并在召回率和F值两项指标上均优于对比模型.     

一种基于高频超声图像的肝包膜提取算法研究

针对高频超声图像中严重断裂肝包膜提取率低的问题,提出一种腹水结合动态规划的肝包膜边界提取算法。文中利用腹水特征实现肝包膜的粗定位,结合动态规划算法实现肝包膜的准确提取。实验结果显示,正常组、轻度、中度和重度肝硬化组的提取准确率分别为100.00%、98.75%、93.75%和92.30%。实验结果表明,文中算法能够在自动提取肝包膜轮廓线的同时提高断裂肝包膜线的提取准确率,并为进一步应用计算机辅助诊断提供了符合医学超声视觉特征的腹水特征。     

基于Vision Transformer的小儿肺炎辅助诊断

为改善基层医疗机构儿童肺炎诊疗水平，提高基层医生分析临床医学影像的效率和质量，提出了一种基于Vision Transformer(ViT)的小儿肺炎辅助诊断模型。首先利用ResUNet对儿童胸片进行肺区域分割，将左右肺区域从胸片中分割出来以降低其他组织对肺炎诊断的干扰。然后，将分割后的图像输入改进的混合ViT模型进行诊断，该模型使用传统卷积神经网络的特征映射作为Transformer的输入，并在卷积神经网络中引入自注意力机制，增强卷积以加强其获取全局相关性的能力。最后，对卷积神经网络的骨干网络和Transformer模型进行端到端的训练，使模型能够达到良好的图像分类结果。在Chest X-Ray Images肺炎标准数据集上进行了实验，实验结果表明，所提模型的肺炎识别准确率、精确率和召回率分别达到97.27%、97.69%和98.60%。即该模型具有较好的可行性，可使基层儿童肺炎的临床诊断准确率得到很大提升。     

基于Elman神经网络的模拟电路故障诊断研究

针对模拟电路的软故障,文中提出了一种基于改进Elman神经网络与提高特征向量有效性相结合的诊断方法。该方法对不同情况下的输出信号进行3次小波分析,形成8维的特征向量,再与改进的Elman神经网络结合进行分类与诊断。将改进Elman神经网络应用于非线性模拟电路故障诊断中可提高其诊断率与分类率。文中对其诊断方法进行了实验对比测试,结果表明,该方法提高了诊断性能,其诊断率与分类率分别为92.5%和83%。     

基于微粒群优化和匹配追踪的超声波参数估计

高斯型回波模型可精确模拟脉冲超声回波,针对传统参数估计方法初值选择范围小、不易收敛等问题,提出了一种基于匹配追踪的超声回波模型参数估计方法,利用微粒群优化方法实现了高斯型基函数的参数选择,克服了传统算法计算复杂的缺点,在参数估计的初值选择上更合理.实验表明,该方法可精确估计超声脉冲回波模型的各个参数,在满足测试精度的前提下,快速获得缺陷的定位信息,在工业无损检测中有着较高的应用价值.     

基于支持向量机的Web文本分类方法

Web文本分类技术是数据挖掘中一个研究热点领域，而支持向量机又是一种高效的分类识别方法，在解决高维模式识别问题中表现出许多特有的优势。文章通过分析Web文本的特点，研究了向量空间模型（VSM）的分类方法和核函数的选取，在此基础上结合决策树方法提出了一种基于决策树支持向量机的Web文本分类模型。并给出具体的算法。通过实验测试表明，该方法训练数据规模大大减少，训练效率较高，同时具有较好的精确率（90．11％）和召回率（89．38％）。     

基于有效载荷和数据包长度的多模态加密流量分类

针对大多数深度学习算法只使用单一模态进行分类会导致结果具有偏差性的问题，提出了一种基于双模态特征的混合神经网络。该方法能够使用两种不同的模态训练分类模型，提高分类模型的准确率。首先使用传输层流量数据包的有效载荷特征作为数据包级模态，数据包的长度序列特征作为流级模态；其次分成两个路径使用神经网络分析双模特征；再次将两条路径提取的高维特征进行融合；最后输出模型的分类结果。分别使用两个公开数据集对模型进行训练和测试，实验结果表明，多模态模型的分类精确率分别达到96.46%和93.01%，与当前4种比较优秀的单模态和多模态方法相比，均有明显提升。     

假性动脉瘤的超声诊断价值

目的 :探讨超声诊断假性动脉瘤的临床价值。方法 :运用二维超声及彩色多谱勒血流显像技术对 34例假性动脉瘤进行扫查 ,重点观察其彩色血流信号和动脉血流频谱特征。结果 :“一级假性瘤囊”2 6例 ,“次级假性瘤囊”5例 ,“三级假性瘤囊”3例。主要诊断指标是假性动脉瘤瘘道内可见红色和兰色交替的彩色血流束 ,并检测可“来回运动”动脉血流频谱图。断率 10 0 %。结论 :超声诊断假性动脉瘤安全、可靠 ,应作为首选诊断方法。     

基于小波分解和1D-GoogLeNet的心律失常检测

心电图(ECG)信号的准确分类对于心脏病的自动诊断非常重要。为了实现对心律失常的智能分类,该文提出一种基于小波分解和1D-GoogLeNet的精确分类方法。在该方法中,利用Db6小波对ECG信号进行8级分解,得到既含时域信息又有频域信息的多维数据。随后,分解的样本用作1D-GoogLeNet的输入训练该模型。在提出的1D-GoogLeNet模型中,借鉴Inception在图像特征提取中的优异性能,将2维卷积变换为1维卷积学习ECG的特征,并且简化各个Inception的结构,降低模型参数。该文提出的神经网络分类器能够有效缓解计算效率低、收敛困难和模型退化的问题。在实验中,选用MIT-BIH心律失常数据集测试所提模型的性能,对比了信号的不同分解分量组合作为输入的检测结果,当输入数据由{d2-d7}组合时,所提1D-GoogLeNet模型可以达到96.58%的平均准确率。此外,还对比了该模型与未经结构优化的简单1维GoogLeNet在数据集上的表现,前者在准确率上比后者提高了4.7%,训练效率提高了118%。     

基于卷积神经网络的激光雷达湍流预警

为实现湍流的自动化预警,提出了一种基于卷积神经网络的激光雷达湍流预警算法。首先,该方法将激光雷达获取的风速数据进行速度结构函数的构建;然后,拟合出涡流耗散率,进而将涡流耗散率构建为像素数据集。将数据集输入一种由两个卷积层、两个全连接层、一个softmax层、若干激活函数组成的卷积神经网络分类模型进行湍流识别;最后,采用学习率递减的方法来调整模型的参数对网络进行训练,网络收敛后,其损失度低至3%,通过对比实验表明网络的准确度可达到85%。运用中川机场2016年机组报告进行对比分析,结果表明:文中方法对大气湍流的预警命中率可达80%、误报率为13.3%、虚警率为6.7%,该方法与Hog-SVM分类方法相比,命中率显著提高,从而证明了该卷积网络模型在湍流预警中泛化能力强,提高了预警效率,能够为管制员和气象预报人员提供一种判断依据。     

基于LBP纹理特征的白带显微图像中上皮细胞检测方法

白带常规中显微图像细胞的自动识别一直是悬而未决的难题。上皮细胞是白带显微图像中的主要有型成分,能够直接反应清洁度等指标。针对目前白带常规中人为主观判断效率低的特点,本文提出了一种基于纹理特征的白带显微图像中上皮细胞检测方法。首先,应用形态学方法实现对上皮细胞等前景目标的提取;其次,分析前景目标的局部二值模式纹理特征;最后,用支持向量机实现对上皮细胞的精确分类。实验证明,LBP纹理特征在上皮细胞的检测和识别方面较其他的纹理特征提取器均取得了很好的检测效果,精确率为89.5%,召回率为86.0%。检测效率高,检测时间为304ms。本文算法已经应用于临床测试中,并取得了很好的临床实验效果。     

基于深度学习的电路板焊接异常检测算法研究

焊点的焊接质量决定了电路板的可靠性,而电路板焊接异常的快速检测是大批量生产的先决条件。为了快速地实现焊接异常的精确检测,提出了一种基于深度学习的焊点图像识别算法。该算法通过自适应矩估计配合加速卷积神经网络实现,可对大量焊接图片进行快速分类识别检测。实验选取5 000幅焊接图像训练集测试,并与传统的K-means聚类算法和Canny边缘检测算法对比。实验结果显示,在小球和连桥缺陷中3种方法效果相近,而在虚焊、少锡缺陷中,本算法具有明显优势。在1 000组测试集实验中,其综合检出率及召回率分别达97.92%和98.21%,明显优于传统方法,验证了本算法具有更好的应用前景。     

基于KPCA和LSSVM的表面缺陷深度识别

为了实现铝板表面缺陷智能识别分类,解决支持向量机在识别过程中准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在缺陷深度识别分类的应用进行了研究。采用核主成分分析算法对实验获取的激光超声信号进行时域特征参数提取主成分,并将多个满足要求的主成分作为输入,建立KPCA-LSSVM分类模型对表面缺陷进行识别。结果表明,该模型精准率和召回率高于优化前的系统,识别准确率达到了95%。     

基于双通道注意力机制的ResNet果实外观品质分类北大核心CSCD

为了实现对采摘后的果实进行快速、精确的外观品质分类,并配合分拣生产线完成果实大规模集中分拣,该研究提出了一种基于改进ResNet的果实分类方法。首先,将深度残差神经网络(deep residual neural network,ResNet)网络中的残差模块与双通道SE模块(dual channel squeeze-and-excitation block,DC-SE Block)结合,增强有效的通道特征并抑制低效或无效的通道特征,提高特征图的表达能力,从而提升识别精度;其次,在原始ResNet模型中加入Inception模块,将果实不同尺度的特征进行融合,增强对较小缺陷的识别能力;最后,对收集到的4类不同外观品质的果实图像进行数据增强并利用迁移学习的方法对模型进行初始化。以苹果为例进行的试验结果表明:经过数据集训练之后的改进模型,在测试集下的准确率达到99.7%,高于原模型的98.5%;精确率达到99.7%,高于原模型的98.3%;召回率达到99.7%,高于原模型的98.7%;在图形处理器(graphic processing unit,GPU)下的平均检测速度达到32.3帧/s,略低于原模型的35.7帧/s。与GoogleNet、MobileNet等几种目前先进的分类方法进行比较并对不同改进模型进行对比试验的结果表明,该方法具有良好的分类性能,对解决果实外观品质的精准分级问题具有重要参考价值。     

基于国网商旅大数据融合背景的用户画像构建

基于大数据分析的商旅计划决策是掌控差旅动态、制定差旅规范的重要组成部分。基于国网商旅信息数据，针对出差过程中出行方式的优化选取、酒店住宿的个人喜好，构建一种用户画像框架技术，实现快速、准确识别敏感客户群体。首先针对用户不同特性采用双通道建模方式预测用户敏感程度；其次围绕业务审批、差旅控制、酒店评价、时间特征、数值特征等类型刻画用户，构建用户多源特征体系；最后充分利用商旅数据多源性，创建基于双层XGBoost的多视角融合模型，提升分类精确率，并通过对比实验验证方法的有效性。     

基于神经网络集成模型的宫颈细胞病理计算机辅助诊断方法

针对宫颈细胞病理图像自动筛查问题,本文提出一种基于人工智能技术的计算机辅助诊断方法。该方法通过对宫颈细胞病理图像采用自适应双阈值法进行初步检测,再采用改进Chan-Vase模型进行精确分割,提取出细胞(粘连簇团)中的不同区域。然后,结合病理诊断专家规则,构建相应的正交特征集。在此基础上,使用神经网络集成模型进行正常、疑似病变二分类识别,完成计算机辅助诊断。实验表明,本文方法能够有效完成宫颈病理细胞(粘连簇团)的分类识别,具有较高的正确率(84%)与较低的误判率(2.1%)。满足了在保证判断正确率的条件下,尽量降低将疑似病变样本误判为正常样本的实际病理诊断要求。     

基于CNN的金属疲劳裂纹超声红外热像检测与识别方法研究

传统超声红外热像检测与识别金属疲劳裂纹主要是通过图像处理算法提取红外热图像的相关热特征,并与裂纹特征进行匹配,其过程过于繁琐,识别率较低且需要人工筛选有效特征。结合主动红外热成像技术以及卷积神经网络（Convolutional Neural Network,CNN）在金属结构无损检测与缺陷自动识别中的优势,提出了一种基于CNN的金属疲劳裂纹超声红外热像检测与识别方法。通过超声红外热成像装置对实验对象（文中为金属平板试件）进行检测,获取红外热图像并制作图像数据集。运用设计的卷积神经网络对不同尺寸裂纹的超声红外热图像进行特征提取与识别分类。此外,对所提出的方法与两种常见图像分类网络模型以及支持向量机的分类结果进行对比。实验结果表明,设计的卷积神经网络在该数据集上识别分类准确率为100%,优于其他网络模型和支持向量机的识别分类,可以有效检测与识别金属疲劳裂纹。     

基于PiT的皮肤镜图像分类方法研究

随着计算机技术的进步,现有的Transformer被 扩展成处理计算机视觉任务的网络结 构。为提高黑色素瘤的早期确诊率以提高皮肤病患者的治愈率,本文提出一种改进的基于 PiT(pyramid pooling transformer)的网络模型来实现对7种皮肤病变的皮肤镜图像进行自 动 分类。本文模型主要由PiT模块和抗干扰模块等2个部分组成,Pit继承了ViT的优点,并通 过池化进行空间尺寸转换来提高模型的鲁棒性,经过预训练的PiT网络拥有大量的自然图像 特征,且PiT部分网络可为下游的分类任务提供所需的图像特征,本文设计出抗干扰模块, 用来抵抗皮肤镜图像中的干扰因素(如毛发、异物遮挡)的影响,从而提高模型性能、提高分 类精度。实验结果表明,本文模型 在 ISIC 2018验证集上的分类准确 率、精确率、召回率、 F1-score值分别高达91.58%、83.59%、89.92%、86.34%,每秒传输帧数(frames per second,FPS)达到85Hz与 现有的几种先进的分类网络相比,分类性能和模型效率都有所提高,具有相对优势,证明本 文模型具有一定的实用价值。     

基于关联规则的恶意程序多分类检测方法研究

传统多分类检测方法只考虑了数据的时序性，导致模型面对不同恶意程序时数据召回率较低，为此提出基于关联规则的恶意程序多分类检测方法。重新设置分簇路由协议，判定不同类型的恶意攻击；利用最优决策函数构建时序模型，采集静态信息时序特征；基于关联规则设计时序模型的约束条件，在分类过程中排查召回动态信息，实现对恶意程序的多分类检测。实验统计三次测试所得结果的平均值，基于关联规则的时序模型平均召回率比对照的三组模型分别高了0.1001、0.0993和0.086,能够在恶意程序多分类完成前，召回出现异变的数据。     

基于ERNIE-TextCNN模型的医学文本分类方法

目前医院信息系统中还包括大量的非结构化数据,从中挖掘信息存在较大的难度。本研究采用ERNIE-TextCNN模型,对医学内镜报告进行文本分类。实验显示,相比单纯的ERNIE模型和TextCNN模型,ERNIE-TextCNN模型的精确率、召回率和F1分数上都有所提升,说明该模型能够有效地应用到医学文本分类领域。