首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   2篇
  完全免费   1篇
  电工技术   3篇
  2022年   1篇
  2021年   1篇
  2019年   1篇
排序方式: 共有3条查询结果,搜索用时 34 毫秒
1
1.
视网膜血管分割是自动筛查糖尿病视网膜病变的重要步骤,当前大部分深度学习方法都使用大样本进行网络训练,但医学领域带标签样本难以获取,且存在健康人样本与患者样本不平衡问题。提出了一种基于生成对抗网络的少样本视网膜血管分割方法,生成器部分对图像做反色等预处理后,通过旋转增扩充了数据集,网络部分使用U Net结构,判别器部分使用卷积神经网络。在实验阶段,在DRIVE数据集和HRF数据集上进行训练测试,训练时只使用训练集的6个样本,测试时使用全部测试集样本,最终在两个数据集下的ROC曲线下面积分别达到了097和095,准确率达到了095和094。与少样本情况下的U Net相比,分割性能提升很大,表明本方法针对少样本视网膜血管分割任务确实有效。  相似文献
2.
随着智能电网的高速发展,窃电方式呈现多样化,窃电数据也具有难以标注且样本类不平衡的特征。针对窃电数据无标签且类不平衡的窃电检测问题,提出一种基于Bagging二次加权集成的孤立森林窃电检测算法。首先,通过分析居民和商业用户存在的窃电模式,基于孤立类间相似度最低准则,对各类窃电模式的孤立特征顺序进行优选并训练对应的孤立森林模型;其次,使用加权投票法获得二次集成孤立森林模型,实现了窃电模式不平衡分布条件下的窃电检测。对7种常用学习算法和Bagging异质集成学习算法进行了比较,仿真实验结果表明所提算法的孤立特征顺序优选策略有效提高了无标签且类不平衡条件下的窃电检测效果,二次加权集成策略提高了窃电模式不平衡分布条件下的窃电检测效果。  相似文献
3.
智能电网建设过程中现有客户标签体系不够完善,针对海量用户用电数据的分类管理中带有标签的样本数据量小以及类不平衡分布的问题,提出了一种基于先验知识与深度玻尔兹曼机(DBM)采样的不平衡用电数据分类方法。首先,提取负荷曲线的特征,建立采样原则,利用先验知识和DBM对负荷曲线进行采样。然后,将采样数据通过极限学习机(ELM)网络进行训练。最后以爱尔兰用户用电数据为数据源,通过与原始非采样、随机过采样、合成少数类过采样技术(SMOTE)的对比性实验分析结果表明,所提出的基于先验知识与DBM采样的不平衡用电数据分类方法能够更好地对类不平衡用电数据集进行分类,实现用户用电行为的分析,有效支撑用户侧错峰避峰工作。  相似文献
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号