基于深度学习的肾小球病理图像识别与分类

病理切片中肾小球的识别和分类是诊断肾脏病变程度和病变类型的关键,为解决肾小球的识别和分类问题,从中检测出肾小球并进行分类,设计了一个基于深度学习的完整的肾小球检测及分类框架.该框架包括肾小球识别的4个阶段,第1阶段的扫描窗生成中,设计一种网络框架RGNet,用于初步判断肾小球可能出现的位置;第2阶段的检测和粗分类中,针对肾小球数据改进了Faster R-CNN;第3阶段基于NMS算法设计了NMS-Lite算法,将检测到的肾小球进行合并;在第4阶段的细分类中,使用数据增强等技巧训练2个神经网络,实现肾小球的病变程度分类.实验结果表明,所提肾小球检测方法在测试集上取得了与同类方法可比的精度,且在一定程度上解决了相似类别的肾小球难以区分的问题.     

深度神经架构搜索综述

深度学习在图像、语音、文本等多种模态的数据任务上取得了优异的效果.然而,针对特定任务,人工设计网络需要花费大量的时间,并且需要设计者具有一定水平的专业知识和设计经验.面对如今日趋复杂的网络架构,仅依靠人工进行设计变得越来越复杂.基于此,借助算法自动地对神经网络进行架构的搜索成为了研究热点.神经架构搜索的方法涉及3个方面:搜索空间、搜索策略、性能评估策略.通过搜索策略在搜索空间中选择一个网络架构,借助性能评估策略对该网络架构进行评估,并将结果反馈给搜索策略指导搜索策略选择更好的网络架构,通过不断迭代得到最优的网络架构.为了更好地为读者提供一个快速了解神经网络架构搜索方法的导航地图,从搜索空间、搜索策略和性能评估策略3个方面对现有典型的神经架构搜索方法进行了梳理,总结讨论了近年来常见的架构搜索方法,并分析了各种方法的优势和不足.     

基于紊流射流理论的连铸结晶器液面波动

 为研究结晶器内液面波动特性的规律,防止连铸坯卷渣,提高铸坯质量,利用紊流淹没射流理论建立了浇注过程中钢液流股撞击结晶器窄边速度和撞击点位置理论模型,推导出液面波动指数的解析公式;通过与试验结果对比,验证了该理论模型的预测结果;利用数值仿真模拟1 000 mm×130 mm板坯连铸结晶器在不同液面波动指数下的液面波动情况。计算结果表明,该理论模型结论与试验结论偏差为－4%～2.5%,可较好地评价结晶器内液面波动的剧烈程度,该型号板坯连铸结晶器最佳拉速为1.4 m/min。     

基于GRU神经网络的光伏电站数据预处理方法

光伏电站数据为时间序列数据,会受到通信传输、逆变器采集等因素的影响而包含大量异常数据,故该文研究一种基于深度学习的光伏电站数据预处理算法,进行数据清洗等预处理。一方面,根据组串逆变器的工作特性,对光伏电站数据的常见异常类型进行分析标记,结合滑动窗口法划分数据,构建用于深度学习训练的光伏电站数据集。另一方面,从激活函数、损失函数以及隐藏层等方面优化GRU神经网络模型,并利用自建数据集对该模型进行训练和测试。测试结果表明：该模型在实际光伏电站数据上的处理准确率达99.84%。