基于随机森林的乳腺癌计算机辅助诊断

为提高乳腺癌诊断的准确性,该文提出了一种基于随机森林算法的乳腺癌诊断方法。用UCI数据集提供的683例乳腺肿瘤患者进行了分类识别,5-折交叉验证结果表明,采用新方法检测乳癌平均准确率达到96.93%,优于概率神经网络识别方法,说明了其在乳腺癌计算机辅助诊断方面的可行性。     

基于PNN的汽车ABS系统中压力调节器和轮速传感器的故障诊断

在汽车防抱死制动系统(ABS)中,压力调节器和轮速传感器起着非常重要的作用,为了进一步完善汽车防抱死制动系统的制动性能,文中提出一种基于概率神经网络(PNN)的压力调节器和轮速传感器的故障诊断方法。基于高附着均一路面,起车时制动及单一的压力调节器或者轮速传感器故障的试验数据,分别建立了基于概率神经网络的压力调节器故障诊断模型和轮速传感器故障诊断模型,并与BP神经网络进行了比较。仿真结果表明,利用相同的训练样本集对概率神经网络和BP神经网络进行训练时,基于概率神经网络的压力调节器故障诊断模型和轮速传感器故障诊断模型在训练时间和诊断精度上明显优于BP神经网络,并且利用测试样本对建好的压力调节器故障模型和轮速传感器故障模型进行检测时,无论测试样本的顺序发生什么变化,基于概率神经网络的故障模型都能够准确的进行故障识别。     

基于概率超球集神经网络的发动机故障诊断

提出了一种用于发动机故障检测与诊断的概率超球集神经网络．神经网络用概率集表示发动机故障模式,概率集是由超球聚集形成的集合体,超球是由球心和半径确定．概率超球集神经网络能在两次循环中完成学习过程,并能不断融合新样本信息和精炼已存在的故障模式．YF-20发动机故障检测与诊断的仿真研究验证了概率超球集神经网络分类器的优越性能．     

人工神经网络在乳腺癌诊断中的应用

研究提高乳腺癌诊断准确率问题,对病灶进行医学影像分析会诊结果可靠.因BP神经网络在乳腺癌诊断中,由于权值和学习率固定,导致收敛速度慢、易陷入局极小,使乳腺癌的诊断的准确率低.为了提高乳腺癌诊断的准确率,提出了-种改进BP神经网络的乳腺癌诊断模型.采用附加动量对BP神经网络权值进行调整,加快了网络的收敛速度,然后对学习率进行自适应调整,减少了迭代次数,最后利用改进的BP神经网络模型对乳腺癌进行诊断.仿真结果表明,改进BP神经网减少迭代次数,加快学习速度,提高乳腺癌诊断准确率,很好的解决传统BP神经算法在乳腺癌诊断中中存在的缺陷,是一种有效的乳腺癌的辅助诊断工具.     

融合局部与全局特征的DCE-MRI乳腺肿瘤良恶分类

目的 基于计算机辅助诊断的乳腺肿瘤动态对比增强磁共振成像（dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI）检测和分类存在着准确度低、缺乏可用数据集等问题。方法 针对这些问题,建立一个乳腺DCE-MRI影像数据集,并提出一种将面向局部特征学习的卷积神经网络（convolutional neural network, CNN）和全局特征学习的视觉Transformer(vision Transformer,ViT)方法相融合的局部—全局跨注意力融合网络（local global cross attention fusion network,LG-CAFN）,用于实现乳腺肿瘤DCE-MRI影像自动诊断,以提高乳腺癌的诊断准确率和效率。该网络采用跨注意力机制方法,将CNN分支提取出的图像局部特征和ViT分支提取出的图像全局特征进行有效融合,从而获得更具判别性的图像特征用于乳腺肿瘤DCE-MRI影像良恶性分类。结果 在乳腺癌DCE-MRI影像数据集上设置了两组包含不同种类的乳腺DCE-MRI序列实验,并与VGG16(Vis...     

模糊核聚类相关向量机模拟电路故障诊断

针对模拟电路故障与特征间存在的模糊组及交叠,首先建立基于Fisher准则函数的最佳聚类数自适应估计方法,采用模糊核聚类选择最优可诊断故障集,然后提出一种基于稀疏贝叶斯相关向量机(RVM)理论的模拟电路故障诊断模型,提高了RVM模拟电路故障分类的效率和准确度;模型可以在贝叶斯框架下对分类函数的权重进行推断,而且得到各分类的验后概率,从而能判断分类结果的置信度,辅助进行诊断决策;仿真结果表明提出的模拟电路诊断模型在精度提高的情况下,比支持向量机需要的向量更少,更具稀疏性和泛化性,是一种有效的模拟电路故障诊断方法。     

人工神经网络在冠心病中的仿真研究

研究优化冠心病无伤害准确诊断,冠状动脉造影和心电图是冠心病诊断的主要方法,但冠状动脉造影诊断是一种创伤性介入疗法,会对患者身体造成-定的损伤,心电图方法存在着较大的误诊率.根据冠心病与-些常规的指标有-定的联系,提出BP神经网络的冠心病诊断模型,实现冠心病的无损伤性诊断.首先对各诊断指标进行量化,然后构建BP神经网络诊断模型,利用样本数据集进行训练,获得最优的冠心病诊断模型,最后利用测试集对模型进行验证.仿真结果表明,利用BP神经网络进行冠心病诊断,诊断的准确率高,达到了冠状动脉造影的诊断效果,克服了传统的诊断方式对身体造成损伤或误诊率高的缺限,是一种高效的冠心病辅助诊断方法.     

基于软计算的汽车线控转向系统故障诊断

针对线控转向汽车的可靠性和安全性以及故障诊断方法的不足,提出了一种基于软计算的汽车线控转向故障诊断方法,该方法利用软计算中的粗糙集和粒子群优化的径向基神经网络进行结合。将粗糙集作为径向基神经网络的输入处理,对样本数据进行属性约简,约简后的属性集作为径向基神经网络的输入以达到缩短网络训练时间的目的。采用粒子群算法对径向基神经网络的基函数中心值和宽度进行编码和寻优,并使用得到的最优中心值和宽度组建径向基神经网络,使得径向基神经网络的样本训练误差相比未优化之前有一定程度的降低。然后使用训练好的神经网络对故障样本进行测试,测试结果表明,该方法加快了神经网络的训练速度,提高了神经网络的诊断准确度。     

基于卷积神经网络的乳腺癌良恶性诊断

为了提高乳腺癌病理图像良恶性诊断的准确率,提出了一个基于卷积神经网络(CNN)对乳腺癌病理图像的诊断方法。利用这种方法,能够快速地对乳腺癌病理图像自动进行良恶性诊断。乳腺癌病理图像具有非常复杂的结构,利用VGG16架构的卷积神经网络对病理图像进行特征提取,利用数据增强的方法扩充数据集,使用迁移学习,将在ImageNet数据集上训练得到的权重作为该网络的初始化参数,该模型在乳腺癌数据集Breakhis上得到的准确率可以达到95%,而在经过解冻部分训练层、调整学习率等优化操作之后,分类准确率最高可以达到99%。实验结果表明,优化后的方法在乳腺癌良恶性诊断准确率方面有很大的提高。     

基于CNN和UNet神经网络的胃癌诊断与病灶分割系统

文章提出了一种基于神经网络的癌症诊断方法,先采用卷积神经网络（ConvolutionalNeuralNetwork,CNN）将输入系统的细胞切片图像进行二分类,判断其是否出现癌变情况。如果确定患癌,那么采用UNet神经网络分割切片图像,并检测癌症发生的病灶范围。结果表明,在57000余张图像组成的测试集上,图像分类的准确率可以达到98%以上,在700余张图片组成的测试集上,病灶分割的准确率可以达到93%以上,基本达到了辅助医生诊断的相关要求。