青霉素发酵过程软测量建模仿真研究

青霉素发酵过程是一类具有较强非线性、时变性和不确定性的典型间歇过程,其中产物浓度等关键生物参数难以实时在线检测,而离线化验则需要高昂成本。针对青霉素发酵过程软测量建模问题,首先利用k-近邻互信息方法选择菌体浓度、基质体积、二氧化碳浓度和补料温度作为辅助变量,然后利用稀疏自编码器提取数据特征,结合最小二乘支持向量机进行软测量建模。仿真实验结果表明：所建软测量模型可达到较好的预测效果,无监督机器学习方法在青霉素发酵软测量建模过程中应用效果良好,为进一步对青霉素发酵过程的菌体浓度控制的研究奠定了基础。     

基于细胞图卷积的组织病理图像分类研究

针对传统CNN（Convolutional Neural Network）在组织病理图像分类中存在的两个问题：其一,受限于内存大小,CNN无法对高分辨率的病理图像直接进行训练,这不可避免地破坏了细胞之间的空间结构信息,且无法学习全局的特征信息;其二,病理图像中的正常细胞和癌变细胞均有自身的病理学图像特征并且在空间上具有一定的关联性,但在结构化的二维阵列图像中无法被充分的表达。提出一种基于细胞图卷积（Cell-Graph Convolutional Network,C-GCN）的组织病理图像分类方法,将高分辨率的病理图像转换为图结构,在传统的GCN中将GraphSAGE（Graph SAmple and aggregate）模块与图池化相结合,提取出更具有代表性的一般性特征,使得C-GCN可以直接在高分辨率的组织学图像中学习特征,提高了模型的鲁棒性。     

基于小波分解卷积神经网络的病理图像分类

组织病理图像分析是癌症诊断的金标准,在患者的预后治疗中起到至关重要的作用.目前在AI医学影像领域,利用CNN(Convolutional Neural Network)网络对数字病理图像的分类已经成为研究热点.但是传统CNN网络中广泛使用最大/平均池化(Max/Average pooling)模块,不可避免的丢失了...