排序方式: 共有3条查询结果,搜索用时 5 毫秒
1
1.
当使用代理辅助进化算法求解昂贵高维多目标优化问题时,代理模型通常用于近似昂贵的适应度函数.然而,随着目标数的增加,近似误差将逐渐累积,计算量也会急剧增加.对此,提出一种基于改进集成学习分类的代理辅助进化算法,使用一种改进的装袋集成学习分类器作为代理模型.首先,从被昂贵的适应度评价的个体中选择一组分类边界,将所有个体分成两类;其次,利用这些带有分类标签的个体训练分类器,以对候选个体的类别进行预测;最后,选择有前途的个体进行昂贵适应度评价.实验结果表明,算法中所提出的代理模型可有效提高基于分类的代理辅助进化算法求解昂贵高维多目标优化问题的能力,且与目前流行的代理辅助进化算法相比,基于改进集成学习分类的代理辅助进化算法更具竞争力. 相似文献
2.
在细胞核分割任务中,存在细胞核的边缘轮廓信息模糊以及细胞核和背景的对比度低造成难以分割的问题.针对此问题,常规的U-Net模型通过跳跃连接在降采样和上采样过程中结合高低层次的信息,具有较好的分割效果.但是,在细胞核边界的分割上仍旧存在着一定程度的过分割、欠分割等缺陷.由此本文提出一种改进的U-Net网络模型.首先,该模型采用深度特征聚合结构和高级监督的学习方法,巧妙融合不同层级的信息,达到对目标的精准分割;其次在其架构上创新性的加入层次交融模块,该模块学习各个不同层次的重要性,将学到的权重加载到分割图上;同时在嵌套的卷积块中加入注意力机制,抑制冗余特征,使得细胞核和背景更好的分割开来;最后使用改进的混合损失函数解决类不平衡的问题.在dsb2018数据集上进行测试,本方法得到Dice系数为0.8719,交并比达到0.8853.结果表明本方法能够对细胞核进行更好的分割. 相似文献
3.
1