基于集成DBN的肺部肿瘤计算机辅助诊断模型研究

针对目前肺部肿瘤计算机辅助诊断模型存在的识别精度不高和漏诊率、误诊率降低困难等问题,提出一种基于集成深度信念网络(DBN)的肺部肿瘤计算机辅助诊断模型。首先,探讨不同的隐层数和隐层节点数对DBN识别性能的影响,从而确定合适的网络结构,并以该网络结构在三个模态(CT,PET,PET/CT)肺部图像构成的样本空间构建三个单一DBN个体分类器(CT-DBN,PET-DBN,PET/CT-DBN);然后,探讨输入图像大小、RBM学习率、训练批次大小、反向传播次数对DBN识别性能的影响,从而确定合适的参数训练三个单一DBN个体分类器;最后,采用"相对多数投票法"对三个DBN个体分类器进行集成,得到该模型的最终结果。实验结果表明,基于集成DBN的肺部肿瘤计算机辅助诊断模型的整体性能优于三个单一DBN个体分类器。     

一种考虑先验信息可靠性的新算法

文中采用模糊数集来描述先验信息,用模糊贴近度来衡量先验信息的可靠性,给出了可信度的计算公式,将其以权阵的形式纳入参数估计中,以平衡不同可信度的先验信息在参数估计中的作用。最后通过算例分析了该算法的可行性。     

考虑剔除虚假云服务的制造云服务优选

随着云制造服务模式的兴起,云池中存在大量云服务并掺杂有虚假的云服务,恶意竞争的虚假云服务伤害了云服务提供商的权益,云用户也很难判别真实且优良的云服务。针对该问题,提出基于蒙特卡洛模拟估计的超体积算法来识别和剔除虚假云服务。在剔除虚假云服务的基础上,提出面向云服务可信度评估的基于遗传算法的模糊c均值聚类算法对云服务聚类并进行可信度评估,利用由层次分析法和熵值法构成的制造云服务组合赋权综合评价法,根据可信度等级结合综合评价值对云服务进行优选。以某工程机械交易云平台作为研究对象,验证了所提算法的有效性,算法能有效识别虚假云服务,确定云服务的优先顺序,并选出最佳的云服务。     

组合降采样极限学习机

设计了一种针对不平衡数据集的学习机,即组合降采样极限学习机(EUS ELMs)。当训练数据集不平衡时,普通分类器对少数样本的分类敏感性较低,而给予多数样本过度关注。针对这种问题,将组合降采样结构与极限学习机(ELM)结合起来,形成一种新的组合学习机。该学习机继承了组合降采样结构对样本选择的依赖性小的优点,和极限学习机分类效率高、耗时短的优势,而且可以通过不同的参数设置控制对少数样本的关注度,根据使用者需求获得不同分类效果。     

BP算法的改进及用模拟电路实现的神经网络分类器

基于用模拟电路实现神经网络分类器的目的，对多层静态前馈神经网络的ＢＰ算法做了改进，采用线性限幅函数代替Ｓｉｇｍｏｉｄ函数作为神经元的激活函数，给出了改进的ＢＰ算法。对该算法性能的实验研究表明：这种改进算法不但方便了用线性模拟集成运算放大电路实现神经网络，而且具有学习速度快，映射能力强等优点。根据本文算法设计的神经网络分类器，无论是计算机仿真，还是模拟电路实现，都得到了比较高的识别率。     

大型回转机械故障的神经网络分类器

建立邦联类型的自动识别系统是机械设备诊断学的发展方向。神经网络理论的兴起和发展为邦联类型的自动识别开辟了一条崭新的道路。本文产生了这一现象的原因，并利用组合网络来克服单一网络对组合故障分类精度不够高的缺陷，取得了令人满意的结果。     

多测井曲线的综合处理合成

测井曲线是地质分层的基础，但在利用单一测井曲线解决复杂地质问题时也存在多解性和局限性。为克服多解性，人们采用多种测井曲线进行地质分层，提高了分层的精度。本文在此基础上提出把多条曲线分别赋予不同的加权因子，然后进行归一化处理，形成一条标准综合参数测井曲线。此综合参数曲线突出了所选的多条测井曲线的公共信息，减少或削弱了单一测井曲线中的偶然误差，提高了综合后测井资料的可信度。该方法可应用于地质分层、岩性分析、含油气预测等诸多领域。应用时要注意，并非所选择的测井曲线种类越多越好，而是要选择那些最能反映地层单元特征信息的测井曲线。     

神经网络分类器的快速构造算法

使用ＢＰ算法训练多层网络的速度很慢而且事先难于确定隐节点和隐层的适当数目。本文提出一个有效的算法，先构造决策树，然后将构造的决策树转换为神经网。文中使用一个全局准则函数控制决策树的增长，它较好地匹配了树的复杂性和训练样本量及错分率界。实验结果，本文的算法比用ＢＰ算法训练多层网络要快，而其分类精度不低于用ＢＰ算法训练的多层神经网。