采用负相关学习的SVM集成算法

为了平衡集成学习中多样性与准确性之间的关系,并提高决策分类器的泛化能力,提出一种基于负相关学习和AdaBoost算法的支持向量机(SVM)集成学习方法.将负相关学习理论融合到AdaBoost-SVM的训练过程中,利用负相关学习理论计算基分类器间的相关性,并根据相关性的值自适应调整基分类器的权重,进而得到加权后的决策分类器.在UCI数据集中进行仿真,结果表明:相较于传统的负相关集成学习算法和AdaBoost-SVM算法,所提出的方法分类准确率更高,泛化能力更好.     

宫颈细胞图像的特征选择与分类识别算法研究

为了提高宫颈细胞识别速度,以最少的特征数量获得最高的识别准确率,运用分类与回归树算法(Classification and Regression Trees,CART)进行特征的选择,并采用粒子群算法(Particle Swarm Optimization,PSO)对分类器支持向量机(Support Vector Machine,SVM)进行优化,形成了PSO-SVM分类算法对细胞进行分类.使用Herlev数据集对文中提出的算法进行验证.通过CART特征选择方法,成功地从20个特征中提取出9个更具代表性的特征,并且二分类和七分类的准确率均达到99%以上.并引入其他几种宫颈癌细胞的分类识别算法进行仿真比较,结果表明,本文算法在特征数目较少的情况下识别准确率依然具有明显优势,从而验证了该算法的有效性.所述方法有效降低了人工特征选择的难度,在减少了识别用时的情况下,依然保证了细胞的识别准确率与之前几乎无异,为宫颈癌疾病诊断提供了一套有效的方法框架.     

多模版匹配及加权融合的行人检测方法

提出多模板匹配及加权融合的检测算法。以线性支持向量机作为分类器,采用分类器级联的训练方式,针对易错样本采用互补特征选择策略(CFSS)选择不同特征训练模板,选取红绿蓝和LUV通道下的HOG特征和细胞结构的局部二值模式(LBP)特征。利用多个模板分别进行匹配,采用线性加权的方式融合不同模板的检测结果,利用INRIA行人数据库对算法进行测试,获得更高的检测准确率。     

基于迁移学习和支持向量机的白细胞分类

针对人工镜检分类白细胞准确率和效率低的问题,基于深度学习和机器学习算法,提出了一种基于迁移学习和支持向量机的白细胞分类方法.首先对迁移模型进行微调训练,其次用微调训练后的迁移模型进行特征提取,然后将特征输入至神经网络和支持向量机中进行训练,最后通过神经网络和支持向量机的组合分类器对白细胞进行分类.实验结果表明,白细胞分类准确率由最初微调训练的83.26％,随着迁移模型的优化提升为90.43％,最后通过组合分类器再次提升为93.52％,可以在临床实践中帮助医生提高诊断的准确率和效率.     

基于神经网络与特征融合的损伤诊断方法

为了能准确地诊断复杂结构损伤是否产生以及产生的位置和程度,提出了一种小波包分解、多传感器特征融合和神经网络模式分类相结合的结构损伤诊断方法。首先,用正交小波包对多个传感器采集的振动信号进行小波包分解,并计算每个频带上的相对能量;然后把这些传感器信号的小波包相对能量融合,构成神经网络分类器的输入特征向量,从而实现损伤的诊断和评价。研究结果表明:正交小波包分解的频带能量分布能够较好地反映结构的损伤特征;特征融合能够使不同传感器的信息相互补充,减小了损伤检测信息的不确定性,使诊断信息具有更高的精度和可靠性,提高了诊断准确率。     

基于Borda计数的多特征融合图像检索技术研究

多个特征融合查询被认为是提高检索效率的有效方法.在以往图像检索技术的基础上,提出了新的加入多个分类器相关信息的Borda计数的特征融合图像检索方法.实验证明,该方法能够提高图像的检索效率,方法有效.     

基于双流卷积网络的宫颈细胞细粒度分类

为了实现对宫颈细胞图像相近类别的准确自动分类,提出了一种双流卷积神经网络算法。算法以DenseNet121网络和Xception网络为基础并对其进行改进,以提高算法对宫颈细胞进行细粒度分类的识别准确率。首先,在DenseNet121中引入DropBlock模块进行网络正则化,用于提高模型的泛化能力;其次,在Xception中加入SE(Squeeze-and-Excitation)模块调整通道权重,以增强网络提取有效特征的能力;最后,将两个网络输出的特征图进行拼接构建双流网络,来获取宫颈细胞更全面的特征信息。实验结果表明,该网络在Herlev数据集以及SIPaKMeD数据集上各性能指标都表现良好,且都达到了99%的准确率,优于改进融合前的网络,提出的算法在宫颈细胞的细粒度分类中具有较高识别率。     

基于多尺度跃层卷积神经网络的精细车型识别

为解决精细车型识别中特征不具有代表性,且识别准确率低的问题,提出了基于多尺度跃层卷积神经网络(CNN)的车型识别方法。通过多个不同尺度的跃层卷积神经网络,提取适用于精细车型识别的低层局部特征和高层全局特征,并分别训练Softmax分类器。利用自适应方式融合方法,将多个单一尺度跃层卷积神经网络的识别结果进行融合,调整不同网络对识别结果的贡献。实验中车型识别准确率达到97.59%。实验结果表明多尺度跃层卷积神经网络适用于精细的车型识别,并能提高识别的准确率。     

基于单个特征分类准确率的特征选择方法研究

【目的】随着遥感技术迅猛发展,在影像解译过程中提取的信息越来越繁杂多样。为提高地物分类准确率,常加入更多的特征信息,而由此往往造成一定的信息冗余,导致分类效率甚至准确率降低。笔者利用随机森林(RF)和支持向量机(SVM)分类器,探索在遥感分类过程中保证分类精度的同时又能降低特征维度的方法。【方法】以吉林省安图县福兴林场部分区域为研究对象,利用2015年Landsat-8影像为数据源,提取光谱信息(红、绿、蓝、近红外和短波红外波段)、植被指数(NDVI、增强型植被指数、比值植被指数和裸土植被指数)、纹理(同质性、均值、二阶矩、方差、差异性、对比度、熵和相关性)和地形信息(坡度和坡向)共19个指标作为分类特征变量。以RF分类器估测的特征重要性进行特征选择为对照,分别以单个特征在RF和SVM两分类器中的分类准确率为依据进行特征选择,并对选取的特征进行主成分分析,与未做主成分分析的进行区分,再分别用RF和SVM分类器进行分类,评价分类精度,确定最优特征和分类器组合。【结果】①基于SVM单个特征分类准确率选取特征,对选取的特征进行主成分分析,再用RF进行分类,该方法与其他方法相比分类性能最好,当特征维度为5时,总体精度为0.86,Kappa系数为0.83; 与输入全部特征进行分类相比,不仅提高了分类精度,而且降低了特征维度,使分类效率得以提升。基于RF特征重要性选取特征的RF分类取得了较高的分类准确率,但特征维数小于7时,分类准确率波动较大; 在特征维数为4时分类准确率增至最大值(0.88),随后骤降为0.83,之后基本保持在此水平。而基于单个特征分类准确率选取特征,分类准确率变化较为平缓,如上所提最优分类性能方法的分类准确率波动范围基本在0.02。②基于单个特征在RF和SVM分类器中的分类准确率进行特征选择,在随后的分类过程中,SVM分类器分类精度总体高于RF。基于RF单个特征分类准确率选取特征的SVM分类,及基于SVM单个特征分类准确率选取特征并对选取特征进行主成分分析的RF分类,较仅利用SVM或RF单个分类器选取特征并分类的分类准确率更高。【结论】①基于单个特征分类准确率的特征选择方法,可在保证分类精度的同时降低特征维度,且在较低维度时,基于该方法选取特征的分类精度较基于特征重要性选取特征的分类精度更稳定。②基于单个特征分类准确率进行特征选择,不同分类器选取的特征有所差异,分类准确率也不同,利用多个分类器较单个分类器选取特征并分类的性能更好。③在中低维度时,RF分类器的分类准确率可能与特征输入顺序有关,对输入特征进行主成分分析有利于提高分类器的分类精度及稳定性。     

介绍一种衣原体筛查的新方法

探讨一次染色清染色液在衣原体筛查中的应用。采用普通宫颈制片和一次清染色液染色,在显微镜下观察宫颈脱落细胞中衣原包涵体,并与传统碘染色法做对比。一次染色清染色的宫颈涂片保持了衣原包涵体的细胞形态、染色效果清晰鲜艳,比较容易观察且操作简化,阳性检出率高。宫颈涂片一次染色清染色筛查衣原体感染患者,克服了传统碘染色假阴性率,它是宫颈衣原体筛查的一种有效方法。     

深度学习在医学图像识别中的应用研究

对宫颈的检查图像进行识别可以有效预防宫颈癌的发生,然而,正确分辨出患癌趋势的图像对人类来说是极难掌握的技术。使用深度学习方法对宫颈检查图像进行识别分类,以辅助人类专家做出诊断;首先对图像进行手动裁剪来增大信噪比,把原始图像进行格式转换来提高数据读取效率,并在图像输入模型之前进行随机变换以增大训练集;然后建立CNN模型,进行训练并调整参数;最后在测试集上分类准确率达到了89.1%,结果表明,使用深度学习辅助专家进行宫颈癌的早期诊断是可行的。     

基于注意力机制多特征融合的虚假信息检测

在虚假信息识别任务中,面对图文结合的虚假内容,基于单模态的模型难以进行准确识别.社交媒体中的虚假信息为吸引关注和迅速传播的目的,会使用夸张的词汇煽动读者的情绪.如何将情感特征引入多模态虚假信息检测模型进行多特征融合,并准确地识别虚假信息是一个挑战.为此,本文提出了基于注意力机制多特征融合的虚假信息检测方法(att-MFNN).该模型中先将文本特征和情感特征基于注意力机制融合,再与视觉特征组成多模态特征送入虚假信息识别器和事件分类器中.通过引入事件分类器学习不同事件中的共同特征,提高新事件的识别性能.att-MFNN在微博和推特(Twitter)数据集的准确率达到了89.22%和87.51%,并且F₁、准确率、召回率指标均优于现有的模型.     

宫颈液基细胞学检查对宫颈病变筛查的意义分析

综合分析宫颈液基细胞学检查（TCT）对宫颈病变筛查的意义。研究对象为疑似宫颈病变患者共2 000例，病例的选取时间为2017年3月—2020年3月，均行常规巴氏涂片检查方法和TCT方法检查，将常规巴氏涂片检查方法的结果划分为对照组，将TCT方法的检查结果划分为实验组。以病理组织学为金标准，采用统计学分析2组诊断符合率正常范围内（WNL）、宫颈癌者、非典型鳞状上皮细胞（ASC-US）、低度鳞状上皮内病变（LSIL）、高度鳞状上皮内病变（HSIL）、非典型鳞状上皮细胞（ASC-H）、鳞状细胞癌（SCC）、腺癌（AC））以及诊断总满意度。病理组织学显示2 000例疑似宫颈病变患者中有92例ASC-US患者、100例LSIL患者、48例HSIL患者、71例ASC-H患者、59例SCC患者、37例AC患者、73例宫颈癌者，1520例为WNL，两组疑似宫颈病变患者的诊断符合率比较差异显著（P<0.05）;2组疑似宫颈病变患者的诊断总满意度比较差异显著（P<0.05）。TCT筛查宫颈病变的意义显著优于常规巴氏涂片检查。     

宫颈上皮内瘤变(CIN)106例诊疗体会

目的探求宫颈上皮内瘤变(CIN)一种有效的诊断访法及治疗方法。方法回顾分析近几年我院收治106例宫颈CINⅢ及CINⅢ患者诊断和治疗情况.结果宫颈脱落细胞筛查、在阴道镜下对可疑病变多点定位取材、锥切后病理检查-三阶梯技术应用;及宫颈锥切术尤其是LEEP的应用,使宫颈上皮内瘤变(CIN)及宫颈癌得到早期诊断早期治疗,诊断及治愈率高;满足部分患者生育需求。结论宫颈脱落细胞筛查、在阴道镜下对可疑病变多点定位取材、锥切后病理检查-三阶梯技术应用于宫颈CIN及宫颈癌的早期诊断准确率高;宫颈锥切术尤其是LEEP的应用,具有治愈率高,且操作简单,价格便宜,并发症少,又可保留部分患者生育需求.     

基于改进MGR融合算法的视频信息融合框架

针对视频信息具有的多模态性质,提出了融合视音频多种模态特征信息的视频融合分析框架,用以提高视频检索的正确率和效率.该框架根据从视频底层提取出的多种图像特征、音频特征,采用基于图嵌入框架的降维算法MFA降维,根据降维后得到的各种特征向量,训练SVM分类器进行分类,并用改进后的MGR融合算法对SVM分类器输出的序号矩阵进行融合分析.实验结果表明该融合框架融合多种特征提高了分类识别的效率,采用了改进的融合算法降低了计算复杂度,提高了系统的整体性能.     

一种多分类器融合的模拟电路故障诊断

本文针对模拟电路中故障类型较多时采用单一分类器诊断所出现的故障诊断率低、分类器训练困难的问题,基于故障特征空间的划分思想,提出了基于聚类的多分类器融合故障诊断的方法。通过对故障信号的小波分析获取电路的故障特征,并按照距离准则将故障类划分为多个子类并用相应的分类器来识别．以此提高电路中故障数量较多时诊断的正确率,同时改善单分类器进行诊断时计算复杂度高的局限。实验证明．该方法对于故障类型多而出现的故障重叠和故障误识有很大的改善,是一种实用的模拟电路故障诊断方法。     

基于支持矢量机的宫颈细胞分类

以宫颈癌细胞的分类检测为背景,针对帕普涂片检测有很高的假阴性率和检测结果不精确问题,采用支持矢量机对红外线光谱(FTIR)数据进行分类,以提高帕普涂片检测的精确度。以53个病例的帕普涂片检测和阴道镜活检结果做为原始数据,以阴道镜活检的结果作为正确样本,选择软间隔分类器和高斯核函数进行模型仿真,然后,使用留一法交叉验证来测试算法准确性,将支持矢量机的分类结果和帕普涂片检测的结果与正确样本进行比对。结果表明,使用支持矢量机的分类正确度达到72%。     

最短特征线段多分类器系统设计

为提高多分类器系统分类的性能,设计了一种使用最短特征线段分类器的多分类器系统。依据最短特征线段分类算法工作机理,利用特征线段长度表征样本隶属于各个类别的可能性,即模糊隶属度,对成员分类器输出形式完成由摘要级至度量级的重新建模,更多地保留输出细节以减少信息损失,进而利用基于模糊的证据融合规则实现成员分类器的度量级融合,通过隶属度到mass函数的转换,利用模糊-证据融合规则实现多分类器系统的构造,进一步提高了多分类器系统分类性能。采用人工数据集和UCI数据集设计了对比实验,实验表明,与其他邻域型分类器构造的多分类器系统相比,新多分类器系统能有效提升分类正确率。     

基于多特征融合的混凝土结构表面病害图像分类算法

为提升混凝土表面开裂、露筋锈蚀和损伤3类病害图像分类效率与准确性,减少人工成本,提出了基于多特征融合的混凝土结构表面病害图像分类算法。该算法通过提取混凝土表面病害图像的纹理特征、灰度直方图特征、颜色特征,以支持向量机(SVM)为分类器,分别训练3类特征的病害图像分类模型,采用特征权重算法估计各个特征的权重系数,借助分类模型与权重系数估计病害图像类别划分的可信度值,根据最小误差原则将病害图像判定为可信度值最大的类别。设计了7组覆盖上述图像特征的特征融合方案,以2 400张病害图片为样本,训练了3种单一特征和4种多特征病害图像分类模型,并测试算法的准确性。结果表明:总体上,多特征融合分类模型对于混凝土表面病害图像分类准确率高于单一特征分类模型;基于多项式核函数,灰度+颜色+纹理特征融合分类模型分类效果最佳,平均分类准确率达到84%,较单一特征分类模型提升了7%;依赖于混凝土病害图像多特征的综合信息,灰度+颜色+纹理特征融合分类模型可将混凝土表面锈蚀和缺损的分类准确率提升至88%,多特征融合分类模型对于病害的分类判别稳定性显著优于单一特征分类模型。该研究可为混凝土表面病害图像分类提供有效方法,提升病害分类效率与准确性。     

基于支持矢量机的宫颈细胞分类

以宫颈癌细胞的分类检测为背景,针对帕普涂片检测有很高的假阴性率和检测结果不精确问题,采用支持矢量机对红外线光谱(FTIR)数据进行分类,以提高帕普涂片检测的精确度.以53个病例的帕普涂片检测和阴道镜活检结果做为原始数据,以阴道镜活检的结果作为正确样本,选择软间隔分类器和高斯核函数进行模型仿真,然后,使用留一法交叉验证来测试算法准确性,将支持矢量机的分类结果和帕普涂片检测的结果与正确样本进行比对.结果表明,使用支持矢量机的分类正确度达到72%.