基于CNN-L~1/L~2-ELM混合架构的肺结节分类研究

本文提出了一种卷积神经网络(CNN)和正则化极限学习机(L~1/L~2-ELM)的混合结构的分类算法,用来提高胸部CT影像中肺结节分类的准确性和分类效率.通过这两类算法的协同作用对肺结节良恶性进行有效分类.利用LIDC公开数据库进行实验验证,结果显示,本文算法所得肺结节分类正确率可达92.87%,且敏感性和特异性也分别达到87.15%和94.45%,表明本文算法对良恶性肺结节分类是有效的,且结果优于卷积神经网络和其他方法.     

基于改进自生成神经网络的孤立性肺结节分类

为了提高孤立性肺结节良恶性诊断中的分类准确度,提出了一个基于自生成神经网络的自动分类算法。该算法首先对PET/CT图像进行去噪、配准等预处理,分别提取孤立性肺结节的结构影像特征和代谢特征,然后对自生成神经网络进行训练和优化,构建分类器,根据距离测度和自动连接规则对待分类肺结节进行分类。初步的实验结果表明,与传统的自生成神经网络算法和BP神经网络算法相比,改进的自生成神经网络分类算法能得到更高的分类准确率。     

基于均值中心孪生卷积神经网络的DGA域名识别

相比于大多数仅依赖域名的特征进行DGA域名识别方法的特征值选取有限、分类准确度较低的问题，提出了利用数字证书和域名共同解析的特征向量识别DGA域名的方法.另外，为了提升计算准确度和时间效率，提出了带有均值中心的孪生卷积神经网络——MCSCNN模型，用于DGA域名的分类识别中.将所提出的方法应用于20种DGA域名的分类识别中，得到的准确度(A),精确度(P),召回率(R)以及F1值(F1)结果分别是98.35%,98.11%,98.38%以及98.42%,比对比算法的最优值分别提高了5.68%,4.76%,7.24%以及4.2%.在时间效率上MCSCNN所用时间只是对比算法最优时间的1/108,极大地提升了运算效率.     

一种基于L_(1/2)正则约束的超分辨率重建算法

为了提高重建图像质量,减少处理时间,提出一种基于L_(1/2)正则约束的单帧图像超分辨率重建算法.该算法在稀疏重建字典对训练阶段,为了有效提取低分辨率图像边缘、纹理等特征细节信息,采用小波系数单支重构方法对低分辨率图像进行特征提取;而在图像重建阶段,为了解决基于L1正则模型得到的解时常不够稀疏,重建图像质量有待进一步提高的问题,采用L_(1/2)范数代替L1范数构建超分辨率重建模型,并且采用一种快速求解的L_(1/2)正则化算法进行稀疏求解.实验结果表明:与现有算法相比较,该算法在重建图像主观和客观评价指标、算法运行速度等方面均更优.     

常规超声、实时组织弹性成像及应变率比值弹性成像鉴别诊断乳腺结节的比较研究

为探讨常规超声(US)、实时组织弹性成像(UE)及应变率比值弹性成像(SR)在乳腺结节良恶性鉴别诊断中的应用价值。采用回顾性分析95个乳腺结节的US、UE及SR图像方法。常规超声采用BI-RADS分类判断结节性质,UE采用5级评分法判断结节性质,SR测量结节与周围同一水平乳腺的应变率比值,利用ROC曲线比较常规超声、UE、SR的曲线下面积(AUC),判定诊断效能。结果显示,常规超声判断乳腺结节良恶性的敏感度、特异度、准确度分别为:81.7%(49/60)、80.0%(28/35)、81.1%(77/95)。UE判断乳腺结节良恶性的敏感度、特异度、准确度、分别为:86.7%(52/60)、80.0%(28/35)、84.2%(80/95)。良、恶性结节的SR平均值分别为(2.49±0.81)、(3.53±0.95),以3.14作为诊断良恶性结节的最佳截断值时,SR判断乳腺结节良恶性灵敏度、特异度、准确性分别为93.3%(56/60)、91.4%(32/35)、92.6%(88/95);US、UE、SR诊断乳腺良、恶性结节的曲线下面积AUC分别为0.808,0.833,0.924,差异有统计学意义(P=0.000)。由此可知,US、UE及SR均有助于鉴别诊断乳腺良、恶性结节,UE优于US,SR优于UE及US。     

基于改进SVM的城市道路短时交通状态预测

为提高短时交通状态预测的精度,使交通管理者更有效地进行交通规划和管理,本文把基于L_1范数距离度量的最小二乘孪生有界支持向量机(twin bounded support vector machine,TBSVM)扩展成多分类算法用于短时交通状态预测,简称MLSTBSVM_(L1).在实验数据上对MLSTBSVM_(L1)算法的有效性进行验证,实验结果表明,相比于其他预测算法,提出的MLSTBSVM_(L1)算法在预测精度上有较大提升.     

基于Shapelets的多变量D-S证据加权集成分类

集成学习是分类多变量时间序列的有效方法.然而集成学习对基分类器性能要求较高,基分类器组合算法优劣对分类效果影响较大.为此,提出一种基于Shapelets的多变量D-S(Dempster/Shafer)证据加权集成分类方法.首先,在单变量时间序列上学习得到基分类器Shapelets,基分类器的分类准确率确定为其在多分类器的权重.Shapelets是时间序列的子序列,不同变量Shapelets间不存在依赖关系,且单个Shapelets分类准确度较高,能得到“好而不同”的基分类器.然后,提出一种加权概率指派算法,增加分类准确率高的基分类器权重,减少分类准确率低的基分类器权重;添加了2个组合策略,即消除证据冲突,又提高了效率.在标准数据集上与多个最新算法进行比较,笔者算法取得了较好的分类结果.     

基于放射影像组学和随机森林算法的肺结节良恶性分类

针对现有的肺结节良恶性分类算法存在分类准确率不高的问题,文中提出了一种基于放射影像组学和随机森林算法的肺结节良恶性分类算法.首先,提出了一种新的多尺度圆形滤波,用于对肺结节进行增强;其次,采用阈值法、形状指数和纹理特征自动获取种子点,并将种子点注入到随机游走算法中,以实现对肺结节的准确分割;然后,对分割的肺结节进行灰度、纹理、形状、小波和临床表征特征的提取;最后,采用随机森林构造肺结节良恶性的预测模型,并使用数据库LIDC对预测模型进行训练.实验结果表明,文中提出的算法对肺结节良恶性具有较高的分类性能,准确率、敏感性和特异性分别为94%、92%和94%.     

基于自适应指数蝙蝠和SAE的并行大数据分类

为解决深度学习进行大数据分类时效率低的问题，本文提出一种基于自适应指数蝙蝠和堆叠自编码器(SAE)的并行大数据分类方法.在并行计算框架中，Map阶段使用自适应指数蝙蝠算法进行特征选择，自适应指数加权移动平均值蝙蝠算法(AEB)由指数加权移动平均值(EWMA)和自适应权重策略得到.将选择的特征作为Reduce输入进行大数据分类，Reduce阶段使用AEB算法训练的深度堆叠自动编码器(SAE)进行分类，进一步提高了分类精度.实验结果表明，针对不同的训练数据百分比，本文所提方法在准确度和真正例率(TPR)性能方面优于其他现有方法.     

二阶导数光谱—峰面积法测定镍

本文在镍 ( )丁二酮肟—阿拉伯胶的显色体系中 ,引入二阶导数光谱——峰面积技术 ,对显色体系及测定方法进行了研究。该法有效消除 Fe ( )离子的干扰 ,提高了准确度和灵敏度。测定镍的线性范围为 0～ 12 mg/ L ,检出限 2 . 5 6μg/ L ,表观摩尔吸光系数ε=1. 4× 10 5L· mol-1 · cm-1 。用于中药材的加收试验 ,结果满意。     

图像分类卷积神经网络的进化设计

为解决图像分类中深度卷积神经网络(Convolutional neural networks,CNN)中较为复杂的人工网络设计与调参问题,提出基于ResNet模块的进化卷积、神经网络(Evolutionary convolutional neural network,ECNN)的自动设计方法,并将其运用到图像分类中.该方法基于ResNet模块与2D卷积层,采用进化算法(Evolutionary algorithm,EA)对网络结构及参数进行优化.在NLM官方发布的疟疾数据集下进行实验,不同比例的测试集划分可以达到95.6%的分类准确率,文中算法与AlexNet、VGG16、Xception等人工设计的深度学习分类算法进行了比较,实验结果表明,其准确率提升了约1%.在斯坦福大学发布的Stanford cars车辆图像数据集中进行了算法泛化验证,结果表明,文中算法在不同比例数据的测试中准确率均在94.5%以上,将该算法与深度学习分类算法VGG16进行比较,准确率效果相当,模型测试图像分类耗时仅为VGG16耗时的1/13,且训练参数量较少.两组对比测试实验数据表明,相比人工设计的深度学习算法,本文方法具有较好的图像分类性能与较快的图像分类速度.     

一种改进的BP-Adaboost算法及在雷达多目标分类上的应用

基于BP-Adaboost的目标分类算法用于雷达目标分类具有良好的效果.随着训练样本以及测试样本数增加,经典"一对多(One vs.Rest,OvR)"BP-Adaboost算法所需用时也随之增加.提出一种改进的多分类BP-Adaboost算法应用在雷达多目标分类上,在提高分类准确率的同时,有效地解决经典算法在多分类上时间开销过大的问题.该方法采用二进制方法重新表示样本数据类别,使用Adaboost算法将多个BP神经网络弱分类器集成起来学习,通过修改经典算法中的损失函数连续调整训练样本分布和弱分类器的权重,最终形成一个强分类器.对雷达高分辨率距离像(High Resolution Range Profile,HRRP)数据集进行分类仿真结果表明,相比于单个BP神经网络基学习器,所提算法的分类准确率提高了5%~10%,相比于经典的"一对多"BP-Adaboost算法,该算法所需用时仅为传统算法的1/2~1/3.     

基于频繁关键字共现的诗词风格分类模型研究

为了提高宋词文档分类的精确性,本文在广泛采用的向量空间模型(Vector space model,VSM)的基础上,对分类算法中使用的特征项做了相应的修改,提出了频繁关键字共现的概念.在实验过程中,首先提取了宋词语料库中的关键字,再利用发现关联规则的Apriori算法发现分类时所需要的频繁关键字共现,最后结合关键字和频繁关键字共现,利用最邻近算法(KNN)对宋词文档进行风格分类.实验结果发现,结合了频繁关键字共现的VSM可以提高对宋词风格分类的准确度.可见,频繁关键字共现确实提供了风格分类中所需的更多信息.     

基于混合分类的肺结节检测算法

使用最优阈值的分割方法获得肺实质,并使用C均值聚类的方法获得感兴趣区域(ROI),通过混合分类方法对ROI进行分类.在分类过程中,首先定义肺结节的两个三维特征以及相应的两条规则,进行基于规则的初始分类,再构造基于改进Mahalanobis距离的非线性分类器进行再次分类,从而进一步降低假阳性.经过混合分类处理,肺结节与血管等干扰信息得到有效的区分.实验结果表明,该算法检测肺结节具有较高的敏感性.     

[P^O]配体钯催化剂催化乙烯与丙烯酸甲酯聚合及其共聚合反应

合成了2个[P^O]配体2-(二苯基膦)-苯磺酸(简称L1)和2-[二(5-甲基-苯基)膦]-苯磺酸(简称L2),并用1 H-NMR、31 P-NMR、MS和IR对配体进行表征.分别采用L1、L2与Pd(OAc),原位形成的催化体系对乙烯、丙烯酸甲酯进行催化聚合与共聚反应,发现这类催化体系可以在无任何助催化剂的作用下引发聚合反应.以L1/Pd(OAc)2为催化体系研究了不同反应条件对乙烯与丙烯酸甲酯聚合的影响.对于乙烯单体,当n(L1)∶n(Pd(OAc)2)=1∶1时催化活性较n(L1):n(Pd(OAc)2)=2∶1时高;对于丙烯酸甲酯单体,当n(L1)∶n(Pd(OAc)2)=2∶1时催化活性较n(L1)∶n(Pd(OAc)2)＝1∶1时高;若两者共聚,则当n(L1)∶n(Pd(OAc)2)=1∶1时催化活性更佳.L2/Pd(OAc)2催化体系的活性比L1/Pd(OAc)2催化体系的活性高.     

基于Bootstrap-异质SVM集成学习的肺结节分类方法

为了对肺结节的良、恶性诊断形成定量的客观分析和提高良、恶性的分类正确率,针对肺结节CT图像提出了一种基于Bootstrap-异质SVM的集成学习方法.首先,采用模糊聚类图像分割方法提取肺结节,计算提取出的结节特征参数用于学习分类.然后,以支持向量机(SVM)在不同核函数下的不同性能构造高差异性的子学习器,在子学习器中引入Bootstrap算法来提高其学习精度,通过集成学习方法实现学习器分类性能的整体改善.对146个(40个良性,106个恶性)肺结节样本分别利用单个SVM、BP神经网络和Bootstrap-异质SVM集成学习方法进行了学习测试,获得的最高分类正确率分别为80%,、82%,和90%,.实验结果表明:提出的Bootstrap-异质SVM集成学习方法将单个SVM分类器的最高正确率提高了10%,,同时也获得了高于BP神经网络8%,的分类正确率和较好的学习稳定性,有效地改善了机器学习在不平衡数据集下对肺结节良恶性的分类能力.     

液相色谱-三重四极杆质谱定量分析算法

基于自主研制的三重四极杆质谱仪,设计开发整套谱图信息提取分析方法,包括原始数据去噪、色谱解析与识别、谱峰匹配、曲线拟合等算法.设计一种依赖曲线信号与噪声自身数据特点的算法对原始谱图噪声进行自动去除,采用平滑Z-score法与多段斜率法相结合的算法对目标化合物质量色谱峰进行解析,实现对复杂基质样品中拖尾峰、肩峰和低浓度峰的准确识别,对待测谱峰进行保留时间校正,并对曲线拟合权重进行讨论,最终建立标准曲线进行定量分析.以人体血清中25-羟基维生素D检测实验为例,采用自开发算法,完成了一套液相色谱-三重四极杆质谱多反应监测(MRM)扫描模式下的配套定量分析算法包.计算结果表明,选取1/X~2权重进行线性拟合,维生素D_2和维生素D_3的检出限分别为1.1μg/L、1.5μg/L,定量下限分别为3.7μg/L、5.1μg/L,线性相关系数达0.998以上.连续6 d对高低两个浓度的维生素D_2和维生素D_3质控品测量其变异系数(CV值)在7%以内,满足日间精密度要求,实验结果验证了该分析算法的准确性.对人体血清中脂溶性维生素A和维生素E以及血浆中甲氧基肾上腺素(MN)和甲氧基去甲肾上腺素(NMN)两个临床应用的数据结果进行定量分析,进一步验证算法的可行性及普适性.本算法具有自适应性,减少了优化时间,提高了谱图数据处理自动化水平,可为临床相关疾病检测诊断提供工具.     

一类非交换n-李代数的结构

研究满足β(L)=m-n+1的一类非交换n-李代数的结构, 对导代数维数小于4时的非交换n-李代数进行分类, 证明当导代数维数为1,2,3时分别存在2类、 6类、11类不同构的n-李代数, 进而证明满足β(L)=m-n+1, Z(L)L¹的非交换n-李代数具有性质(m-n+1)/2≤dimL¹≤m-n+1.     

关联分类挖掘在学生信息管理系统中的应用

介绍了分类准确度高、稳定性好的关联分类算法CBA,并将CBA算法应用于学生信息管理系统中进行数据分析,发现其中有价值的分类规则,以指导教育、发展教育、为教育服务.     

一类非交换n-李代数的结构

研究满足β(L)=m-n+1的一类非交换n-李代数的结构, 对导代数维数小于4时的非交换n-李代数进行分类, 证明当导代数维数为1,2,3时分别存在2类、 6类、11类不同构的n-李代数, 进而证明满足β(L)=m-n+1, Z(L)L¹的非交换n-李代数具有性质(m-n+1)/2≤dimL¹≤m-n+1.