基于卷积神经网络的舌象分类

将深度学习卷积神经网络运用到中医舌象识别分类中,利用python工具对图像数据进行预处理,使用TensorFlow机器学习软件平台搭建舌象分类深度学习的MobileNets模型,分析中医体质与舌象之间的关系,用以发现其中的医学诊断规则和模式。经实验验证,该模型具有较高的识别精度和计算效率,很好地完成了舌象分类识别任务,从而辅助医生对病人体质进行诊断。     

基于PCA-AdaBoost的舌象颜色分类研究

舌诊是中医四诊的重要内容,为中医临床必察之项.古往今来,为名医者莫不精深于舌诊.颜色特征是诊断的重要特征,对其进行识别(分类)的好坏将直接影响舌诊诊断系统的准确性.利用主成分分析(PCA)的全局性,在HSV颜色空间中对舌象进行特征提取、降维,并通过AdaBoost把一系列弱分类器提升为强分类器,对舌象颜色进行了深入的分类研究.结果表明.此算法是有效的.     

基于机器学习的网络流量分类算法

互联网应用的蓬勃发展产生了种类多样的网络流量。在网络技术不断进化的过程中,新型流量和流量加密技术的出现,使基于端口和基于有效载荷的传统网络流量分类算法的应用受到限制。为了实现对新型网络流量的自动分类,提出了一种基于机器学习的网络流量分类算法。通过选择特征属性和构建决策树模型,能够实现对流量级别的网络数据进行自动分类。使用网络流量分类领域的公开数据集进行训练和测试,并将测试结果与开源的机器学习平台Weka运行结果相比较,实验结果表明:所构建模型性能优良,在流量分类准确度与Weka平台相近甚至更优的前提下,大幅降低了建模时间,提高了网络数据分类的效率。     

基于图像分割的舌象检测方法

传统的数字化舌诊研究系统多是建立标准的采集环境进行舌象采集,在密闭、光照稳定的环境下得到高质量的舌象图像.而在开放环境下,光照情况以及拍摄角度等往往较为复杂,因此,进行舌象分析时,首先需检测图像中是否存在合适的可供后续分析的舌象.针对这一特点,提出了一种基于图像分割的舌象检测算法.该算法首先对图像进行颜色校正的预处理,接着对图像进行分割得到多个连通域,通过判断连通域特征得到最终舌体区域后,再利用区域的纹理特征达到舌象检测的目的.实验结果表明,该方法具有较好的鲁棒性,且有较好的检测率,能够实现开放环境下的舌象检测.     

基于机器学习的恶意软件分类识别研究

恶意软件的日益增长是对网络世界最大的威胁,基于签名的检测对于恶意软件检测率较低,局限性大,因此提出基于机器学习的恶意软件检测技术来代替传统的签名检测。根据沙箱中提取软件的特征类型包括注册表和API函数调用,并量化数据,使用机器学习的模型对此数据进行分类识别,并取得了较好的分类效果。     

基于机器学习的粉煤灰活性分类预测

针对粉煤灰活性快速分类问题,基于随机森林融合数据集分析、参数调整等方法,建立粉煤灰(CFA)活性智能分类模型。利用准确率、召回率、精确率和ROC曲线下面积SAUC这4种评估指标对模型进行评估。此外,使用特征重要性、部分依赖图(PDP)和机器学习解释(SHAP)模型3种方法来衡量特征物质的贡献。研究结果表明：模型的准确率为85.45%,召回率为97.56%,精确率为84.29%,SAUC为0.92。K₂O、Fe₂O₃、Na₂O和Al₂O₃对SHAP模型影响较大。随着K₂O、Na₂O等特征物质占比增加,粉煤灰呈现高活性的概率增加;而随着Al₂O₃等特征物质占比增加,粉煤灰呈现高活性的概率降低。所建立的模型可快速划分粉煤灰活性并判断其是否具有作为辅助胶凝材料的潜力。     

基于机器学习的文本分类方法综述

文本分类是信息检索与数据挖掘领域的核心技术,是机器学习领域新的研究热点。本文对现有的基于机器学习的文本分类方法进行了详细的介绍,分析了各种方法的优缺点,并阐述了文本分类方法未来的发展趋势。     

基于机器学习的智能垃圾分类系统设计

近几十年人们对于垃圾分类处理越来越重视,针对目前人工垃圾分类工作量大,效率较低等问题,提出了基于机器学用ＢＲＩＳＫ特征提取算法,实现图像检测,以ＪＱ８４００语音模块实现语音播报功能。经测试,本系统进行垃圾分类的准确度达到习的智能垃圾分类系统。以ＳＴＭ３２Ｆ１０３ＺＥＴ６单片机作为主控模块,以ＯｐｅｎＭｖ４Ｈ７作为摄像头采集模块,采集垃圾图片,采９８％,可以按照目前的垃圾分类方案播报为厨余垃圾、有害垃圾、其他垃圾、可回收垃圾。系统操作简单,性能可靠,成本低,完成了垃圾识别与检测功能     

基于机器学习的高血压病历文本分类

为了探讨中文病历文本预处理后高维稀疏性的特点,导致文本分类精度低、算法模型收敛速度慢等性能问题,提出一种基于粗糙集的词袋(BOW)模型结合支持向量机(SVM)的文本分类算法(BOW+SVM)。该算法首先采用BOW模型对特征词提取构建高维度文本空间向量,然后利用粗糙集的属性约简算法对文本特征处理,把模糊的、冗余的属性从决策规则中清除,降低空间向量维数,最后利用所提纯的特征与SVM分类器交叉结合进行文本分类。在Python+TensorFlow环境中设计六种交叉结合的算法仿真对比实验,结果表明:基于BOW+SVM高血压病历文本分类模型精准度可达97%。可见改进后的模型,能够解决样本分部不均,克服高维度稀疏特征空间的问题,有效改善病案管理工作流程。     

基于机器学习的网络流量分类算法分析研究

基于应用的流量分类在网络安全和管理中具有非常重要的作用.传统流量分类大部分是基于端口的预测方法和基于有效载荷的深度检测方法.由于当前网络环境中各种隐私问题以及基于动态端口和加密的应用,传统的网络流量分类策略的有效性已经逐步下降,目前主要集中在基于机器学习技术的流量分类模型进行研究.本文对各种基于机器学习算法的流量分类的比较,如贝叶斯网络(Bayes Net)、朴素贝叶斯(Naive Bayes)、基于RBF的SVM流量分类和基于遗传算法的SVM (GaSVM)流量分类等.这些算法分别使用了全特征选择和优化后的特征集合,实验结果表明基于遗传算法的SVM流量分类精度较高,并在使用主成分特征也可以达到很高的精度.     

基于高维映射感知器网络的机器学习分类方法

利用Rosenblatt感知器网络的权值学习方法,提出一种解决线性不可分样本的多类分类方法.该方法不需要考虑使用何种核函数,将高维坐标值作为分类信息的函数,直接解决非线性多类分类问题.对双螺旋线数据分类应用的结果表明:基于高维映射感知器网络的多类分类机器学习方法可以有效解决非线性数据的分类问题,并能够提高分类效率和准确度.     

基于机器学习的Web文本分类技术及算法

提出了一种基于机器学习的Web文本自动分类的信息检索解决方案。采用层次约束法完成文本自动抓取功能,文本频度与词条频度相结合的文本特征选择算法实现特征提取,并采用特征加权技术进一步提高文本分类性能。该算法不仅实现中文文本的自动分类,有效地提高Web信息检索的精度,而且能大大降低人工二次浏览筛选的工作量,还可用于电子政务和电子商务信息的自动分类。     

基于机器学习的比特币实体分类方法研究综述

比特币是一种去中心化的电子加密货币,交易地址的匿名性隐藏了交易用户的真实身 份,导致比特币被一些不法分子应用于各类非法活动中。通过分析已知实体的交易属性和行为特 征,利用机器学习的方法可以对未知实体的交易类别进行预测。本文首先概述了比特币实体类别 及分类标签的来源;其次,分析和归纳了基于机器学习的比特币实体分类方法;最后,分析了现阶 段面临的主要问题,并对未来的发展趋势进行了展望。     

基于特征融合和机器学习的网络视频流分类

网络流分类对于有效管理网络以确保服务质量(QoS)至关重要.目前,特征融合在网络流分类领域取得了一些研究成果,但是其分类有效性还有待改善.在以往的研究基础上,提出了一种新的特征融合方法,通过对原始统计特征之间进行组合运算得到融合特征.与原始统计特征相比,有些融合特征更有效,或者两者互补.因此,为了提取对分类有用的信息,...     

血液流变性与中医舌象

血液流变性与中医舌象陈素云１）刘晓伟崔志英陈育尧（第一军医大学中医系）关键词：血液流变性；中医；舌象中图分类号：Ｒ３３１．３７收稿日期：１９９７－０９－１３１）陈素云，女，１９４０年１２月出生，教授；研究方向：血液流变学；邮政编码：５１０５１５，广州...     

基于舌图像多特征融合与机器学习的裂纹舌识别算法

舌裂纹是中医舌诊辨证施治的重要信息源,能够客观、准确地反映某些典型疾病和中医证候的变化。针对传统的裂纹舌诊断易受医生经验、环境变化等因素的影响,提出了基于舌图像多特征融合与机器学习的裂纹舌识别算法。首先,采用Grabcut方法对原始舌图像进行舌体分割;然后,提取图像基于灰度共生矩阵的纹理特征,基于低阶颜色矩的颜色特征,以及基于方向梯度直方图的形状特征;最后,将三类特征及其不同的组合形式分别输入四个经典的机器学习模型,完成裂纹舌识别。实验结果表明：多特征融合往往有助于提高机器学习模型的识别能力,尤其是融合三类特征的自适应提升树(AdaBoost)取得了几乎能与深度学习模型相媲美的识别效果：AUC为0.97,准确率为0.91,精确率为0.91。可见,提出的裂纹舌识别算法有助于传统中医舌诊的客观化、定量化和标准化。     

基于心率变异性与机器学习的睡眠呼吸事件分类

为了提供一种针对睡眠呼吸暂停低通气综合征(sleep apnea hypopnea syndrome,SAHS)患者的筛查方法,本研究把心率变异性(heart rate variability,HRV)应用于睡眠呼吸模态的分类问题。通过构建和训练概率神经网络(probabilistic neural network,PNN)对HRV各特征值进行有无异常睡眠呼吸事件的判别,以期实现对该病征进行初步筛查的目的。首先,对标注的有无呼吸事件的多导睡眠监测数据提取其心电的HRV特征值,再经过归一化后作为特征向量;其次采用PNN分类算法对特征向量进行训练及分类输出;最后,对模型的预测分类性能进行评价。对于准确率、灵敏度、特异性、受试者工作特性曲线下面积(area under the receiver operating characteristic curve,AUC)及分类耗时等评价指标PNN分类器的结果分别为:75.97%,82.51%,76.22%,0.7936,0.63 s。与广义回归神经网络(generalized regression neural network,GRNN)及极限学习机(extreme learning machine,ELM)分类算法相比,PNN分类算法在灵敏度、特异性、AUC及分类耗时评价维度上均取得最优。本研究基于HRV及PNN分类算法实现了对有无异常睡眠呼吸事件的判别,提供了一种低生理负荷SAHS筛查的途径。     

一种基于机器学习的网络流早期分类方法

流早期分类对于优化网络管理和确保服务质量(Quality of Service, QoS)至关重要。针对传统流特征在流早期分类中性能较低的问题,在现有研究基础上,提出了两种新的特征：一是通过等距分箱划分包大小等级,计算相邻到达的两个数据包的包大小等级条件频度;二是通过将包大小序列和包到达时间间隔对应相除,得到速率序列,并计算该序列的统计特征作为分类特征。同时,考虑到早期分类的实时性要求,分析了流特征计算的时间复杂性,在特征选择中优化了时间和准确性之间的平衡。另外,针对网络视频流量占比较大的情况,提出了一种层级分类结构;先使用较少的数据包进行non-video/video的二分类,再使用后续的数据包,进行non-videos和videos的细粒度分类。采用随机森林在两个实际网络数据集上进行分类性能测试,并与文献方法进行比较,验证了该方法在快速流量分类中的优越性。     

基于直方图阈值和Snakes模型的舌象图像自动分割

在中医临床现代化研究中,提出采用计算机图像处理技术进行舌诊客观化研究。在Snakes模型下将目标舌体从原始图像中提取出来,实现舌诊客观化研究第一步。利用直方图阈值估计最初舌体轮廓线,通过Snakes模型能量最小化计算,对估计轮廓线进一步处理以达到最佳效果,提高了舌体提取的准确率。最后通过实验证明了算法的有效性及可行性。     

大鼠虚证模型舌象的病理规律

作者于１９９１年提出：耗气破气加饥饱失常大鼠脾虚证模型的舌象病理变化属一种趋于“舌体后”的变化模式。此后，对多批虚证（脾虚证、肾虚证，及同一证候下不同造模方法）、病（慢性萎缩性胃炎，胃溃疡）和证病结合模型的舌象继续进行研究，以上述脾虚证舌象病理模式为参照，总结其规律。认为：（１）耗气破气加饥饱失常所致脾虚证模型的舌象病理模式有可重复性，与非虚证的动物舌象有明显的对比性；（２）这一病理模式有较强的代表性，可能是虚证舌象病理变化的基本模式；（３）这一病理模式有较强代表性的原因之一，是因为它反映了舌象退变的自然规律；（４）这一病理模式有较强代表性，还因为它反映了舌营养不良，代谢功能降低方面的主要特征；（５）虚证舌象的病理变化以软角质为主导；（６）在一定的造模时间和造模方法范围内，舌象的病理变化程度可能有一定的“限度”；（７）从指标上说，脾虚证模型的舌象病理变化的指标与一般临床常用的脱落细胞学研究比较有其优点。