目的通过机器学习分析“舌边白涎”舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能。方法使用Python进行图像预处理,搭建用于舌象识别的视觉几何组16层(visual geometry group 16,VGG16)卷积神经网...目的通过机器学习分析“舌边白涎”舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能。方法使用Python进行图像预处理,搭建用于舌象识别的视觉几何组16层(visual geometry group 16,VGG16)卷积神经网络模型,分析其对“舌边白涎”舌象鉴别分析的效果,并结合热力图分析“舌边白涎”典型舌象表现。结果基于PyTorch框架,进行卷积神经网络的舌象鉴别研究,VGG16及残差网络50层(residual network 50,ResNet50)模型验证准确率均较高,达到80%以上,且ResNet50模型优于VGG16模型,可为舌象识别提供一定参考。基于加权梯度类激活映射(gradient-weighted class activation mapping,Grad-CAM)技术,通过舌苔舌色差异分布的网络可视化,有助于直观进行模型评估分析。结论基于卷积神经网络模型对舌象数据库进行分析,实现“舌边白涎”舌象识别,有助于临床诊疗的客观化辅助分析,为舌诊智能化发展提供一定借鉴。展开更多
文摘目的通过机器学习分析“舌边白涎”舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能。方法使用Python进行图像预处理,搭建用于舌象识别的视觉几何组16层(visual geometry group 16,VGG16)卷积神经网络模型,分析其对“舌边白涎”舌象鉴别分析的效果,并结合热力图分析“舌边白涎”典型舌象表现。结果基于PyTorch框架,进行卷积神经网络的舌象鉴别研究,VGG16及残差网络50层(residual network 50,ResNet50)模型验证准确率均较高,达到80%以上,且ResNet50模型优于VGG16模型,可为舌象识别提供一定参考。基于加权梯度类激活映射(gradient-weighted class activation mapping,Grad-CAM)技术,通过舌苔舌色差异分布的网络可视化,有助于直观进行模型评估分析。结论基于卷积神经网络模型对舌象数据库进行分析,实现“舌边白涎”舌象识别,有助于临床诊疗的客观化辅助分析,为舌诊智能化发展提供一定借鉴。
文摘本文针对一种新型遥控无人潜水器(Remote Operated Vehicle,ROV)拖曳采集装置(Mining Robot,MRT)的路径跟踪问题,提出一种路径跟踪控制方法。首先建立简化的ROV型深海采集装置的运动模型,随后提出一种基于线性模型预测控制算法(Linear Model Predictive Control,LMPC)和非线性模型预测控制器(Nonlinear Model Predictive Control,NMPC)的路径跟踪算法。与传统的模型预测控制器(Model Predictive Control,MPC)不同,本文提出的双层模型预测控制算法(Double Model Predictive Control,DMPC)由两部分组成:(1)由MRT的LMPC控制器计算得到MRT的速度控制律,用于快速收敛MRT的跟踪误差;(2)由ROV的NMPC控制器计算得到ROV的控制输入,用于响应MRT的速度控制律。在DMPC的设计中,有效考虑状态量和控制量约束,其中为了保证ROV控制输入的平顺性,引入ROV的控制量增量约束。最后,设计仿真实验用于验证MRT的路径跟踪效果,数值仿真结果证明了该算法的有效性。