基于病程细分的中医优势治疗领域识别模型的理论验证:以卵巢早衰为例

【目的】以卵巢早衰为例,基于病程细分模型探究中医优势治疗领域的病程识别理论的可行性和可操作性。【方法】采用分层贝叶斯模型对125例卵巢早衰(premature ovary failure,POF)病例进行病程时期区分,包括隐匿期及卵巢储备功能减退(diminished ovarian reserve,DOR)、早发性卵巢功能不全(premature ovarian insufficiency,POI)、POF阶段,结合配对样本t检验、Pearson相关分析和专家深度访谈法对不同病程时期的中医治疗效果进行分析。【结果】(1)相比POF阶段,DOR和POI阶段中成药的介入程度更高。(2)在DOR(合并POI)阶段和POF阶段,中医介入程度与治疗效果的差异具有统计学意义(t=-3.70,P<0.001)。(3)DOR阶段中医介入程度与治疗效果呈显著正相关关系(r=0.679,P<0.001),POF阶段中医介入程度与治疗效果也呈显著正相关关系(r=0.432,P<0.001),但相关性略低于DOR阶段。(4)中医妇科专家深度访谈结果表明,在POF的隐匿期,如果能够通过中医的调理和治疗,预后效果是最好的;其次是DOR阶段和POI阶段,通过中医方剂的方式一般能够起到较好的疗效和预后效果;但是对于POF阶段来说,要看患者的依从性和治疗周期,效果相对没有前几个病程阶段好。【结论】在DOR和POF阶段,对于接受过西医治疗的患者来说,中医介入程度越高,预后效果越好;在POF阶段,中医介入后疗效与DOR阶段相比有一定程度的降低。基于病程细分模型识别中医优势病程具有可行性和可操作性。

基于GF-1多光谱影像的河道碍洪物遥感AI识别模型

河道碍洪物是洪涝灾害的重要影响因素,对其进行高效精准监管需引起高度重视。传统的人工巡查难以满足高效精准的应用需求,因此结合人工智能(AI)的遥感技术应用是必经之路。然而诸多的AI模型在遥感应用中的表现尚不清晰,亟待深入探讨。本文以广西大藤峡库区为例,研究河道碍洪物遥感AI识别模型构建方法。基于GF-1遥感影像,构建碍洪物训练样本集,以ResNet101为核心网络,采用当前主流的6种语义分割模型,包括PSPNet、PAN、MANet、FPN、DeepLabV3+和UNet++,进行碍洪物识别模型训练,进而评估其精度和效率。结果表明:①利用ResNet101作为骨干网络的深度学习模型,在河道碍洪物识别中表现优异,所有模型的F1得分均大于0.70,交并比(IoU)均大于0.58。其中,结合洞卷积和全局池化技术的DeepLabV3+模型的F1得分为0.82,IoU为0.72,体现了其在捕捉上下文信息和微观特征方面的显著优势。②PSPNet在参数量较低的情况下表现出较高的处理效率和精度,每批次能处理8个样本,帧率高达10.49。综上,DeepLabV3+在精确识别和轮廓描绘方面的表现尤为突出,而PSPNet在大规模数据处理上显示出巨大潜力。研究结果可为AI遥感模型构建提供参考,并为河道安全监管提供技术支撑。

基于空洞卷积自注意力机制的煤岩显微组分组识别模型

基于深度学习的识别模型是目前解决煤岩显微组分组识别问题的主要手段,但这些模型在计算过程中参数不断堆叠,导致模型的算力需求增加,影响模型的训练效率。针对上述问题,构建了一种基于空洞卷积自注意力(DCSA)机制的改进Swin-Transformer模型——DA-ViT。首先,为了在加强煤岩显微组分组图像的局部特征信息的同时保留其二维空间信息,提出了DCSA机制,通过对煤岩显微图像的大尺寸卷积核进行多尺度分解,加强了煤岩显微图像不同区域像素之间的联系,显著降低了图像注意力的参数量,降低率为81.18%。然后,为了加强煤岩显微组分组图像间的形态特征关联性,将DCSA和改进的Swin-Transformer框架相结合,提出了DA-ViT识别模型。实验验证结果表明,与现有的其他识别模型相比,DA-ViT模型在提高预测结果准确率的同时,可显著降低模型的算力需求,其像素准确率(PA)和平均交并比(mIoU)的最大值分别为92.14%和63.18%,模型参数总量(Params)和浮点运算次数(FLOPs)的最小值分别为4.95×106和8.99×109。

针对人脸识别模型的自适应对抗攻击

深度神经网络容易受到对抗样本的攻击,这种攻击通过对输入数据(如图像数据)的微小修改而使得AI系统分类错误。目前的许多攻击方法容易导致图像出现噪声和伪影等问题,攻击方法的泛化性较差。本文提出了一种针对人脸识别模型的对抗攻击方法,利用身份解耦技术自适应提取对人脸识别模型的判别最重要且能很好保持原始视觉效果的人脸身份特征,并利用其引导优化在StyleGAN隐空间和像素空间上进行的对抗攻击。在典型人脸识别模型和商业人脸识别系统上的攻击实验证明,本文方法生成的对抗性人脸图像在攻击成功率上比现有最优方法平均提高11%,视觉质量提高约3%。

番茄早疫病可见光图像识别模型研究

以番茄为代表的茄科作物在全球经济作物中占据重要地位,番茄在其生长过程中易受多种病害的侵染,其中早疫病是严重危害番茄的一种病害,可造成番茄减产甚至绝收,因此番茄早疫病的防治工作对农业生产具有重要意义。为了能够快速、准确地识别出番茄早疫病,提出一种基于可见光图像结合深度学习技术检测番茄早疫病的方法。通过培养一批番茄植株,对其离体叶片接种茄链格孢菌,使接种样本感染早疫病,然后使用可见光图像采集设备连续采集样本的可见光图像,监测样本的变化,得出番茄叶片感染早疫病后的最早显症时间。通过归一化、背景分割、数据扩增和通道转换等方式进行数据预处理,并提取可见光图像颜色特征的一阶矩、二阶矩、三阶矩,同时结合对比度、差异性、同质性、相关性和角二阶矩等常见纹理特征进行深入分析,利用深度学习技术建立番茄早疫病的识别模型。结果表明,基于可见光图像结合深度学习技术检测番茄早疫病是可行的,建立的番茄早疫病识别模型准确率最高达到91.78%,使用该方法检测番茄早疫病具有检测速度快、识别精度高等优点。利用深度学习技术建立的番茄早疫病可见光图像识别模型可推广用于其他作物病害的检测,为作物病害的无人机遥感监测等应用场景提供技术支持。

基于峰谷时段模糊识别模型的梯级水电站负荷联合调度方法

梯级水电站开展负荷有效调度对于提高水电站的供电能力具有重要作用。为了最大程度发挥出梯级水电站的优势,实现对其优化调度并保证稳定运行,研究以提高联合调度效益和峰谷调节能力为目标,通过协调不同水电站之间的发电量、出力调整以及蓄水量等多种参数,再结合各个水电站之间的相互影响和依赖关系等因素,以整体性能优化为目标,协调梯级水电站的运行计划和调度策略,使梯级水电站达到更高效、经济且稳定可靠的电力供应。还在引入模糊半梯形隶属度函数的基础上,利用模糊识别模型划分出峰谷时段,分别以发电效益最高、电网余荷均方差最小为目标函数,利用差分进化算法求解约束条件下满足目标函数的最优解,最终得到了梯级水电站的负荷联合调度方案。实验结果表明:在应用该方法后,可以使电网余荷均方差更小,发电总效益也得到显著提高,说明该方法的联合调度效果更优。

基于多元智能理论的高中多元资优生识别模型研究

高中阶段是培养正在成长为拔尖创新人才的资优生的关键期,如何快速识别学生资质类型与水平,成为多元资优生培养的首要难题。文章借助多元智能理论对学生资质进行界定与分类,结合多维项目反应理论开发相关量表与测评工具,构建高中多元资优生识别模型。该模型能够对学生不同维度的智能倾向水平与表现水平进行推断评估,并向学生个人提供可视化的诊断报告,及早发现学生智能优势与劣势,为教师后续开展个性化资优生培养实践提供数据支持,也为学生日后选科与专业选择提供参考。

城市公园植被高精度多光谱遥感识别模型构建

利用无人机与多光谱相机的组合航测获取可见光与多光谱影像,标注多光谱GNDVI图像和三通道可见光图像,采用图像融合网络、双重注意力网络和特征解码网络实现双重注意力卷积神经网络模型运算,并以上海泡泡公园做实证研究。基于早期融合(early fusion)和特征融合(feature fusion)的双重注意力卷积神经网络模型的整体植被识别率可达91.8%。先进设备的组合和双重注意卷积神经网络学习可实现高精度识别的模型构建,提升城市公园植被高精度识别的能力,可为后续的公园碳汇测算与种植评估提供更为精准的科学技术支撑。

基于多模态融合构建的建设工程工人不安全行为识别模型

施工现场事故频发,大多数情况都是因为建设工程工人的不安全行为造成的。构建科学合理的识别模型有助于及时识别工人的不安全行为。为了降低事故发生的概率,保障工人的生命安全,此次研究在多模态融合算法的基础上,结合建筑信息模型(Building Information Modeling,BIM)及相关信息技术构建工人不安全行为的识别模型。实验结果显示,训练集的后验概率误差为0.038,测试后验概率误差为0.042;在测试实验中,研究算法的准确率与召回率均较高,平均准确率为90.09%,平均召回率为89.77%;在与其他两种算法的对比中,研究算法的准确率与召回率均更高,研究算法的平均准确率为96.42%,平均召回率为95.97%。验证了研究方法的优越性,说明了研究构建模型能够为建设工程安全管理提供新的思路和方法。

基于实时停电态势的风险预警识别模型研究

为了降低电力用户经济损失,设计基于实时停电态势的风险预警识别模型。将系统负载率、自然条件等内外部因素作为实时停电态势要素,构建实时停电态势评价要素体系,采用模糊层次分析法求出实时停电态势要素权重,经加权平均得出实时停电态势评估值,将其作为改进卷积神经网络预测模型输入,预测实时停电态势风险值,按照风险值区分预警级别,并通过不同颜色指示灯呈现预警结果,实现停电风险预警识别。实验结果表明:模型可获取电网停电态势风险值,判断风险等级,在风险较高时及时预警,模型应用后可降低由停电产生的电网经济损失。

CNN-ERI地质识别模型的研究与应用

基建工程对地质勘探精度的要求不断提高,研究人工智能技术在地质勘探数据分析处理中的应用具有重要意义。基于卷积神经网络技术的数据降维处理功能,提出一种改进的CNN-ERI地质识别模型,分析了该模型在地质识别方面的优越性,探讨了数据量和环境因素对模型识别精度的影响,并结合某隧洞工程,探析了模型的具体应用问题。

基于EasyDL的隧道病害智能识别模型分析

基于EasyDL平台对隧道衬砌裂缝、渗漏水、涂层脱落和瓷砖脱落4类隧道典型病害进行数据标注,创建识别模型,并对模型进行评价部署。经过多次试验发现,使用EasyDL平台自定义训练出的隧道衬砌病害图像分割模型,受采集图像时的光照、环境背景影响较小,可实现隧道病害智能识别,特别是对隧道衬砌裂缝的识别准确性相比于传统图像识别算法有较大提升。

考虑驾驶人与环境交互的驾驶风格识别模型研究

针对危险驾驶人群进行了实时驾驶风格辨识方法研究,提出了考虑驾驶人与周围环境交互的驾驶风格识别模型。以模拟驾驶采集数据为基础,以3 s为时间窗口,将实时横向偏移量、跟车距离、驾驶人注视点位置转化为驾驶风格表征因子,运用FCM-M(Fuzzy C-mean-M)对驾驶人驾驶风格进行聚类,将实时驾驶风格标定为冲动型、较冲动型、普通型、保守型,并构建神经网络模型对实时驾驶风格进行识别。结果表明:驾驶人驾驶风格波动与驾驶人注视点转变有密切联系,神经网络模型对驾驶风格识别准确率最高可达到99.1%,表现出良好的预测效果。

基于AR技术的10 kV变电站作业安全态势视觉识别模型

为了分析10 kV变电站定期检修作业难度,降低风险,同步识别安全态势,研究一种基于AR技术的10 kV变电站作业安全态势视觉识别模型。采用三维激光扫描仪采集10 kV变电站场景的三维点云数据,利用Delaunay算法,完成了三维虚拟场景构建。建立了虚拟人物模型,借助AR设备进行变电站检修作业跟踪,通过对比虚拟人物的标准作业动作,判断检修人员在作业过程中存在的不当行为,发出报警信号。实验结果表明,应用所研究模型,小样本的识别准确率为100%,40帧图像匹配结果较为完善。

基于数据融合的人脸识别模型研究

人脸识别在模式识别、人工智能、计算机视觉等多个领域得到了广泛应用。单一的识别算法在性能上存在局限性,文章基于数据融合的思想,提出一种融合多种识别算法的三层人脸识别模型。为充分发挥数据特点,在融合前先进行预处理,分离出有效特征值,组建特征矩阵。数据层和特征层分别选用加权平均算法和人工神经网络算法,决策级使用改进的模糊推理算法。基于MIT和ORL的仿真实验表明,本模型相比单一算法在识别率上有了明显改善,且具有一定的自适应能力。

基于决策树的高校学生贫困状态识别模型构建

针对高校学生管理过程中贫困生状态动态跟踪精确性差的问题,本文拟基于决策树技术,提出一种学生贫困状态识别模型,对学生贫困状态可进行信息分析,大大提高学生管理工作效率。现阶段贫困生数据信息是处于不断更新的状态,传统的分析手段难以依据贫困生动态数据信息及时高效的判定学生的贫困状态,导致学校不能跟踪贫困生的实时贫困信息,使得贫困生资助工作失准。本文提出的基于数据挖掘技术的贫困生贫困状态识别模型使用C4.5决策树算法,分析了决策树算法的构建过程,依据学校数据进行智慧化数据采集与预处理。在此基础上选取训练数据集进行实验,结果表明,该识别模型的准确率达97.49%。

基于无线电陆空通话的飞行员情绪识别模型研究

情绪会影响包括解释、判断、推理以及决策等高级认知过程。随着人工智能技术的发展,自动化的情绪识别成为可能。利用人工智能技术识别飞行员的情绪状态,对其负面情绪进行干预,并对飞行员进行情绪自控力的训练,将极大地促进民航安全。通过对现有情绪识别技术的对比,以及无线电陆空通话与普通英语的差异性分析,并结合飞行员的职业特点,提出了一种基于无线电陆空通话的飞行员情绪识别模型。该模型包括语音数据的收集、声学特征提取、情绪特征提取、情绪识别与分类、动态数据分析等功能模块。该模型可为飞行员提供一种切实可行的情绪识别解决方案,对提高飞行安全具有十分重要的意义。

基于提示方法与知识蒸馏方法的口语语音识别模型构建

提示方法是利用预训练语言模型的一种有效技术,只需要少量的示例就可以使用语言模型进行一个新的自然语言任务。文章提出了一种新的基于提示方法和知识蒸馏方法的语音识别模型(SpokenPrompt-KD模型)。该模型利用Wav2Vec模型将语音转化为预训练语言模型可识别的文本嵌入形式,从而将语言模型的小样本学习能力拓展到语音识别领域,同时通过知识蒸馏方法将教师语言模型中的知识传递给学生语音模型,以提高模型在语音理解任务上的准确性。实验结果表明,在100 h的数据集上进行预训练后,模型在分类任务上的准确率可以达到88.4%,证明了这种小样本学习能力的模型在语音识别领域是可行的、有效的。

基于属性识别模型的铜仁市空气质量评价

为行政部门有效治理城市环境和生态保护,科学客观评价空气质量极为重要。本研究以铜仁市为对象,统计分析了2015-2020年铜仁市空气污染物变化动态特征,同时利用属性识别模型综合评价了铜仁市空气质量水平。研究结果表明:1)铜仁市主要污染物是PM_(2.5)、PM_(10)和O_(3),其污染程度为PM_(2.5)>PM_(10)≈O_(3),PM_(2.5)和PM_(10)浓度水平处于Ⅱ级标准,PM_(2.5)在冬季处于不达标水平,PM_(10)于2020年达Ⅰ级以下标准,有显著好转,O_(3)浓度2016年以来显著增加,存在污染风险。2)铜仁市近几年空气综合质量均为Ⅰ级标准,但空气质量综合水平呈下降趋势,主要原因在于PM_(2.5)作为首要的空气污染物,污染水平一直没有得到有效控制。此外,O_(3)污染程度风险增加。因此,PM_(2.5)和O_(3)是以后污染物控制的重点。

实验室安全事故关键风险因素识别模型的构建

为了减少高校实验室安全事故的发生及有针对性判别导致实验室安全事故发生的关键风险因素,通过对160起实验室安全事故风险原因进行统计,并通过风险耦合分析、社会网络分析及中心度分析建立NK-SNA实验室安全事故风险因素识别模型。以各风险因素的耦合值(TR)为修正系数对各因素的出度值进行修正,并将修正后的出度值作为实验室安全事故关键风险因素的评判依据进行研究。研究结果表明,5个出度值较高的因素依次是:人和管理因素中的C_(1)违规操作、C_(2)仪器与药品使用不当、C_(4)操作不当未及时处理、C_(15)实验操作监管不到位和C16实验安全管理不到位。这些是导致实验室安全事故发生的关键风险因素。