In recent years,deep learning-based signal recognition technology has gained attention and emerged as an important approach for safeguarding the electromagnetic environment.However,training deep learning-based classif...In recent years,deep learning-based signal recognition technology has gained attention and emerged as an important approach for safeguarding the electromagnetic environment.However,training deep learning-based classifiers on large signal datasets with redundant samples requires significant memory and high costs.This paper proposes a support databased core-set selection method(SD)for signal recognition,aiming to screen a representative subset that approximates the large signal dataset.Specifically,this subset can be identified by employing the labeled information during the early stages of model training,as some training samples are labeled as supporting data frequently.This support data is crucial for model training and can be found using a border sample selector.Simulation results demonstrate that the SD method minimizes the impact on model recognition performance while reducing the dataset size,and outperforms five other state-of-the-art core-set selection methods when the fraction of training sample kept is less than or equal to 0.3 on the RML2016.04C dataset or 0.5 on the RML22 dataset.The SD method is particularly helpful for signal recognition tasks with limited memory and computing resources.展开更多
利用无人机遥感技术对农田进行监测并及时发现田间异常对保证农业生产具有重要意义。目前田间异常区域检测需要标注大量的正常与异常样本。然而,异常样本在整个农田区域中占比过小且无法充分收集。特别是农田异常的多样性和不可预知性,...利用无人机遥感技术对农田进行监测并及时发现田间异常对保证农业生产具有重要意义。目前田间异常区域检测需要标注大量的正常与异常样本。然而,异常样本在整个农田区域中占比过小且无法充分收集。特别是农田异常的多样性和不可预知性,对检测方法的适用性提出了更高的要求。针对以上问题,本文提出基于改进PatchSVDD (Patch-level Support Vector Data Description)模型的田间异常区域检测方法,该方法仅使用田间正常区域的标注信息,即可对田间异常区域进行检测和定位。首先,改进方法引入不相邻图像块之间的边界损失函数,从而提升了正常与异常样本边界的判别性,改进了检测的鲁棒性;第二,引入外部记忆组件,通过压缩存储正常样本特征,从而在保证检测精度的基础上有效减少了测试阶段的时间和空间消耗;第三,构建了包含杂草簇、种植缺失、障碍物、双倍种植和积水共5个异常类型的田间异常数据集。本文方法在平均检测AUC(Area Under Curve)值和平均定位AUC值上分别达到了96.9%和94.6%,相比于原算法分别提升1.2%和1.6%,从而验证了方法的有效性。展开更多
背景中医针刺已被广泛用于膝骨关节炎(KOA)治疗且疗效突出,但缺乏公认、统一的结局指标,无法使研究结果转化为高质量的临床证据,构建针刺治疗KOA的核心结局指标集有利于提高中医临床研究方案的科学性、合理性和可行性,为临床研究提供更...背景中医针刺已被广泛用于膝骨关节炎(KOA)治疗且疗效突出,但缺乏公认、统一的结局指标,无法使研究结果转化为高质量的临床证据,构建针刺治疗KOA的核心结局指标集有利于提高中医临床研究方案的科学性、合理性和可行性,为临床研究提供更高质量循证依据。目的通过分析目前针刺治疗KOA随机对照试验(RCT)结局指标的使用现状,为针刺治疗KOA的临床疗效评价方法提供依据。方法检索PubMed、Cochrane Library、Embase、Web of Science、中国知网(CNKI)、万方数据知识服务平台、维普中文期刊全文数据库(VIP)、中国生物医学文献数据库(SinoMed)中有关针刺方法治疗KOA的临床RCT,检索时间为2003—2022年。由2名研究者筛查文献,提取文献特征,并分析针灸治疗KOA的RCT指标域、测量工具、测量时点。结果共纳入131篇文献,样本量22726例,共使用89个结局指标,将结局指标进行分类:症状体征类40项(44.9%)、理化检查类22项(24.7%)、生活质量类5项(5.6%)、心理状态指标5项(5.6%)、满意度评价3项(3.4%)、安全性指标2项(2.2%)、其他指标12项(13.5%)。131篇文献中,共包含23个测量时间点,研究时间跨度为治疗后1 h~3年;106篇(80.9%)文献使用了“临床疗效”作为结局指标;23篇(17.6%)文献进行了安全性评价及不良事件报告。结论针刺治疗KOARCT结局指标存在使用差异大、不分主次结局、指标组合随意性高、复合指标使用欠规范、安全性指标使用欠缺、结局指标测量时间点欠规范、远期预后评价不足、没有体现针刺的中医药干预治疗特色等问题。之后相关研究应结合中医药辨证论治特色,选用科学合理的结局指标来评价针刺治疗KOA的疗效,并且亟须建立中医药治疗KOA的核心指标集,构建规范公认的中医药核心指标集。展开更多
基金supported by National Natural Science Foundation of China(62371098)Natural Science Foundation of Sichuan Province(2023NSFSC1422)+1 种基金National Key Research and Development Program of China(2021YFB2900404)Central Universities of South west Minzu University(ZYN2022032).
文摘In recent years,deep learning-based signal recognition technology has gained attention and emerged as an important approach for safeguarding the electromagnetic environment.However,training deep learning-based classifiers on large signal datasets with redundant samples requires significant memory and high costs.This paper proposes a support databased core-set selection method(SD)for signal recognition,aiming to screen a representative subset that approximates the large signal dataset.Specifically,this subset can be identified by employing the labeled information during the early stages of model training,as some training samples are labeled as supporting data frequently.This support data is crucial for model training and can be found using a border sample selector.Simulation results demonstrate that the SD method minimizes the impact on model recognition performance while reducing the dataset size,and outperforms five other state-of-the-art core-set selection methods when the fraction of training sample kept is less than or equal to 0.3 on the RML2016.04C dataset or 0.5 on the RML22 dataset.The SD method is particularly helpful for signal recognition tasks with limited memory and computing resources.
基金Supported by National Natural Science Foundation of China(60675039)National High Technology Research and Development Program of China(863 Program)(2006AA04Z217)Hundred Talents Program of Chinese Academy of Sciences
文摘利用无人机遥感技术对农田进行监测并及时发现田间异常对保证农业生产具有重要意义。目前田间异常区域检测需要标注大量的正常与异常样本。然而,异常样本在整个农田区域中占比过小且无法充分收集。特别是农田异常的多样性和不可预知性,对检测方法的适用性提出了更高的要求。针对以上问题,本文提出基于改进PatchSVDD (Patch-level Support Vector Data Description)模型的田间异常区域检测方法,该方法仅使用田间正常区域的标注信息,即可对田间异常区域进行检测和定位。首先,改进方法引入不相邻图像块之间的边界损失函数,从而提升了正常与异常样本边界的判别性,改进了检测的鲁棒性;第二,引入外部记忆组件,通过压缩存储正常样本特征,从而在保证检测精度的基础上有效减少了测试阶段的时间和空间消耗;第三,构建了包含杂草簇、种植缺失、障碍物、双倍种植和积水共5个异常类型的田间异常数据集。本文方法在平均检测AUC(Area Under Curve)值和平均定位AUC值上分别达到了96.9%和94.6%,相比于原算法分别提升1.2%和1.6%,从而验证了方法的有效性。
文摘背景中医针刺已被广泛用于膝骨关节炎(KOA)治疗且疗效突出,但缺乏公认、统一的结局指标,无法使研究结果转化为高质量的临床证据,构建针刺治疗KOA的核心结局指标集有利于提高中医临床研究方案的科学性、合理性和可行性,为临床研究提供更高质量循证依据。目的通过分析目前针刺治疗KOA随机对照试验(RCT)结局指标的使用现状,为针刺治疗KOA的临床疗效评价方法提供依据。方法检索PubMed、Cochrane Library、Embase、Web of Science、中国知网(CNKI)、万方数据知识服务平台、维普中文期刊全文数据库(VIP)、中国生物医学文献数据库(SinoMed)中有关针刺方法治疗KOA的临床RCT,检索时间为2003—2022年。由2名研究者筛查文献,提取文献特征,并分析针灸治疗KOA的RCT指标域、测量工具、测量时点。结果共纳入131篇文献,样本量22726例,共使用89个结局指标,将结局指标进行分类:症状体征类40项(44.9%)、理化检查类22项(24.7%)、生活质量类5项(5.6%)、心理状态指标5项(5.6%)、满意度评价3项(3.4%)、安全性指标2项(2.2%)、其他指标12项(13.5%)。131篇文献中,共包含23个测量时间点,研究时间跨度为治疗后1 h~3年;106篇(80.9%)文献使用了“临床疗效”作为结局指标;23篇(17.6%)文献进行了安全性评价及不良事件报告。结论针刺治疗KOARCT结局指标存在使用差异大、不分主次结局、指标组合随意性高、复合指标使用欠规范、安全性指标使用欠缺、结局指标测量时间点欠规范、远期预后评价不足、没有体现针刺的中医药干预治疗特色等问题。之后相关研究应结合中医药辨证论治特色,选用科学合理的结局指标来评价针刺治疗KOA的疗效,并且亟须建立中医药治疗KOA的核心指标集,构建规范公认的中医药核心指标集。
