基于IVPSIC-Net的小样本热轧钢带表面缺陷检测研究

针对钢带表面缺陷检测样本不足、检测精度较低等问题,提出IVPSIC-Net模型,不需要对缺陷图像扩增或合成,仅需较少的数据样本,即可对钢带表面缺陷进行较为准确的分类和分割。经由ImageNet数据集进行预训练,通过调整宽度因子、引入多层感知机和空洞卷积等对特征提取模块进行优化与改进。基于MobileNet121将训练得到的模型权重迁移至IVPSIC-Net模型,大幅度减少了模型计算量。结合位置信息,融合改进的自注意力机制实现对缺陷的有效检出。实验证明,模型对热轧钢带的6种典型表面缺陷均可较为准确地分类和分割。所提出的方法在分类任务中准确度达到85%,相较其他缺陷目标检测算法(YOLOv4、MPF-DNN、FAR-Net、PSIC-Net等)提升了4.79%~6.97%;在分割任务中,相较其他分割算法(Deeplabv3plus、VGG-Unet、RDUnet-A、PSIC-Net等),错误率降低了8.00%~20.03%,能够更准确地分割出钢带表面的缺陷区域。

融合TCN和BiLSTM的文本情感分析

为在短文本语义情感分析过程中对词嵌入对情感语义充分表达,挖掘深层次语义信息,提出一种融合TCN和改进BiLSTM的文本情感分析算法。通过混合词嵌入对短文本向量化;将训练后的词向量先输入时序卷积网络,后输入到改进的双向长短时记忆网络中提取情感特征;强制向前注意力机制对提取到的特征进行加权;通过softmax函数进行情感分类输出。通过在新冠疫情评论数据集建模,模型的各项指标均达到92%以上,相较于其它模型性能更优。

基于并行混合网络的短文本情感分析模型

针对目前在短文本语义情感分析过程中会存在的传统词嵌入对情感语义表达不充分,特征挖掘不全面,准确率较低等问题,提出一种基于多头注意力机制的MACGRU并行混合网络模型。首先,根据胶囊网络(CapsNet)与双向门限循环单元网络(BiGRU)不同的特点选择BERT词嵌入与Glove词嵌入对短文本做向量化表示,并对Glove词嵌入改进加入位置嵌入和词性嵌入,使短文本在词嵌入阶段获取更丰富的短文本信息;其次,将BERT训练的词向量和Glove训练的词向量分别输入CapsNet和BiGRU中提取短文本局部语义信息和短文本的上下文语义信息;然后,在CapsNet和BiGRU的特征输出后都加入多头注意力机制对提取到的情感特征进行加权处理;最后,将多头注意力机制加权后的局部特征和上下文语义特征进行融合并通过softmax函数进行情感分类输出。上述模型在公开数据集COVID-19上进行实验验证,其模型的准确率,精准率,召回率,F1指标都达到了95%以上,相较于其它基准模型性能更优,也充分证明了该模型的优越性。

多囊卵巢综合征合并高尿酸血症的中西医机制进展

多囊卵巢综合征(PCOS)为青春期和育龄期妇女的常见疾病,多同时伴高尿酸血症。多囊卵巢综合征伴随高尿酸血症的发病机制(PCOS-HUA)尚不明确,将近期文献进行归纳,从中医、西医两个角度对现有研究成果进行阐述,以期为该疾病的治疗提供理论依据及指导方法。

基于深度学习多囊卵巢综合征辨证分型的构建与实现

目的:应用深度学习技术分析多囊卵巢综合征(PCOS)患者不同中医辨证分型与生活方式,情志因素、生化指标等之间的联系。方法:采集PCOS患者临床指标数据资料,将数据进行归一化处理,采用实验的方法进行PCOS的DBN模型的网络结构构建,并不断地修正。选取其中350例临床资料作为训练集,建立多囊卵巢患者中医临床辨证分型与相关临床指标关联训练模型,选取178例作为测试集。结果:应用此模型分析识别多囊卵巢综合征中医分型的总准确率为87.07%,其中肝郁型准确率为81.58%,其中肾虚型准确率为82.5%,其中痰湿型准确率为92.42%,血瘀型准确率为88.24%。结论:不同证型的PCOS患者,相关临床指标有所差异,肝郁型及肾虚型PCOS患者临床以月经失调及生殖功能异常为主要表现,痰湿型和血瘀型PCOS患者发生代谢异常的风险增加。

王秀云教授治疗输卵管性不孕验案分析

王秀云教授是国家级名老中医专家,临证经验丰富,尤其擅长诊治女性不孕症。王教授针对输卵管性不孕症的诊疗有着独到的见解,取得了显著的临床疗效。该文将王教授治疗输卵管性不孕的验案进行介绍,分析其诊疗思路,总结其诊疗经验,为系统总结王秀云教授的学术思想提供依据。

王秀云教授治疗排卵障碍性不孕探究

王秀云教授是国家级名老中医专家,临证经验丰富,尤其擅长诊治女性不孕症。王秀云教授对排卵障碍性不孕症的病因病机及治疗有着独到的见解,取得较好的临床疗效。该文将其对该疾病病因病机的认识及临证经验加以分析总结,对王秀云教授的学术思想进行初步探究。

中医特色疗法治疗肥胖型多囊卵巢综合征进展

多囊卵巢综合征作为一种妇科较常见的内分泌疾病,目前其西医领域的治疗比较局限。文章总结了中医特色疗法治疗肥胖型多囊卵巢综合征相关的试验研究文献,以探究中医特色疗法对肥胖型多囊卵巢综合征的治疗效果,为临床进一步治疗多囊卵巢综合征提供思路。

多囊卵巢综合征妊娠并发症中西医研究近况

多囊卵巢综合征(PCOS)是育龄期妇女最常见的疾病之一,其影响妇女内分泌及代谢功能,同时伴随着生殖功能障碍,大量研究证明PCOS发病机制与患者自身存在的胰岛素抵抗、高雄激素血症和高体质量指数有关。PCOS被认为是不孕症的主要原因之一,近年来,通过辅助生殖技术的开展及中医调理等方式提高了PCOS患者的受孕率,但随之出现的妊娠并发症受到了广泛的关注。该文旨在分别从西医及中医角度研究PCOS孕产妇并发症发生的病理机制及其发展的高危因素,探讨PCOS患者孕期及孕前管理策略,为临床早期预防提供参考依据。

生活方式干预法辅助治疗肥胖型多囊卵巢综合征的研究进展

多囊卵巢综合征(polycystic ovary syndrome,PCOS)是育龄期女性常见疾病,发病机制复杂,病因尚未明,严重影响女性生理及心理的健康,患者部分存在心理综合征和交感神经内分泌系统的失衡,当前治疗忽视患者心理变化,生活方式调整成为治疗超重或肥胖型PCOS首选方法,改善饮食、增强运动、改变行为等方法被越来越多的医师和患者接受,可不同程度改善肥胖型PCOS患者体质量、月经状态、性激素水平以及心理健康状态,行之有效,值得推广。

多囊卵巢综合征不良心境的病因与中西医治疗

多囊卵巢综合征(Polycystic ovary syndrome,PCOS)是育龄期女性常见的一种内分泌疾病,发病率越来越高,伴随的相关身心状况越来越突出。很少有人关注这种频繁的内分泌紊乱与心理的相关性。只是针对患者的症状或者诉求进行针对性药物治疗,但药物与心理结合的彻底合作将改善PCOS影响女性的情况。文章从PCOS患者不良心境的病因与中西医治疗方面进行浅显的阐述,为临床工作或科研提供参考。

穴位贴敷在妇科手术围手术期应用的研究进展

在妇科手术前后,患者可能会出现失眠、疼痛以及恶心、呕吐、腹胀等症状,甚至出现术后低温、离子紊乱等危及生命的情况,不仅增加了治疗难度,也增添了患者的痛苦和对手术治疗的恐惧。通过研究近20年穴位贴敷在妇科手术围手术期的应用研究,总结了穴位贴敷在围手术期出现各种应激反应时的临床疗效和临床研究概况,以期为临床治疗提供新的方案和治疗思路。

基于中医证候体质对多囊卵巢代谢相关的研究进展

多囊卵巢综合征作为一个棘手的妇科内分泌疾病,其复杂的病理及临床表现使其在治疗上难度非凡,中医学历史悠久虽然并没有明确的病名记载,却有类似疾病的相关疗法,现如今各医家临床通过经验辨证施治,取得显著疗效,充分体现中医同病异治异病同治的独特的理论体系。通过总结相关文献的中医证型、体质与多囊卵巢的内分泌代谢指标之间是否具有相关性为切入点对其进行总结分析,以期发现其中联系为未来更进一步的有针对性的治疗提供思路。

医学图像分割方法综述

医学图像分割是一项极具挑战性的任务,也是医学领域与计算机视觉领域的完美结合。本文通过对医学图像分割领域现状的了解和学习,对其进行了系统性梳理,首先介绍了阈值法、区域法、边缘检测法、聚类法这4种传统的医学图像分割方法,然后介绍了基于深度学习的自动分割方法,最后对医学图像分割的发展趋势做出展望。

基于改进K-means聚类算法聚类点选取办法的研究

K-means聚类高度敏感的初始化聚类中心选取一直是个难题。K值的选取能影响到实验结果。本文改进K-means聚类中心的初始化方法。首先,使用多个具有随机初始化的K均值聚类器构建一组基本聚类。然后,基于密度的思想,排除干扰的孤立点构建和聚集聚类来构建预聚类结果。获得初始的聚类中心集,然后将其用于最终K值聚类过程。最后证明了改进后方法的优越性。

基于AlexNet的注意力机制网络研究

本文采用引入人类视觉系统的注意力机制对AlexNet网络模型进行改进,通过融入注意力机制对AlexNet注意力机制网络进行研究,并通过CIFAR-10数据集进行实验对比验证。实验对比结果表明,AlexNet注意力机制网络模型比传统AlexNet网络模型具有更好的分类效果,其分类准确率提升了2%。

基于双向循环神经网络的金融数据预测研究

近年来,越来越多的人加入到股票投资的队伍当中,金融学家和社会学家也将股票市场的发展作为衡量一个国家或者地区发展水平的一项重要标准。对于股民来讲,若可以准确预测股价变化,就可以及时采取措施达到较高的收益。为此,建立一种基于CBAM注意力机制的神经网络模型实现对未来股票价格的预测。通过与建立的其他模型预测结果对比发现,基于CBAM注意力机制的Bi LSTM神经网络模型对于股票价格的预测性能最优。

基于改进U-Net模型的新冠肺炎图像分割

新型冠状病毒肺炎(COVID-19)自2019年爆发一直蔓延至今天,使用电子计算机断层扫描(CT)来诊断患者是否感染此病毒已经成为重要的诊疗手段。通过使用深度学习技术对肺部CT图像自动分割病变区域可以帮助医生更高效的判断患者是否感染病毒以及目前所处的病程。针对该问题,本文在U-Net模型的基础上结合残差连接,分层分裂模块(Hierarchical-SplitBlock),坐标注意力(CoordinateAttention)和特征内容感知重组(Carafe)上采样提出了一种改进的U-net模型对肺部CT图像病变区域进行分割。改进U-Net模型的Dice系数和m Iou系数分别为81.7%和76.9%,对比FCN等经典模型效果有所提升。

浅析深度信念网络模型

深度信念网络(DeepBeliefNetwork,DBN)是深度学习模型之一,是实现人工智能的重要模型。它是由多个受限玻尔兹曼机(RBM)堆加而成。一般在模型的最后一层加入分类器模型进行分类。目前已在生物特征识别、语音识别、机器故障诊断、疾病诊断等诸多领域得到广泛应用。鉴于深度信念网络模型的优点及其强大的自主学习能力,主要做了四个方面的工作:第一,阐述了深度学习的背景以及深度信念网络的来源,第二,详细介绍了深度信念网络的基本原理和模型框架,第三,对受限玻尔兹曼机的学习过程等进行了介绍,第四,总结了深度信念网络在疾病预测领域的研究与应用。

基于Spark的近实时增量数据更新方法

增量数据更新是各个异构系统之间进行数据共享融合的关键,也是构建增量式数据仓库来进行数据分析的关键。随着大数据技术的发展,传统的增量更新算法已经无法适应时代的潮流。为此,本文基于Spark等成熟的大数据技术提出了一种近实时增量数据更新方法。本文采用OGG+kafka进行增量数据捕获,采用Spark对增量数据进行实时分析,设计Leader-Follower-Replicat模式提高方法可用性,设计Cross-Node模式实现跨节点断点续传。本文在四种应用场景下增量同步100万条数据,实验表明:该方法可适用于多种应用场景,该方法更新效率较高可以在5S内完成数据的同步,可以在4S内完成跨节点的断点续传。