基于MapReduce的Apriori算法并行化

Apriori是挖掘关联规则最经典的算法之一,针对该算法存在的瓶颈问题研究了基于MapReduce编程框架的简单Apriori并行算法;并在简单Apriori并行算法的基础上提出一种采用固定多阶段结合挖掘策略的改进算法——多阶段并行算法。实验结果表明,改进算法能缩短挖掘时间,提高执行的效率。

关联规则挖掘技术在冠心病诊断中的应用

针对传统的关联规则算法挖掘效率低且产生的频繁项集庞大的缺陷,提出一种改进的基于直接频繁闭超项集理论的关联规则挖掘算法。该算法针对候选频繁闭项集具有快速检测闭合性和缩减查找范围的优势,有效地提高了挖掘效率。在冠心病诊断中的应用结果表明,该算法可有效地挖掘冠心病诊疗规则。

基于LReLU-Softplus激活函数的深度卷积神经网络

针对深度卷积神经网络中常见激活函数存在的表达能力不足、缺乏稀疏能力或梯度消失等问题,提出了一种新的不饱和非线性激励函数LReLU-Softplus。将使用常见激活函数和LReLU-Softplus函数的网络模型在MNIST和CIFAR-10数据集上进行对比实验。结果表明,基于LReLU-Softplus函数的卷积神经网络相比于其他激活函数不仅收敛速度更快,而且识别效率更高,误差率更低。

关联规则挖掘在临床诊断中的应用研究

将关联规则挖掘应用于临床疾病诊断工作,力求找出数据中各层次因素间的关联关系,挖掘疾病数据库中的关联规则。通过实例试图发现吸烟、环境污染、职业性致肺癌因素、肺部慢性疾病等因素与肺癌的发生与诊断间的关联关系,从而发现肺癌疾病与它产生的可能因素间的规则,利用规则模式指导肺癌的诊断与预防。并期望以此为例研究关联规则挖掘在疾病诊断各方面的应用。

浅议高校数字化教学资源共享平台的管理与维护

数字化教学资源共享平台的建设为高校全面开展数字化教学与学习提供坚实的基础,针对现有平台在运行过程中产生的相关问题,通过对安全体系结构、数字资源库和管理模式等方面进行管理与维护,保证系统更加稳定、高效运行,更好地支持数字化教学与学习。

基于深度学习的腹膜腔脱落细胞病理图像识别

针对体液细胞病理诊断自动分类识别的问题,构建一种基于深度卷积神经网络的自动化识别模型(CNN-LS)。首先对图像样本进行灰度级转换、ZCA白化、归一化与标注处理,降低图像特征间的相关性与数据冗余。其次,在CNN-LS模型构建过程中引入改进的激活函数(LReLU-Softplus)用于提高模型的收敛速度和避免可能出现的饱和非线性问题,并通过实验验证获取CNN-LS模型的最佳卷积核数量和尺寸大小。最后将CNN-LS与CS+SVM,PCA+QSOFM,ANN,CNN这4种分类方法做性能对比。实验表明CNN-LS模型在针对腹膜腔脱落细胞病理图像的癌细胞分类识别过程中具有较明显的优势。

医学护理专业开展计算机教学的探讨

随着医院信息系统、护理信息系统的发展，计算机已经渗透到医学护理的方方面面，成为提高护理质量、护理水平和护理效率必不可少的工具。如何与时俱进，使护理专业学生在校期间学到更多、更有用的计算机相关知识，适应当前社会发展的需求，是一个值得重视的问题。

基于云计算的并行k-means算法研究

针对传统k-means聚类算法面对海量数据存在时间复杂度急剧增加的问题,结合云计算的优势,提出基于MapReduce编程框架来实现k-means聚类算法的并行化处理。Map函数完成每个样本记录到聚类中心的距离计算并标记其所属聚类类别,Reduce函数汇总中间结果并计算出新的聚类中心,供下一轮迭代使用。通过实验表明:基于MapReduce的并行化k-means聚类算法具有较好的加速比和良好的扩展性。

支持向量机及其应用研究

文章在分析统计学习理论和支持向量机理论的基础上,分别从人脸检测和识别、说话人/语音识别、网络入侵检测、手写体数字识别及其他应用研究等方面对SVM的应用研究进行了综述,并讨论了SVM的优点和不足,展望了其应用研究的前景。

基于数学形态学的边缘检测技术在医学显微图像中的应用

根据病理诊断中显微图像质量较差,细胞形态不均、重叠、边缘不清等特性,运用数学形态学理论,设计一种基于Canny算子的图像边缘检测算法,并对显微图像进行边缘检测,实验结果表明相关算法对于显微图像的边缘提取有较好的效果,能够提高细胞诊断的效率,同时可满足后期细胞识别的需求.