基于多元语义特征和图卷积神经网络的短文本分类模型

在互联网和社交媒体迅猛发展的背景下,网络中出现了大量的短文本数据,这些数据在舆情监控、情感分析和新闻分类等自然语言处理领域展现出了非常高的经济和学术价值.但短文本数据固有的特征给短文本分类带来了不小的挑战,如文本稀疏和缺乏丰富的上下文语义等.针对这些问题,提出了一种结合多元语义特征和图卷积神经网络(GCN)的短文本分类模型,该模型通过哈尔滨工业大学的语言技术平台获取短文本的多种语义特征,并将这些语义特征同短文本一起构建一个多元异构图,然后将其作为GCN的输入,利用GCN学习短文本更深层特征,最后通过Softmax函数获取每个类别的概率分布,进而实现短文本分类.试验结果表明,本模型在短文本分类的F1评分上比传统单一模型提高了4%.

基于集成特征选择的中小微企业信贷风险分类模型研究

文章以客户违约率作为中小微企业信用风险的评价标准,尝试构造基于集成特征选择的中小微企业信用风险分类模型,结合互信息矩阵、基于k折交叉验证的随机森林和支持向量机对模型进行分析。研究表明企业的信誉等级、销项有效率和最高销项对信用风险有显著影响,其他因素对信用风险的影响不显著,实验说明基于k折交叉验证的支持向量机具有可靠的信贷风险预测能力,对中小微企业信用风险评估有较强的参考价值。

基于深度学习的住院部口服药分类模型的构建

目的:基于深度学习法构建针对住院部的口服药分类模型。方法:模拟实际应用场景,采集95类药丸图片构建数据集,并对其进行图片预处理操作;以MobileNet V2网络为基础架构建立药丸分类模型,并在模型中嵌入注意力机制以增强网络特征通道间的依赖关系;融合迁移学习的方法,利用自建药丸数据集对模型进行训练和测试,通过模型分类准确率和模型参数量指标检测模型性能。结果:本研究构建的模型在自然环境中采集的口服药丸图片分类方面表现卓越,通过使用包含95类药丸、总计728张图片的自建数据集进行训练和测试,模型分类准确率为95.8%,分别比MobileNet V2、ShuffleNet V2、ResNet50高11.6%、14.3%、11.3%。模型参数量为2.55 M,约为ResNet50的1/10。结论:本研究构建的模型可以较好地平衡模型的复杂度和分类准确率,为药房等场景下涉及的药丸自动分类系统提供技术路线和效果验证,对于提升药房发药、病房分药等具体情形的护理自动化水平具有一定的理论和实际应用价值。

依据MRI影像组学数据构建颈椎失稳诊断分类模型的可行性

背景:既往颈椎失稳相关研究在传统影像学检查下对其病变发展过程中的动静力交互作用关系和病理特征变化阐释不明,近年来逐渐兴起的MRI影像组学可为颈椎失稳的深入研究提供新的途径。目的:探讨MRI影像组学在颈椎失稳研究中的应用价值。方法:通过招募广告和中国中医科学院望京医院脊柱二科门诊,纳入18-45岁青年颈椎失稳受试者和非失稳受试者进行颈椎MRI采集,在椎间盘所在的横断面图层,对椎间盘区、关节突区、椎前肌区、颈后肌群深层区及颈后肌群浅层区等5个特定感兴趣区域进行手动分割,以提取并筛选影像组学特征,最终进行颈椎失稳诊断分类模型的构建,并使用曲线下面积评价模型的效能。结果与结论:①共纳入56例颈椎失稳受试者和55例非失稳受试者,每个感兴趣区域提取影像组学特征各1688个;经过筛选最终获得300组具有特异性的影像组学特征组合,每个感兴趣区域各60组;②初步建立了5个感兴趣区域的颈椎失稳诊断分类模型,其中关节突区的支持向量机模型和颈后肌群深层区的支持向量机模型对于失稳和非失稳的分类具有一定的准确性,十折交叉验证平均曲线下面积分别为0.7197和0.7033;③椎间盘区的Logistic模型、椎前肌区的LightGBM模型及颈后肌群浅层区的Logistic模型对于失稳和非失稳的分类准确性一般,十折交叉验证平均曲线下面积分别为0.6504,0.6207和0.6442;④证明了MRI影像组学在颈椎失稳研究中应用的可行性,进一步深化了对颈椎失稳发病机制的认识,同时也为颈椎失稳的精准诊断提供了客观依据来源。

坝肩岩体质量LDA-KNN分类模型

工程岩体质量分级评价对工程的安全、设计、经济效益等有重要影响。针对当前岩级划分方法中存在不确定性,人为因素干扰和忽视了传统定性分级中对岩体质量评价的重要性等问题,本文通过在工程实际中搜集样本建立数据库,从工程的实际需求出发,选择岩体完整性系数(K v)、结构面间距(D)、岩石质量指标(RQD)等合适的评价指标,通过引入LDA(Linear Discriminant Analysis)降维方法和K近邻分析(K-Nearest-Neighbor,KNN)相结合的多分类模型,实现了岩体的非线性分级预测。通过定性定量相结合实现了岩体多因素,多指标的综合分级,并解决了多指标判断时信息冗余,复杂程度高的问题。与其他判别方案相比较,模型得出的结果准确率高,符合工程实际,减少了人为因素的影响,体现出较强的预测判别能力。该研究为水电站大坝坝肩处的平硐岩体质量划分提出了一种可行的预测方案。

基于网格搜索和投票分类模型的喷油器故障诊断研究

为了提高高压共轨试验台对喷油器检修效率,提出一种基于网格搜索和投票分类模型的喷油器故障自动诊断方法。由于压电喷油器故障数据采集困难,使用AMESim软件模拟不同轨压和脉宽状态下压电喷油器可能出现的多种故障情况。随后,将采集到的1 760组数据使用由随机森林、支持向量机和GBM组成的投票分类模型进行训练,并使用网格搜索法优化各分类器的超参数。实验结果表明:该模型对压电喷油器的5种故障状态及正常状态诊断时的准确率、精确率、召回率和F1-score分别为98.86%、99.13%、98.56%、98.83%,表现出较高的准确性和稳定性。该方法能够快速高效地对喷油器故障情况进行定位。

基于决策树分类模型的糖尿病肾病进展预测量表的研制

目的 基于决策树分类模型建立糖尿病肾病(diabetic kidney disease,DKD)进展预测量表。方法 回顾性收集六盘水市第二人民医院内分泌科2020年7月至2021年7月收治的308例糖尿病肾病患者作为研究对象,并将其分为微量蛋白尿组(n=224)与显性蛋白尿组(n=84)。对2组患者的人口学资料、既往基础病史等指标进行单因素和多因素Logistic回归分析,并运用决策树分类模型建立DKD进展预测量表。结果 308例研究对象中84例(27.27%)为显性蛋白尿,224例(72.73%)为微量蛋白尿。多因素Logistic回归分析显示收缩压(OR=1.022,P=0.003)和血肌酐(OR=1.012,P <0.001)和总蛋白水平(OR=0.953,P=0.003)是引起显性蛋白尿的独立风险因素。运用决策树分类模型建立预测量表,量表总分为60分,诊断阈值为33分,决策树模型ROC曲线面积(0.781)大于多因素Logistic回归(0.769),灵敏度为95.2%,特异度为78.9%。结论 DKD进展预测量表能够较准确的评估DKD进展,对于早期预测DKD进展具有较好的临床价值。

基于机器学习的分类模型预测对比

本文针对分类问题,使用支持向量机、逻辑回归、朴素贝叶斯、决策树、随机森林、K近邻六个基础的机器学习分类算法,根据性别、年龄和级别等相关特征,对泰坦尼克号的乘客幸存与否进行预测,并在实验和结果中比较不同机器学习分类模型的差异、优缺点。通过实验对比,支持向量机表现出了最好的性能,在准确率、精确率、召回率和F值中都取得了较高的值,而K近邻性能表现最差。

中草药图像识别分类模型的设计与实现

中文中草药作为中医的重要组成部分,在治疗多种疾病中扮演着关键角色。由于许多中草药在视觉上极为相似,为应用深度学习对其进行分类识别,本文构建了一个中草药分类识别模型。该模型的构建采用残差神经网络结合卷积块注意模块,并应用融合局部二值模式特征以及迁移学习策略来提升模型的识别准确率。实验的结果表明,本文模型的准确率、召回率、精确度和F1分数分别达到96.88%、96.80%、96.87%和96.80%。

基于多特征融合和机器学习的疾病基因检测大数据分类模型

采用目前方法对疾病基因检测大数据进行分类时,没有对提取特征进行融合处理,存在正确分类率低、病情反映能力低和分类效率低的问题。为此提出基于多特征融合和机器学习的疾病基因检测大数据分类模型构建方法,提取疾病基因图像的粗糙度特征、对比度特征和方向度特征,采用主成分分析方法融合提取的特征,在机器学习原理的基础上构建疾病基因检测大数据分类模型,将融合后的特征输入模型中,完成疾病基因检测大数据的分类。实验结果表明,所提方法的正确分类率高、病情反映能力强、分类效率高。

基于帧间深度特征差分的大西洋鲑鱼群活跃度分类模型

鱼群活跃度是鱼类健康福利养殖的特征性指标之一,实现鱼群活跃度细粒度分类有利于更精细地描述鱼群健康状况、评估鱼群福利水平。基于工厂化循环水养殖系统,本文建立了水下大西洋鲑鱼群活跃度细粒度分类视频数据集,并提出一种基于帧间深度特征差分的鱼群活跃度分类模型,通过引入残差连接的小型卷积神经网络提取视频帧的特征,进而在相邻帧之间做差分运算和平方运算得到视频帧间特征,最后将其输入基于外部注意力机制的分类网络IFDNet中得到视频类别。试验结果表明,本文提出的CNN-IFDNet模型分类准确率达到97.72%,F1值达到97.42%,以较低的计算复杂度实现了对水下视频鱼群活跃度的三分类。相较于实验室环境,基于真实养殖环境对鱼群活跃度所展开的算法研究实际应用性更强,可以为精细化描述鱼群的活跃度、实现智能监测鱼类健康状况提供参考,帮助养殖人员发现并排除导致鱼群活跃度异常的水质环境、病害等因素。

基于自适应多叉树防碰撞算法的智能客服NLP短文本分类模型

智能客服的工作方式是读取客户发送的短文本信息,对客户的问题进行解答。为了提高智能客服对于短文本的理解能力,提高智能客服的服务质量,提出基于自适应多叉树防碰撞算法的智能客服NLP短文本分类模型。根据短文本分类模型的工作任务,重新设计智能客服NLP短文本分类模型的核心架构,逐步分析自适应多叉树防碰撞算法的工作原理和内容、短文本分类模型的网络通信方式,调用融合卷积神经网络、多头自注意机制以及以上提到的技术,集成基于自适应多叉树防碰撞算法的智能客服NLP短文本分类模型。实验结果表明,该模型的处理短文本分类结果的准确率、精确率、召回率皆符合预期设计的目标。

基于改进深度学习网络的音乐风格分类模型优化方法

采用目前方法对音乐风格进行分类时,没有对提取的特征和进行融合处理,导致分类有效性差、时间复杂度高。对此基于改进深度学习网络提出一种音乐风格分类模型优化方法。在音高、节奏和音色三个方面对音乐进行特征提取,并在D-S证据理论的基础上对提取的特征进行融合处理,将融合后的音乐特征输入改进深度学习网络,构建音乐风格分类模型,实现音乐风格的分类。实验结果表明,所提方法的分类F1值高、时间复杂度低、ROC曲线趋近于1。

生源多元化背景下高职学习者能力分类模型研究

随着教育改革的不断推进,高职院校的生源呈现多元化发展趋势,多样化的生源导致不同生源学习者存在个体差异,这对传统课堂教学带来了问题与挑战。本研究结合当前高职生源现状,阐述了学习者能力分类依据及分类模型构建原则,并基于高职多元化的招生导致的学生的个体差异,构建了学习者分类模型,有利于教师充分了解学生差异,从而设计适合于不同类型学生的差异化教学模式,提升课程质量。

基于近红外光谱的烤烟香型分类模型研究

为了快速无损地判别国产烤烟香型,指导卷烟配方原料利用,对1383份烟叶样品进行近红外光谱采集,基于八大香型区划结果进行香型分类,选用各香型稳定区的样品构建香型分类模型。结果显示,基于近红外原始光谱数据利用随机森林构建的香型分类模型准确率仅为48.64%,光谱数据经过SG滤波一阶或二阶导数和多元散射校正预处理后,模型准确率提高29.54个百分点,然后经因子分析降维处理(45个因子)模型准确率提高到85.91%,最后对模型关键参数进行优化,当评估器数量为500、随机种子为9时,模型准确率最高为90.45%。利用建立的分类模型对预测集进行预测,清甜香型、焦甜焦香型、清甜蜜甜香型和木香蜜甜香型的召回率均达到90.00%以上,召回率最低的为蜜甜香型和焦甜醇甜香型(66.67%)。以上结果表明,利用近红外光谱技术能够有效鉴别烤烟八大香型。

基于卷积神经网络的图像分类模型综述

卷积神经网络在计算机视觉等领域占有一席之地,利用局部连接、权值共享以及池化操作等特性,有效地提取图像的局部特征,降低网络复杂度,具有更少的参数量和更好的鲁棒性,因此,吸引了众多研究者的关注,使分类模型朝着更轻、更快、更高效的方向迅速发展。按照卷积神经网络发展的时间线,介绍了常用的典型网络模型,剖析了其创新点与优缺点,并对其未来的发展方向进行了展望。

基于机器学习的郁证证型分类模型构建研究

目的基于机器学习的随机森林和人工神经网络算法构建郁证证型分类模型,并采用混淆矩阵评估其模型的准确度。方法医案数据来自古今医案云平台、中国知网、万方、维普数据库,共纳入1010例医案,训练集和测试集划分比例为7∶3。利用Python在Jupyter notebook中进行特征提取,再通过随机森林、人工神经网络构建郁证证型分类模型,最后利用混淆矩阵验证分类结果准确性。结果利用随机森林算法构建的证型分类模型,整体准确度为89.44%,其中肝气郁结95.00%,气郁化火82.05%,痰气郁结89.29%,心神失养85.07%,心脾两虚89.74%,心肾阴虚95.16%;利用人工神经网络算法构建的证型分类模型,整体准确率为96.03%,其中肝气郁结100.00%,气郁化火92.31%,痰气郁结96.43%,心神失养91.04%,心脾两虚97.44%,心肾阴虚100.00%。结论两类分类模型分类结果均达到了较理想的效果,但人工神经网络分类模型准确度高于随机森林分类模型准确率,其非线性、模糊性等特征更适合于中医证型分类预测,可为今后中医诊断研究提供新的思路与方向。

基于原型网络的中文分类模型对抗样本生成

对抗样本生成通过在原文本中添加不易察觉的扰动使深度学习模型产生错误输出,常用于检测文本分类模型的鲁棒性。现有对抗样本生成方法多数采用黑盒或白盒攻击,在生成对抗样本的过程中需要和受害模型交互,且攻击效果依赖于受害模型的结构和性能,通用性较差。面向中文文本的对抗样本生成方法使用的变换策略过于单一,无法生成多样化的中文对抗样本。针对这些问题,提出一种基于原型网络的对抗样本生成(AEGP)方法。在全面分析汉字结构特点和人类阅读习惯的基础上,设计8种可保持语义一致的中文文本变换策略。将卷积神经网络作为编码器,构建原型网络,利用同一类别下的其他文本辅助发现所需变换的文本片段。针对选择的文本片段应用文本变换策略,生成对抗样本。实验结果表明,AEGP方法具有较好的通用性,能生成多样化的对抗样本,且相比于基线方法,分类模型在AEGP方法生成的对抗样本上的准确率下降了9.21~32.64个百分点。

基于非平衡问题的卷积神经网络分类模型

由于数据分布的不平衡,传统的分类模型常常会受多数类的影响而降低分类准确率。因此为提升对非平衡数据的分类性能,提出新的卷积神经网络分类模型CNN-EMWRA-WCELF,其中EMWRA(Expectation Maximization Weighted Resampling Algorithm)是对EM算法的优化。融合高斯混合模型与采样算法,对初始数据集进行精确采样,以此降低训练数据集的非平衡度。另外,所提的WCELF(Weighted Cross Entropy Loss Function)函数,可根据样本权重对少数类和多数类赋予不同的代价损失。最后,以F1和G-mean为评价指标,将CNN-EMWRA-WCELF模型在竞赛数据集上与其他分类模型相比较,结果均为第一,表明其能够很好地提高少数类分类的正确率。

基于脑电的隧道施工人员危险预测能力分类模型

在隧道施工中,许多灾害威胁着工地现场施工人员的生命安全,一旦灾害发生,很难救援。但通过人员的早期干预,可以防止许多灾害的发生,这有赖于施工人员的危险预测能力。基于虚拟现实场景,研究了隧道施工人员的脑电数据与危险预测能力之间的关系,并通过自动机器学习框架比较了16种分类模型之间在危险预测能力上的优劣情况;然后,以获得的脑电数据集为基础,建立了Logistic回归分类模型,以判别施工人员危险预测能力的3个不同阶段。结果表明,该分类模型识别效果较好,F_(1)为0.6028。在分类识别中,最关键的特征是脑电δ波和γ波的功率谱密度,这与传统的危险知觉研究不同。提出的分类模型将有助于隧道施工人员更好地了解施工中危险源的变化,减少不安全行为,实现更大的安全性。