基于深度学习的人工智能模型自动识别颈动脉斑块

该研究旨在构建一个用于颈动脉斑块超声图像的有无判定的数据集,由1 165例受检者的1 761张超声图像组成。研究采用了一种融合了双线性卷积神经网络与残差神经网络的深度学习架构,即单输入BCNN-ResNet模型,以辅助临床医生通过颈动脉超声图像进行斑块的诊断。该模型经过训练以及内部和外部验证后,在内部验证中,ROC AUC达到了0.99,其95%置信区间为(0.91, 0.84),在外部验证中ROC AUC为0.95,其95%置信区间为(0.96, 0.94),此表现优于ResNet-34网络模型在内部验证中0.98 AUC的95%置信区间(0.99,0.95)和外部验证中0.94 AUC的95%置信区间(0.95, 0.92)。因此,单输入BCNN-ResNet网络模型展示了优异的诊断性能,为颈动脉斑块的自动识别提供了一种创新的解决方案。

双Hopfield网络MAC算法在单元机组负荷系统中的应用

电厂负荷系统是一个有耦合的两输入两输出多变量对象,对控制作用有一定的约束。模型算法控制(MAC)是预测控制的一种,在惯性迟延对象的控制中有很好的应用。该文首先将系统分解为两个双输入单输出的系统,并进一步将其简化为两个二次约束优化问题。然后用两个Hopfield网络分别加以求解,从而得到它们的预测控制序列,并能很好的处理控制中的约束条件,避免了传统算法中矩阵求逆等复杂运算。仿真表明,该方法算法简单、鲁棒性强、控制效果理想。

一维CMAC网在SISO机构系统辨识中的应用

叙述了一维小脑模型关节控制器(CMAC)的结构、参数确定方法及学习算法,讨论了以一维CMAC网作为单输入单输出(SISO)机构的系统模型进行系统辨识的原理及方法。以曲柄滑块机构为例,对一维CMAC网作为机构模型的系统辨识进行了MATLAB仿真,取得了较好效果。

木材干燥窑内判断传感器有效状态方法的研究

为了判断传感器的有效工作状态,提出了基于D-S证据理论和CMAC神经网络的信息融合方法。利用传感器在空间和时间上的冗余或互补信息,依据D-S证据理论,消除故障检测、诊断中的不确定性。采用模块化的小脑模型识别网络建立基本信任分配函数,具有最佳一致逼近特性,同时解决了D-S证据理论确定基本信任分配函数的困难和因输入参数改变影响信任分配函数构建的问题。仿真结果表明:该方法可以对木材干燥过程中传感器工作状态进行有效诊断。