基于卷积神经网络的医学CT图像自动分割方法

针对医学CT图像自动分割方法对三维分层医学CT图像分割精准度较差问题,设计基于卷积神经网络的医学CT图像自动分割方法。对采集到的原始医学CT图像进行去噪处理,为后续的图像分割提供训练集。设定卷积神经网络的激活函数及网络参数,构建医学CT图像自动分割卷积神经网络。计算医学CT图像在卷积过程中损失函数,获取图像最优分割参数,根据此参数完成分割过程。实验结果表明:此方法无论在图像的整体分割还是细节分割方面,均可获取精度较高的分割结果。

改进的门控循环单元模型研究与应用

在传统机器学习方法在应对大规模、高维度的非线性数据分析处理方面,其性能需要进一步提升,特别是在网络安全入侵检测分析方面,网络攻击呈现出多样性、隐蔽性的特征,需要探索更好的异常数据分类与攻击识别方法。提出一种基于堆叠降噪自编码网络的门控循环单元(SDAN-GRU)深度学习模型的入侵检测方案。门控循环单元中重置门和更新门的设计有助于捕捉时序数据中的短期和长期依赖关系,相较于其它深度学习模型更适合对攻击样本所具有的时序特征进行识别和分类。同时针对入侵检测样本中包含的冗余信息和噪声数据问题,进一步引入堆叠降噪自编码网络对流量数据进行降维和特征抽取,并通过与门控循环单元结合构建深度学习模型,通过KDDCUP99数据集进行仿真验证。实验结果表明,基于堆叠降噪自编码网络的门控循环单元(SDAN-GRU)深度学习模型构建的入侵检测方案,能有效的提高流量数据的分类速率和攻击的识别精度。