MRMR和SSGMM联合分类模型的煤泥浮选系统药况图像识别

为解决煤泥浮选过程依靠工人肉眼识别泡沫特征来调节药剂用量,造成药剂浪费,产品质量不合格的问题,提出一种MRMR和SSGMM联合分类模型的药况图像识别方法.针对泡沫图像的形态、纹理、颜色特征与泡沫类别具有不同程度的相关性.将精煤灰分作为泡沫的类别信息,利用最大相关最小冗余(MRMR)算法筛选最优特征;针对传统的高斯混合模型(GMM)在聚类时,存在结果需人为判断实现分类的问题,通过引入少量已知加药状况下的泡沫图像特征样本对其改进,构建半监督高斯混合模型(SSGMM)泡沫图像聚类器.将优选的且具有少量先验标签信息的多维泡沫图像特征融合到SSGMM聚类模型中,利用少量的标记样本引导聚类,并将其标签信息映射给聚类结果实现自动分类.实验表明,这种联合分类模型提高了泡沫识别的准确性,为药剂用量的准确控制与精煤产品质量提供了关键技术支持.

基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模

由于训练样本数量有限,滑动时间窗长度以及监测模型不能自适应调整和更新等因素,传统基于机器学习的刀具磨损预测模型存在精度和效率较低等问题,因此提出了一种基于自适应动态无偏最小二乘支持向量机(ADNLSSVM)的刀具磨损预测模型。采用公开数据库中的铣削加工数据集,通过时频域分析和小波包分解等手段从振动信号中提取特征量,并进一步利用相关性分析从中选择有效特征量作为模型输入。试验结果表明该方法所建模型具有较高的建模效率和预测精度。

基于卫星云图的云分类研究

各种类型云的辐射特性以及分布情况,对大气收支平衡以及天气气候都有重大影响,对云进行正确分类是遥感领域的重要应用和研究热点。文章基于对卫星云图进行自动准确识别和分类研究的前提,通过介绍几种特征提取和选择方法,以及介绍无监督、有监督和神经网络3类云分类研究常用分类方法,对国内外近几十年来所做的卫星云图分类研究进行综述介绍。并简要介绍了云分类结果的评价方法,对分类研究的结果进行定性讨论。

基于统计方法的图像识别系统研究

为了提高计算机视觉系统的适应性和通用性,文中分析了基于统计方法的图像识别系统中的数据获取、预处理、特征提取和选择、分类器设计和分类决策等部分具体实现过程。最后基于统计识别中的归一化处理,给出了特征提取和选择部分的基本设计架构。

MRI影像组学特征预测乳腺癌分子分型的价值

目的探讨基于脂肪抑制T2WI、DCE-T1WI和二者联合序列的影像组学特征预测乳腺癌分子分型的价值。方法回顾性分析经术后病理证实的122例乳腺癌患者,术前均行常规MRI和动态增强扫描。用ITK-SNAP软件勾画感兴趣区,利用AK软件分别提取脂肪抑制T2WI、DCE-T1WI和二者联合序列三维病灶的影像组学特征。采用卡方检验及方差分析比较不同分子分型乳腺癌患者间年龄、绝经状态、淋巴结转移情况特征的差异;使用单因素方法、相关性分析、多因素逻辑回归及套索算法(LASSO)进行特征筛选并降维,采用Logistic回归算法建立模型。利用受试者工作特征曲线评估模型的预测效能。结果 Luminal A型33例,Luminal B型54例,HER-2过表达型17例,三阴(TN)型18例,不同分子分型乳腺癌患者间年龄、绝经状态、淋巴结转移情况的差异均不具有统计学意义(P>0.05)。预测Luminal A型、Luminal B型、HER-2过表达型、TN型乳腺癌最佳效能模型是基于脂肪抑制T2WI和DCE-T1WI联合序列的影像组学特征建立的模型,曲线下面积分别为0.820(0.742,0.888)、0.808(0.745,0.869)、0.900(0.833,0.954)、0.837(0.758,0.905)。结论基于MRI影像组学特征构建的模型可有效无创预测乳腺癌分子分型。