单细胞RNA测序已成为研究生物学重要特征的强大高分辨率工具。然而,其测序条件苛刻,价格成本高昂。目前细胞类型反卷积能够很好地解决这些限制问题,SMCTD(Sparse Model Cell Type Deconvolution)使用稀疏自编码器优化TAPE(Tissue-AdaPti...单细胞RNA测序已成为研究生物学重要特征的强大高分辨率工具。然而,其测序条件苛刻,价格成本高昂。目前细胞类型反卷积能够很好地解决这些限制问题,SMCTD(Sparse Model Cell Type Deconvolution)使用稀疏自编码器优化TAPE(Tissue-AdaPtive autoEncoder),使其在直肠癌和PBMC模拟数据上预测细胞类型比列具有更高的灵敏度、准确性和整体性能,同时在预测细胞类型特异性基因表达上表现更优。展开更多
利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile,HRRP)进行了学习训练,基于各层权重系数矩阵定义了一种综合权重系数,通过综合权重系数和降维特征与散射中心特征的对比分析,发现稀疏自编码器深层特征...利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile,HRRP)进行了学习训练,基于各层权重系数矩阵定义了一种综合权重系数,通过综合权重系数和降维特征与散射中心特征的对比分析,发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性,并对综合权重系数和深层降维特征的物理意义进行了解释。首先针对HRRP构建稀疏自编码器网络,经过深层学习后获取训练后的权重系数和降维后的特征,并与散射中心的位置特征和强度分布特征进行关联性分析。结果表明,综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵,反映了距离域强散射中心位置随角度变化的可能的分子集;降维特征能够实现对强散射中心的学习和提取,反映了强散射中心位置和强度随角度的变化。最后分析了网络训练层数和降维维数对学习训练结果的影响,可指导后续网络参数的选择。文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究,为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引。展开更多
传统的梯度方向直方图(Histogram of Oriented Gradients,HOG)算法在提取图像特征过程中对于图像的轮廓边缘信息比较敏感,但是HOG特征缺少对样本间关联的描述。稀疏自编码器(Stacked Auto Encoder,SAE),在特征提取中可以很好地提取出样...传统的梯度方向直方图(Histogram of Oriented Gradients,HOG)算法在提取图像特征过程中对于图像的轮廓边缘信息比较敏感,但是HOG特征缺少对样本间关联的描述。稀疏自编码器(Stacked Auto Encoder,SAE),在特征提取中可以很好地提取出样本间的特征但是需要较大的样本量。论文结合HOG方法与SAE方法在小数据集下使用SVM分类器训练分类手势图片,通过在Jochen.Triesch数据集上的实验表明该方法可以获得更好的分类效果。展开更多
文摘单细胞RNA测序已成为研究生物学重要特征的强大高分辨率工具。然而,其测序条件苛刻,价格成本高昂。目前细胞类型反卷积能够很好地解决这些限制问题,SMCTD(Sparse Model Cell Type Deconvolution)使用稀疏自编码器优化TAPE(Tissue-AdaPtive autoEncoder),使其在直肠癌和PBMC模拟数据上预测细胞类型比列具有更高的灵敏度、准确性和整体性能,同时在预测细胞类型特异性基因表达上表现更优。
文摘利用稀疏自编码器网络对典型目标一维高分辨距离像(high resolution range profile,HRRP)进行了学习训练,基于各层权重系数矩阵定义了一种综合权重系数,通过综合权重系数和降维特征与散射中心特征的对比分析,发现稀疏自编码器深层特征与散射中心特征之间具有一定的关联性,并对综合权重系数和深层降维特征的物理意义进行了解释。首先针对HRRP构建稀疏自编码器网络,经过深层学习后获取训练后的权重系数和降维后的特征,并与散射中心的位置特征和强度分布特征进行关联性分析。结果表明,综合权重系数矩阵为与散射中心密切相关的类字典系数矩阵,反映了距离域强散射中心位置随角度变化的可能的分子集;降维特征能够实现对强散射中心的学习和提取,反映了强散射中心位置和强度随角度的变化。最后分析了网络训练层数和降维维数对学习训练结果的影响,可指导后续网络参数的选择。文章首次针对雷达HRRP数据开展深度学习特征的可解释性研究,为后续深度学习在雷达数据处理中的广泛应用提供了有益的导引。
文摘传统的梯度方向直方图(Histogram of Oriented Gradients,HOG)算法在提取图像特征过程中对于图像的轮廓边缘信息比较敏感,但是HOG特征缺少对样本间关联的描述。稀疏自编码器(Stacked Auto Encoder,SAE),在特征提取中可以很好地提取出样本间的特征但是需要较大的样本量。论文结合HOG方法与SAE方法在小数据集下使用SVM分类器训练分类手势图片,通过在Jochen.Triesch数据集上的实验表明该方法可以获得更好的分类效果。