基于Apriori算法和改进剪枝算法研究针灸结合推拿治疗神经根型颈椎病的选穴配伍规律

目的:研究针灸结合推拿疗法治疗神经根型颈椎病的选穴规律及配伍特点,为临床治疗神经根型颈椎病提供参考依据。方法:检索2012年2月—2022年2月中国知网、万方数据库、维普数据库刊登的针灸结合推拿治疗神经根型颈椎病的相关文献,建立文献数据库与腧穴数据库,采用Vlookup函数和数据转置对腧穴数据进行分析,采用SPSSPRO频数分析得出高频腧穴,采用Apriori算法和改进剪枝算法进行关联规则分析,最后按照支持度、置信度和提升度进行深入分析。结果:共检索出文献414篇,最终纳入文献133篇。频次≥14次的腧穴共20个,排名前十的依次为风池穴、天宗穴、合谷穴、肩井穴、曲池穴、后溪穴、手三里穴、颈夹脊穴、外关穴、风府穴。使用频次≥14次的腧穴归经以手阳明大肠经、手太阳小肠经、足少阳胆经、督脉、经外奇穴、足太阳膀胱经、手少阳三焦经为主。设置最小支持度为20%,最小置信度为80%,关联规则为后项→前项,采用Apriori算法和改进剪枝算法对频次≥14次的20个腧穴进行关联规则分析,置信度排名前四的腧穴配伍组合分别为肩井、风府、后溪、外关→风池、天宗,肩井、风府、外关、曲池→风池、天宗,手三里、天宗、肩井、后溪→风池、曲池,肩井、后溪、天宗、风府→风池、外关。结论:针灸结合推拿治疗神经根型颈椎病选穴具有注重分经辨证,腧穴配伍侧重本经配穴,远近配穴与同名经配穴的规律特点。运用Apriori算法和改进剪枝算法可以有效挖掘针灸结合推拿治疗神经根型颈椎病的特点,具有较高的学习价值。

一种基于稀疏优化和Nesterov动量策略的模型剪枝算法

随着深度学习快速发展,模型的参数量和计算复杂度爆炸式增长,在移动终端上部署面临挑战,模型剪枝成为深度学习模型落地应用的关键。目前,基于正则化的剪枝方法通常采用L2正则化并结合基于数量级的重要性标准,是一种经验性的方法,缺乏理论依据,精度难以保证。受Proximal梯度方法求解稀疏优化问题的启发,本文提出一种能够在深度神经网络上直接产生稀疏解的Prox⁃NAG优化方法,并设计了与之配套的迭代剪枝算法。该方法基于L1正则化,利用Nesterov动量求解优化问题,克服了原有正则化剪枝方法对L2正则化和数量级标准的依赖,是稀疏优化从传统机器学习向深度学习的自然推广。在CIFAR10数据集上对ResNet系列模型进行剪枝实验,实验结果证明Prox⁃NAG剪枝算法较原有剪枝算法性能有所提升。

基于回溯剪枝算法的燃烧反应路径可视化分析

为响应国家节能减排改善环境质量的号召,我国汽车产业节能减耗势在必行,提高内燃机燃烧效率,降低尾气有害物排放是其中强有力的手段,目前针对内燃机内部燃烧反应的研究多是基于反应分子动力学用大规模分子并行模拟器(LAMMPS)进行燃烧模拟实验,但由于内燃机内部燃烧反应是极为复杂的链式反应,后期实验数据非常庞大,且其中有大量的重复数据和异常数据。人工进行数据清洗并统计结果要消耗大量的时间和精力,错误率还高,严重耽误实验进程。本项目的开发即是希望通过计算机代替人工,用程序实现内燃机内部燃烧反应后期数据清洗的自动化,并运用回溯剪枝算法处理技术和数据可视化技术,将原本繁杂抽象的数据以图表的形式直观显示,简化人工操作,在缩短数据处理周期的同时降低错误率,对推进内燃机内部燃烧反应的相关研究有重要意义。

一种轻量化的遥感图像数据分析算法设计

针对传统遥感图像数据分析算法存在鲁棒性较差、适应度与计算效率均偏低的问题,文中基于YOLOv3提出了一种轻量化的遥感图像数据分析算法。该算法使用YOLOv3作为神经网络模型的框架,并将内部的Darknet-53多尺度卷积作为主网络。为了减小主网的冗余度,通过SE-Net模型连接网络的深层与浅层卷积,在轻量化的同时也增强了模型的深度特征提取能力。同时,根据改进后网络的权重输出结果,采用剪枝算法对卷积核进行简化,进而完成了模型的轻量化。在实验测试中,轻量化后的模型可显著提升FPS(Frames Per Second)值,且算法的mAP指标为93.25%,在对比算法中为最优,表明了算法模型的有效性及其性能的优越性。

决策树剪枝算法的研究与改进

Failure-node prune(FNP)剪枝算法是在深入分析和研究人工智能机器学习中ID3算法的基础上,提出的一种新的剪枝算法。通过采用CMU的4个具有典型特征的数据库对ID3算法、Expected-error prune剪枝算法和Failure-node prune剪枝算法进行实验对比分析,结果表明,Failure-node prune剪枝算法对于不完整的、不确定的、规模大的数据集有更好的剪枝效果,具有一定的应用价值。

一种基于图论剪枝算法的多分支配电网行波故障定位算法

配电网由于其结构上多为树形辐射状结构,若直接采用传统的输电线路故障定位方法则会造成定位的不准确。因此,基于图论剪枝算法提出一种适用于配电网的行波故障定位新方法。该方法将配电网拓扑结构等效成图论模型,构建配电网距离矩阵和关联矩阵,采用剪枝算法剪掉无效的行波波头信息,利用配电网末端检测到的故障初始行波到达时间信息实现配电网故障的实时精确定位。文章最后采用PSCAD和MATLAB软件进行联合仿真。仿真结果表明利用该方法实现的配电网故障定位结果精确可靠。

线结构光图像骨架的剪枝算法

在采用线结构光进行三维测量的过程中,将光刀图像细化后得到的骨架会出现许多毛刺和分枝,而光刀图像骨架的位置和形状将会直接影响到测量的精度,为了能够得到一条光顺并具有单一连通性的骨架,必须对其进行剪枝处理。为此提出了一种基于曲线追踪技术的剪枝算法,在分枝点处,根据光刀主干的走向找出分枝,从而快速有效的将这些分枝剔除,使最后得到的线条满足骨架的要求。实验表明,这种方法能有效地剪掉分支和消除伪特征,有利于最后三维重建的数据处理。

构造稀疏最小二乘支持向量机的快速剪枝算法

为了减少最小二乘支持向量机基本剪枝算法的计算量,提出一种快速剪枝算法。在分析剪枝前后两个最小二乘支持向量机对应线性方程组系数矩阵之间关系的基础上,利用置换矩阵的逆等于其转置的性质和分块矩阵求逆公式,导出两个系数矩阵的子阵的逆之间的递推关系,避免剪枝过程中多次进行高阶矩阵求逆,从而减少计算量。在不考虑计算误差时,该算法理论上得出与基本剪枝算法相同结果的稀疏最小二乘支持向量机。仿真结果表明该算法比基本剪枝算法速度快,而且初始训练样本越多,加速比越大。

一种任务分配问题的快速剪枝优化算法

任务分配问题是运筹学中的一类规划问题,求解这类问题的比较经典的算法是匈牙利算法,但匈牙利算法在求解大规模任务分配时运算效率不高。文章提出了一种新的求解任务分配问题的方法——剪枝优化算法。算法通过逐步剔除已确定的部分分配方案对应代价矩阵元素,逐次降低分配问题的规模,从而实现快速求解全局任务分配问题。对于n个主体执行n个任务的分配问题,进行(n-1)次操作就可以获得最优解。论文进行了相应的仿真,将文章提出的算法和匈牙利算法做了比较。仿真结果表明,该算法与传统匈牙利算法计算结果一致,但计算耗时远远小于匈牙利算法,即该算法大大提高了任务分配问题的求解速度。

一种单位代价收益决策树剪枝算法

目前关于决策树剪枝优化方面的研究主要集中于预剪枝和后剪枝算法。然而,这些剪枝算法通常作用于传统的决策树分类算法,在代价敏感学习与剪枝优化算法相结合方面还没有较好的研究成果。基于经济学中的效益成本分析理论,提出代价收益矩阵及单位代价收益等相关概念,采用单位代价收益最大化原则对决策树叶节点的类标号进行分配,并通过与预剪枝策略相结合,设计一种新型的决策树剪枝算法。通过对生成的决策树进行单位代价收益剪枝,使其具有代价敏感性,能够很好地解决实际问题。实验结果表明,该算法能生成较小规模的决策树,且与REP、EBP算法相比具有较好的分类效果。

细分法求解点投影问题时的剪枝算法

点到NURBS曲线/曲面的投影是CAD中的基础问题.为了避免数值迭代法陷入局部最优,通常把曲线/曲面细分为多段.文中提出排除无用曲线段/曲面片的剪枝算法,以提高细分求解投影的运行效率.在投影算法中将曲线/曲面递归细分,分别计算测试点到各个曲线段/曲面片的投影值;在递归过程中,对当前曲线段/曲面片计算测试点到控制点凸包距离的近似距离,如果该距离大于投影距离上界值,根据NURBS曲线/曲面的凸包性,测试点到当前曲线段/曲面片的投影距离也一定大于上界值,无需计算投影结果,直接排除该曲线/曲面.最后通过测试实例验证了该算法的有效性.

基于灰色关联分析的高阶神经网络剪枝算法

在综合分析网络纵向、横向灰色关联分析特点的基础上提出了一种新的基于灰色关联分析的剪枝算法,并将其用于训练高阶神经网络.该算法运用灰色关联分析对比网络各节点输出值序列之间联系的紧密程度,用网络纵向灰色关联分析确定剪枝连接,再用网络横向灰色关联分析确定相应的并枝连接,实现网络结构的动态修剪.训练后的高阶神经网络具有合理的网络拓扑结构和较好的泛化能力.实验验证了该算法的合理性、有效性.

用遗传算法改进的BP神经网络剪枝算法来优化决策树模型

决策树是一种有效的分类方法,但在构建决策树模型的过程中,常常会出现模型过度拟合的现象。利用基于BP神经网络的决策树剪枝算法(BP-Pruning)进行软剪枝处理,然后根据BP-Pruning的一些不足,提出一种改进算法,简称GBP-Pruning算法。该算法通过引入遗传算法来训练BP-Pruning算法模型中的权值和阈值,从而克服了BPPruning算法上的不足,最后验证了GBP-Pruning算法的可行性。

语音识别中基于最小描述长度准则的决策树动态剪枝算法

在基于语音学决策树状态聚类时,包含不同数量捆绑状态的决策树对应不同的复杂度。通过研究模型的复杂度对系统性能和说话人自适应的影响,提出一种决策树剪枝方法——基于最小描述长度(Minimum Description Length:MDL)准则的决策树动态剪枝。该方法利用训练充分的决策树作为初始模型,根据自适应语料的数量动态地选择不同复杂度的模型,决策树剪枝时初始模型的合理选择,自适应语料的充分应用以及MDL准则对随机模型和确定性模型的集成,使得所提出的方法与说话人自适应相结合后取得了系统性能明显提高。

一种改进的决策树后剪枝算法

当深度和节点个数超过一定规模后,决策树对未知实例的分类准确率会随着规模的增大而逐渐降低,需要在保证分类正确率的前提下,用剪枝算法对减小决策树的规模。论文在对现有决策树剪枝算法优缺点进行分析的基础上,提出了一种综合考虑分类精度、分类稳定性以及决策树规模的后剪枝改进算法,并通过实验证明了该算法在保证模型判别精度和稳定性的前提下,可以有效地减小了决策树的规模,使得最终的自动判别模型更加简洁。

用于ANN训练的OBD剪枝算法的改进

将Marquardt算法和OBD算法结合 ,提出了一种神经网络的DOBD动态剪枝算法 .通过一种近似的动态计算灵敏度的方法和灵敏度删除下限技术 ,该算法能够在训练的同时删除低灵敏度的权重以简化网络 ,避免了OBD算法的反复训练 .新算法应用于稳定汽油蒸气压预估的模型中 .计算结果表明 ,DOBD算法可以有效地克服由于网络结构过于复杂造成的过拟合现象 。

基于影响度剪枝的极端学习机分类算法研究

针对极端学习机(ELM)网络规模控制问题,从剪枝思路出发,提出了一种基于影响度剪枝的ELM分类算法。利用ELM网络单个隐节点连接输入层和输出层的权值向量、该隐节点的输出、初始隐节点个数以及训练样本个数,定义单个隐节点相对于整个网络学习的影响度,根据影响度判断隐节点的重要性并将其排序,采用与ELM网络规模相匹配的剪枝步长删除冗余节点,最后更新隐含层与输入层和输出层连接的权值向量。通过对多个UCI机器学习数据集进行分类实验,并将提出的算法与EM-ELM、PELM和ELM算法相比较,结果表明,该算法具有较高的稳定性和测试精度,训练速度较快,并能有效地控制网络规模。

基于改进相关性剪枝算法的BP神经网络的结构优化

BP网络中,隐层神经元的数目直接影响着整个网络的性能和效率,因而对BP网络的结构优化是一个非常重要的环节。本文对相关性剪枝算法进行了改进,采用减法聚类方法确定初始的网络结构,然后再用传统相关性剪枝算法重复优化网络。通过实验结果的分析,验证了改进的神经网络相关性剪枝算法对BP网络结构优化的有效性。

基于剪枝算法解决多处理机调度问题的算法研究

针对当前算法求解多处理机调度问题的不足,从剪枝策略的角度提出了一种笨人算法。笨人算法的思路是:不断排除最差解,直到剩下唯一解。这种剪枝算法至少保证当前的选择不是最差的,并且对计算过程的最大复杂度作了一个估计。经过实验分析,对于N×N的MSP,多数情况下,笨人算法比贪心算法、遗传算法、差分进化算法的表现更为稳定和优秀,是一种有效的算法,也为相关问题的研究提供了一种新的思路。

Map/Reduce下快速剪枝算法在复杂任务调度中的应用

云环境下传统任务分配与调度算法对于复杂任务调度的整体效率较低,为了提高Map/Reduce对复杂任务分配调度的整体效率,提出了一种基于任务处理时间的快速剪枝算法。该算法首先将复杂任务按照任务依赖关系大小进行最佳拓扑排序,使任务按顺序执行,从而提高调度准确率。然后使用节点处理任务的预测时间与节点处理能力的比值作为子任务在每个节点的处理时间进行量化建模,建立任务和处理时间的度量矩阵,通过采用按阶剪枝方法逐渐缩小任务分配规模,对N个节点处理N个任务的分配问题,进行N-1次操作可获得任务分配的最优解。运用Hadoop平台进行实验验证,从任务调度效率与资源使用率角度将剪枝算法与公平调度算法、遗传算法和GRAPHENE算法进行对比验证。实验结果表明剪枝算法能明显提高任务调度的整体效率,充分利用各节点的计算能力提高Map/Reduce调度效率。