深度神经网络在不规则弥漫大B细胞淋巴瘤时间序列数据分类预测中的应用

目的探讨深度神经网络在不规则时间序列数据中的分类效果,并对山西某医院2014-2020年362例弥漫大B细胞淋巴瘤(diffuse large B-cell lymphoma,DLBCL)患者进行复发预测。方法回顾性地收集了确诊且治疗后达到完全缓解的362例DLBCL患者的病例资料,并预测其两年内的复发。先利用LASSO回归进行变量的筛选,再构建基于GRU-ODE-Bayes(gated recurrent unirt-ordinary differential equation-Bayes)的不规则时间序列深度神经网络模型,并与传统模型及其他深度神经网络模型进行比较。结果在本文的所有模型中,传统模型的分类性能不及深度神经网络模型。其中GRU-ODE-Bayes模型最优,其AUC为0.85,灵敏度为0.84,特异度为0.71,G-means为0.77。结论关于不规则DLBCL时间序列数据,与本文其他模型相比,GRU-ODE-Bayes模型可以更精准地预测DLBCL患者的复发情况,可为患者个性化治疗和医生决策提供参考。

一种胶质细胞偶联人工神经网络模型

受到生物大脑神经胶质细胞和神经元互作用机制的启示,提出一种胶质细胞偶联人工神经网络(Glia-Coupled Artificial Neuron Networks,GCANNs)模型.对当前人工神经网络模型中的基本单元—神经元进行扩展,将每一个神经元连接一定数量的胶质细胞作为网络基本单元,通过神经元和胶质细胞的相互作用模型进行基本单元各元素的计算和更新,最后通过遗传算法对该模型的参数、拓扑结构进行优化.该网络模型能反应胶质细胞和神经元之间的双向通讯机制,更接近神经系统各元素之间的信息处理方式.实验表明,该模型能提升网络学习性能,在图像、文本等的分类任务上表现出比传统人工神经网络更高的准确率.此外,基于遗传算法的网络优化实验表明,为获得更高的适应度,大部分神经元都选择了与一定数量的胶质细胞“相连”,说明胶质细胞偶联的模型是经过了“自然进化、优胜劣汰”的更优模型.该模型能为构建更符合大脑工作机理的神经网络提供新的思路和方法,也能反向启发和推进神经科学研究.

基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法

针对人工检测磁瓦内部缺陷过程中需要成熟的经验知识,检测过程不稳定且效率较低等问题,设计一套智能化检测系统。受人工检测的启发,提出一种基于卷积神经网络和模态转换的磁瓦内部缺陷检测方法。将时域信号转换为时-频域语谱图,利用卷积神经对语谱图提取特征并分类。为更精准地强调重要信息而抑制无关信息,将坐标注意力机制引入到卷积神经网络中。提出的基于卷积神经网络和模态转换的预测模型的准确率达到98.4%,证明提出的检测方法对于磁瓦内部缺陷检方法是有效的。实验结果表明,模态转换和坐标注意力机制能提升模型的性能。

卷积神经网络在结直肠息肉辅助诊断中的应用综述

结直肠癌是一种恶性肿瘤,主要发生在结肠和直肠的组织中,其早期发现和治疗具有重要意义。结直肠癌的早期检测和预防主要是对病人的肠道进行视觉检查,从而筛查结直肠息肉,但人工检查存在漏诊率高等弊端。基于卷积神经网络(CNN)的辅助诊断系统在结直肠息肉的诊断方面表现出最先进的性能,是目前计算机辅助诊断领域的研究热点。根据近几年发表的相关重要文献,对卷积神经网络在结直肠息肉辅助诊断中的应用进行系统综述。首先介绍了结直肠息肉诊断领域的常用数据集,其中包括图片和视频数据集;其次分别对CNN在结直肠息肉检测、分割以及分类中的应用进行系统阐述,对各算法的主要改进思路、优缺点以及性能进行深入分析,旨在为研究人员提供更系统的参考,并对深度学习模型的可解释性进行总结;最后对基于CNN的结直肠息肉辅助诊断的各类算法进行总结,并对未来的研究方向进行展望。

基于神经网络的VSLAM综述

传统的基于视觉的SLAM技术成果颇丰,但在具有挑战性的环境中难以取得想要的效果.深度学习推动了计算机视觉领域的快速发展,并在图像处理中展现出愈加突出的优势.将深度学习与基于视觉的SLAM结合是一个热门话题,诸多研究人员的努力使二者的广泛结合成为可能.本文从深度学习经典的神经网络入手,介绍了深度学习与传统基于视觉的SLAM算法的结合,概述了卷积神经网络(CNN)与循环神经网络(RNN)在深度估计、位姿估计、闭环检测等方面的成就,分析了神经网络在语义信息提取方面的优点,以期为未来自主移动机器人真正自主化提供帮助.最后,对未来VSLAM发展进行了展望.

面向稀疏卷积神经网络的CGRA加速器研究

本文针对规模日益增长和演变迅速的稀疏卷积神经网络(CNN)应用,提出一款高能效且灵活的加速结构DyCNN来提升其性能和能效。DyCNN基于兼具灵活性和高能效的粗粒度可重构架构(CGRA)设计,可以利用其指令的高并行性来高效支持CNN的操作。DyCNN使用基于数据感知的指令动态过滤机制来滤除各计算单元中由于稀疏CNN中权值静态稀疏性和激活值动态稀疏性产生的大量无效计算和访存指令,使它们能像执行稠密网络一样高效复用一组指令。此外DyCNN利用基于负载感知的动静结合负载调度策略解决了稀疏导致的负载不均衡问题。实验结果表明,DyCNN运行稀疏CNN与运行密集CNN相比实现了平均1.69倍性能提升和3.04倍能效提升,比先进的GPU(cuSPARSE)和Cambricon-X上的解决方案分别实现了2.78倍、1.48倍性能提升和35.62倍、1.17倍能效提升。

基于双胞循环神经网络的雷达捷变频行为识别

雷达程控捷变频行为具有一定的抗窄带瞄准式干扰能力,同时能够实现测量和动目标指示等功能,给干扰引导带来一定的困难。对此,提出随机频率模板的方法,对雷达程控捷变频行为进行建模,并设计了一种双胞循环神经网络识别程控捷变频行为。仿真实验结果表明,双胞循环神经网络能够有效识别雷达程控捷变频行为,并以一定的概率预测未来的频率序列,能够有效地为窄带瞄准式干扰提供引导。仿真结果也表明,所提网络能够有效记忆和识别一组非线性时间序列。

基于硬皮病线粒体相关基因的人工神经网络模型的构建

目的建立基于GEO数据库硬皮病线粒体相关基因的机器学习和人工神经网络联合诊断模型并评价其效果。方法通过GEO数据库获取3份硬皮病芯片。其中GSE95065及GSE59785合并作为实验数据集并提取线粒体相关基因表达量,使用随机森林、LASSO回归和SVM算法筛选硬皮病线粒体相关特征基因,并用特征基因构建人工神经网络模型,用10折交叉验证模型准确性。来用验证数据集GSE76807对模型进一步验证,利用ROC曲线下面积值评估模型准确性。用RT-qPCR实验验证关键基因mRNA相对表达量。最后用CIBERSORT算法预估硬皮病与筛选出的潜在生物标志物的生物信息学关联。结果共获取差异基因24个,其中上调基因11个,下调基因13个。通过3种机器学习算法筛选到最相关的7个线粒体相关特征基因(POLB、GSR、KRAS、NT5DC2、NOX4、IGF1、TGM2),并构建人工神经网络诊断模型。使用该模型绘制了实验组和验证组诊断的ROC曲线,AUC值为0.984。验证组AUC为0.740。10折交叉验证AUC平均值大于0.980。RT-qPCR结果显示,与对照组相比,硬皮病中POLB(P=0.004)、GSR(P=0.029)、KRAS(P=0.007)、NOX4(P=0.019)、IGF1(P=0.008)、TGM2(P<0.0001)表达量明显上调,而NT5DC2(P=0.001)表达量在硬皮病组中明显下调。免疫细胞浸润显示,特征基因与滤泡辅助T细胞、幼稚B细胞、静息树突状细胞、记忆激活CD4+T细胞、巨噬细胞M0、单核细胞、记忆静息CD4+T细胞和肥大细胞激活等相关。结论构建了硬皮病特征基因的人工神经网络诊断模型,为探索硬皮病发病机制提供了一个新视角。

基于神经网络逆系统的车辆动力学模型解耦法

为了消除车辆各系统纵横向之间的耦合影响,对车辆动力学模型进行了神经网络逆系统解耦控制。选用的研究对象为四轮驱动、前轮转向的无人驾驶车辆。首先,将包含侧向运动和横摆运动两个自由度的车辆动力学模型通过Interactor算法进行可逆性分析;其次,搭建卷积神经网络(Convolutional Neural Networks,CNN)和长短期记忆神经网络(Long Short-Term Memory,LSTM)逆系统结构构建逆系统,并验证该方法的可行性;将该解耦方法应用于无人驾驶车辆的轨迹跟踪控制设计中,通过CarSim和Matlab/Simulink联合仿真试验证明,设计的CNN+LSTM神经网络逆系统解耦控制在多种工况下都具较好的跟踪特性及稳定性。

一种基于组合深度学习神经网络的打架视频动态预测方法

采用“CNN+LSTM”组合深度神经网络结构,文章研究并设计了一个新型实时监控打架视频动态预测系统,不仅能通过CNN提取动作行为的图像特征,还可以通过LSTM预测是否存在打架行为,同时使用OpenCV进行实时视频监控及图像处理,最后通过PyQt5界面显示实时行为视频与预测结果。

基于改进人工神经网络的人体姿态识别方法在人机交互医疗设备中的应用

为提升人机交互医疗设备对久坐不动、常年卧床等状态下人体的监测效果,在利用无线体域网建立人体姿态识别系统的基础上,设计了相应的改进人工神经网络与无线体域网系统进行融合,并将其应用于人机交互医疗设备中;结果表明,在HiEve数据集中,该方法于20次迭代时开始收敛,损失函数值为0.0112;在患者不同姿势的识别验证中,该方法下的人机交互医疗设备识别准确率均显著高于90%,并且耗时最短仅为23.16 s,具有较高的识别准确率和效率,为人体姿态识别及相关医疗设备的应用提供了更为可靠的技术参考。

基于卷积神经网络的噪声抑制算法优化

针对语音信号中的噪声抑制问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的噪声抑制优化算法。首先,探讨基于CNN的噪声抑制框架,并研究基于L1正则化的优化方法。利用Noisy Speech Database进行实验测试,比较传统CNN和文章提出的方法在不同噪声环境下的去噪效果。实验结果表明,文章提出方法的信噪比(Signal-to-Noise Ratio,SNR)和均方根误差(Root Mean Square Error,RMSE)均优于传统CNN。

基于贝叶斯优化-卷积神经网络-双向长短期记忆神经网络的锂电池健康状态评估

准确估计电池健康状态是设备稳定运行的关键。针对当前健康状态研究中容量难以直接测量、估计模型调参费时等问题,提出基于多健康特征的贝叶斯优化(BO)算法优化卷积神经网络(CNN)与双向长短期记忆(BiLSTM)神经网络预测模型。基于NASA公开锂电池数据,提取3种健康特征。将CNN与BiLSTM结合,提高时间序列数据处理能力,加入BO算法自动搜寻最优参数集,避免组合网络模型陷入局部最优,从而减少评估时间。对比分析相关神经网络模型,结果表明所提方法预测准确度最高,可有效估计锂电池的健康状态,平均绝对误差和方均根误差均在1%以内。

基于卷积神经网络的智慧教室监控平台设计

文章提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的智慧教室监控平台设计,旨在实现对学生行为的智能化识别。该平台的总体设计架构包括网络摄像头、Wi-Fi、服务器、显示屏及行为识别模型等组件。在实验阶段,通过网络爬虫采集图像数据构建数据集,并采用CNN识别学生行为,包括游戏、说话、睡觉等多个状态。实验结果表明,该方法的识别效果良好,能够准确标识学生的不同状态。

基于卷积神经网络的仓储评论数据分类系统研究

为了解用户对仓储产品或服务的意见和满意度,提高仓储运营的效率和竞争力,提出基于卷积神经网络(Convolutional Neural Networks,CNN)的仓储评论数据分类系统。首先,爬取仓储评论数据,并进行处理;其次,构建改进的结合字符和词的双输入卷积神经网络模型(Improved Char and Phrase Convolutional Neural Networks,ICP-CNN),并对文本进行正负向情感分类;最后,利用Flask框架构建Web系统,实现界面的可视化展示。

基于气象观测数据建立卷积神经网络算法反演PM_(2.5)

利用扬州市气象观测站点和中国环境监测总站的逐小时数据估算PM_(2.5) 的各相关组合因子,然后利用CNN卷积神经网络算法构建反演PM_(2.5) 质量浓度的机器学习模型。结果表明:(1)利用CNN卷积神经网络算法反演PM_(2.5) 是有效且可行的,且比一般的线性回归算法效果更佳,为反演PM_(2.5) 提供了一种新的机器学习方法。(2)在影响PM_(2.5) 反演的各输入变量因子中,PM_(10)与能见度变量为高相关因子。利用神经卷积网络算法反演PM_(2.5) 理论上反演精度能够随着输入信息增多而不断提高。

一种基于迁移卷积神经网络的滚动轴承故障诊断方法概述

针对传统基于卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法的特征提取能力有限,在数据样本较少且鲁棒性较差的情况下无法获得准确的诊断结果的问题,提出采用一种将CNN与迁移学习(Transfer Learning,TL)相结合的方法,即基于迁移卷积神经网络(Transfer Convolutional Neural Network,TCNN)的滚动轴承故障诊断方法。该方法选用在ImageNet数据集上预训练的基准CNN模型AlexNet网络作为基础架构的CNN模型,结合TL将已有预测模型中的底层参数冻结,仅对上层参数进行训练更新,当训练次数达到一定数量时,能有效提升故障诊断准确率。试验结果表明,该方法能提升故障诊断模型在数据样本较少情况下的抗噪声能力和泛化性能,进而提高滚动轴承故障诊断的精度。

改进的基于RBF神经网络的网格细胞到位置细胞模型

为解决类脑导航空间表征中位置细胞间距的控制问题,提出一种改进的基于径向基(RBF)神经网络的网格细胞到位置细胞模型。该模型在实现过程中,引入位置细胞间距因子,结合位置细胞放电率阈值,灵活调整网格细胞到位置细胞转换后所生成的相邻位置细胞间距离,最终改变表征空间环境的位置细胞数量及基于位置细胞放电活动的位置估计性能。经仿真验证,本文模型有效,生成的位置细胞具有类似生物位置细胞的放电特性,相邻位置细胞间距离可控,且基于该方式生成的位置细胞进行位置估计时可得到较好的定位结果。

卷积神经网络在急性髓系白血病流式细胞术自动诊断中的应用

目的建立卷积神经网络(CNN)模型对流式细胞术(FCM)数据进行自动分析,实现急性髓系白血病(AML)的初步诊断,探究将CNN模型应用于FCM数据分析中的可行性。方法以FlowRepository数据库和新疆维吾尔自治区人民医院临床检测中心获得的骨髓FCM数据进行CNN应用的探索性研究,数据均已被临床确诊是否患有AML。其中,公开数据按照6∶2∶2划分训练集、验证集和测试集,本地数据作为外部测试集;为了使FCM数据能够适应CNN模型,提出一种基于图像矩阵原理的FCM数据结构,对原始数据进行预处理后,提取与AML初步诊断相关的变量,包括侧向散射光和CD45、CD13、CD33、HLA-DR、CD117、CD34的各抗原表达水平,将各变量写入矩阵;对训练集使用细胞抽样和数据增强方法增大样本量,在Python中使用keras软件包构建LeNet-5 CNN模型,将训练集和验证集分别用于模型的训练和调参,评价模型在测试集上的性能。结果CNN在两测试集上识别AML的准确率分别为0.931、0.851,灵敏度为0.667、0.636,特异度为0.968、0.940,受试者工作特征曲线下面积(AUC)为0.940和0.917。结论基于提出的FCM数据结构,CNN模型能够实现对AML的初步诊断,表明CNN在FCM数据分析中具有一定的应用价值。

一类CNN细胞神经网络的稳定性

考虑CNN细胞神经网络方程的相应映射方程,利用矩阵谱半径性质及范数方法,得到了关于一类CNN细胞神经网络平衡点的全局渐近稳定的条件和结论。同时,给出了几个应用例子。