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。

基于通道剪枝的YOLOv7-tiny输电线路异物检测算法

针对输电线路异物检测精度不佳且模型庞大的问题,提出了基于通道剪枝的改进YOLOv7-tiny算法用于输电线路异物检测。用ReXNet网络替代了YOLOv7-tiny的骨干网络改进原网络的特征瓶颈问题。引入了多样化分支块从而增加网络特征融合能力,通过基于层自适应幅度的修剪(LAMP)剪枝方案损失一定精度换取模型体积、运算量的降低,为下一步部署到嵌入式设备做好准备。实验结果表明,最终的改进模型相对于YOLOv7-tiny模型精度上提升3个百分点,FPS提升原来的119.4%,模型大小压缩到原来的14%。

融合经验知识与深度强化学习的久棋Alpha-Beta算法优化研究

藏族久棋作为一种传统的棋类博弈游戏,具备高度复杂的规则体系以及变幻莫测的棋局演变。传统的博弈策略在面对不同对手和棋局时不稳定,性能差,需要新的方法提高藏族久棋AI的博弈水平。以藏族久棋为研究对象,针对布局阶段,改进传统Alpha-Beta剪枝搜索算法,并结合经验知识,融入深度强化学习算法完成棋盘布局合理性的落子选择,以此为后续阶段铺路。在行棋阶段与飞子阶段,结合经验知识使用Alpha-Beta算法,完成行棋路径。最后,将所提算法和策略集成于久棋AI程序,在中国计算机博弈锦标赛中取得了良好的成绩,验证了该方法的有效性。

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α-β剪枝算法的五子棋游戏设计与实现

五子棋是一种两人对弈的策略类游戏,极易上手,深受人们喜爱。在此设计并研发了一种基于α-β剪枝智能搜索算法的人机对弈五子棋游戏,在原游戏趣味性和娱乐性的基础上增加了智能性与挑战性。经测试,该程序具有较高智能,可以击败有一定基础的游戏玩家,在休闲娱乐中能够帮助玩家提升棋艺,具有一定的实用性。

决策树分类算法的预剪枝与优化

决策树分类算法是1种直观、有效的分类算法。针对影响决策树算法分类效果的2个重要因素———属性选择度量及预剪枝参数,对算法进行优化。以澳大利亚某地降水预测为实例,搭建迭代二叉树3代(ID3)及分类与回归树(CART)模型并对其进行优化。通过数据预处理及预剪枝操作,改进了算法,有效防止了过拟合,提高了决策树的分类性能。基于交叉检验方法优化了2种模型的参数,提高了预测精度。性能对比结果表明,基于基尼指数构建的决策树精度更高。针对该决策树,在优化后的参数附近构建三维网络搜索最优参数,达到了更高的预测准确率。

基于alpha-beta剪枝搜索算法的中国象棋游戏设计

设计一个优秀的中国象棋游戏具有一定的经济与社会价值。但是在该系统的设计过程中,搜索算法的设计异常重要,如何设计合理的人机搜索算法实现高效和合法的行棋规则就成为我们研究的重点。文章通过对常用的人机搜索算法进行介绍,并对其进行了分析和应用。

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。

一种聚类矩阵和剪枝策略结合的关联规则算法

在医学领域,Apriori关联规则算法在慢性病等方面有广泛应用。然而,该算法存在一些问题,比如需要多次扫描病例数据库、产生大量数据集和冗余规则。针对出现的相关问题,提出一种结合聚类矩阵和剪枝策略的关联规则数据挖掘算法。通过添加约束条件,并采用聚类矩阵方法来压缩存储事务数据库。同时,引入前剪枝和后剪枝策略优化算法。实验证明,这种优化算法显著减少了数据库的扫描次数,降低了候选项目集的数量,缩短了算法的执行时间,大大提高了运行效率。

分块压缩学习剪枝算法

为压缩网络剪枝过程中较大的搜索空间,从预训练深度神经网络中找到最佳的稀疏网络结构,本文提出一种基于遗传算法和知识蒸馏的分块压缩学习算法(CCLA).首先,在预定义压缩空间中将学生网络初始化为一个稀疏网络结构.然后,将教师网络和学生网络按层划分多个块网络,在教师网络的监督下对学生网络进行逐块压缩.最后,使用遗传算法搜索学生网络中每个块网络的稀疏结构.在CIFAR-10数据集上对VGG-16网络和ResNet-110网络的实验结果表明,本文所提方法性能表现良好,例如,在CIFAR-10数据集上对VGG-16进行压缩,可压缩掉87.82%的参数和70.4%的浮点运算(Floating Point of operations,FLOPs),而精度损失仅为0.37%.

基于遗传算法和集成剪枝的表情识别方法

人脸表情识别在疲劳驾驶监测等场景有着广泛的运用。针对人脸表情识别难度大、单一分类器泛化能力较弱的缺点,基于集成学习理论,提出一种基于遗传算法和集成剪枝的表情识别方法。首先,更改卷积神经网络参数生成若干分类器,构建基分类器池;其次,使用遗传算法选出基分类器池中准确率高、多样性好的分类器;最后,将选出的分类器按准确率降序排序,并依次加入集成系统进行大多数投票法集成,直到达到最高的识别准确率。与多个集成剪枝算法对比,在5个经典人脸表情数据库上的结果表明,该表情识别方法所选的基分类器规模更小,系统识别率更高。

基于改进RRT算法的移动机器人路径规划

针对快速扩展随机树(rapidly exploring random tree,RRT)算法在移动机器人路径规划过程中存在盲目搜索、内存计算量大和冗余点较多等问题,提出了改进的RRT算法。首先,随机点进行扩展时引入动态目标采样率,引导随机点向目标点方向扩展;其次,融合A*算法中代价函数策略,在加入不同权重因子之后,选取代价值合适的节点作为待扩展节点;然后,针对初始路径过长并存在过多冗余点的问题,提出反向搜索剪枝方法,对裁剪后的路径进行三次样条插值平滑处理来改善路径质量;最后,利用Pycharm对改进的RRT算法进行仿真验证。仿真结果表明,改进的RRT算法相较于传统RRT算法、RRT*算法和基于概率P的RRT算法(P-RRT),在路径的规划长度、规划时间和扩展节点数上都具有明显优势,提高了机器人的路径规划效率。

自适应多目标遗传算法的集成剪枝用于人脸表情识别

在集成剪枝中,为了同时高效地选择优质、独立的分类器,文中提出了一种新的动态自适应交叉策略的遗传算法用于分类器的集成剪枝。该方法使用轮盘赌和贪婪策略动态更新每个交叉策略的优先级,根据优先级计算每个策略被选中的概率,从而在算法迭代过程中自适应选择不同的交叉策略。此外,该方法考虑了交叉概率和变异概率动态自适应变化,并使用大多数投票法对挑选出来的分类器进行集成以获得最终结果。将文中所提方法与一些集成剪枝方法在5个真实人脸表情数据集上进行对比,实验结果表明文中所提该方法可以选出效果更好、冗余度更低的分类器,并在CK+数据集上具有22.50%的最低误差。

基于冗余滤波器剪枝-辅助网络蒸馏混合压缩算法优化

针对师生网络差距过大、教师网络复杂度高时,学生网络对图像分类任务的准确率明显下降的问题,提出了一种基于冗余滤波器剪枝-特征相关性辅助蒸馏混合压缩算法。该算法引入了教师辅助网络,充当师生网络的媒介,有效缩小师生网络差距过大的问题;然后利用冗余滤波器结构化剪枝算法(RFSP),对教师网络和教师辅助网络进行剪枝操作;最后对剪枝后的教师网络进行中间层特征相关性蒸馏,挖掘更多教师网络的特征知识,可以更有效的将信息传递给学生网络。实验结果表明,特征相关辅助网络知识蒸馏(GW_RAKD)与RFSP算法的有效结合,能够进一步提高学生网络对图像分类的准确性。

基于改进RRT算法的智慧小区物料小车路径规划

针对快速搜索随机树(RRT)算法在物料小车路径规划算法中路径转折点多、路径较长、算法运行速度慢等问题,开展了一种基于改进RRT算法的物料小车路径规划算法研究。首先分析了RRT算法与RRT-C算法的原理与优缺点;然后,提出针对优化目标点寻找的采样优化策略、步长优化策略以及保证物料小车运行安全的转角约束条件;最后,采用剪枝优化以及圆切角路径平滑策略来优化所得路径以符合物料小车实际运行线路,并将障碍物进行膨胀化处理,进而规避安全性不足的问题。优化后的RRT算法比初始方法在规划时长和路径长度上分别有着40%~60%和15%~30%的提升,证明了所提方法的有效性。基于改进RRT算法的智慧小区物料小车路径规划研究具有重要的理论和应用意义,并对未来智慧小区动态物流管理系统的优化提供了基础。

基于改进YOLOv7的湖面漂浮物目标检测算法

为提高湖面多种类和小体积的漂浮垃圾检测识别的准确度与推理检测速度,结合湖面垃圾漂浮物的图像特征,采用半结构化剪枝技术创建X-Toss剪枝框架,并基于YOLOv7目标检测模型,提出一种轻量化湖面漂浮物实时检测方法C-X-YOLOv7。X-Toss剪枝框架使用DFS算法生成父子卷积核计算图,利用特定的内核模式剪枝卷积核,降低迭代剪枝的计算成本。融合CA注意力机制对模型进行加权,减少模型过拟合现象,提高模型准确性和泛化能力。结果表明:对湖面垃圾检测识别,C-X-YOLOv7模型识别准确率为91.7%,召回率为91.2%,与YOLOv7模型对比分别提升2.6%、2.5%;推理加速度上,X-Toss剪枝框架在RTX 2080 Ti与NVIDIA Jetson TX2上分别实现YOLOv7的1.98×和2.17×的加速比,相较于PD、NMS、NS等剪枝框架,X-Toss的推理加速比和能耗均有提升。研究表明C-X-YOLOv7湖面漂浮物检测方法为湖面垃圾检测识别提供了一种新思路。

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。

基于改进YOLOv4的公路路面信息识别算法研究

公路路面信息的获取和识别是构建智慧公路系统的关键技术之一,针对现有的公路路面信息检测算法存在的耗时费力、识别精度差与端对端应用难以实现等问题,提出了一种改进的YOLOv4算法。为增强模型泛化能力,以IoU值度量边界框与先验框的距离,形成改进的k-means聚类算法对路面遗撒与病害数据集进行锚框聚类;为提升网络特征描述能力,在特征增强网络PANNet的最后3个分支上分别添加兼具通道与空间注意力机制的轻量化CBAM模块,保证了模块在现有网络架构中做到即插即用;为节约参数与计算力,对稀疏训练后的模型进行通道剪枝,针对道路检测任务对于小目标物体的高识别精度要求进行模型剪枝率的迭代优化,进一步实现公路路面信息识别算法的端对端应用。实验结果表明,改进的YOLOv4网络模型的mAP0.5较原网络模型提升了0.78%,mAP@0.75较原网络模型提升了1.06%,FPS达到了34.85帧/s,检测效果满足自动识别的性能要求;0.4的剪枝率得到的剪枝模型综合性能较好,在保证模型的mAP0.5达到98.3%的条件下,储存空间较原模型降低了47.6%,GFLOPs较原模型降低了34.0%,参数总数较原模型降低了51.4%,FPS较原模型提升了6.3%,计算复杂度和占用内存都显著降低。研究成果可应用于智慧公路的路网感知能力体系建设,实现对公路路面信息的高效精准采集。

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。

基于负载均衡和冗余剪枝的并行FP-Growth算法

针对现有的并行FP-Growth算法在数据并行分组时存在数据冗余和负载不均的问题,提出了基于负载估算和冗余剪枝的优化算法。首先,在采用高频策略分组时,引入节点任务估算方法,把每个分组中最大模式树的最长路径和支持度作为该分组的估计值,将估计值远大于其他节点的分组进行分割,平均到其他分组中,并且对不同分组中重复的列表元素进行截断,去除冗余数据。实验表明,本文提出的算法能够有效防止并行化的数据倾斜,减少数据冗余,在时间和空间复杂度上要低于以前的并行化FP-Growth算法。