基于神经网络深度学习模型的踝关节X线片标志点自动定位研究

目的探索基于神经网络深度学习模型的踝关节X线片标志点自动定位方法及其应用价值。方法选取陕西省人民医院2019年1月至2022年11月间行X线检查的360例成年人正常左踝关节正、侧位片影像资料为研究对象,将其随机分配至训练集(210例)、验证集(90例)和测试集(60例)。以人工标注作为参考,对图像预处理后分别建立基于神经网络Unet架构的踝关节X线片标志点预测模型,生成对应的热力图,并用测试集数据进行验证。结果在踝关节X线正位片6个标志点的预测中,2 mm阈值的平均正确估计比例(Percentage of Correct Keypoints,PCK)可达99.7%,总体平均径向误差(Mean Radial Errors,MRE)为0.411,总体标准差(Standard Deviation,SD)为0.290。距骨顶端内点的预测准确度最高,1 mm阈值时的PCK可达100%,同时其MRE及SD在正位片6个点中最小,分别为0.290和0.178。在踝关节X线侧位片9个标志点的预测中,2 mm阈值的平均PCK达到95.0%,总体MRE为0.669,总体SD为0.710。胫骨下段最前点的预测准确度最高,1 mm阈值时的PCK可达100%,同时其MRE及SD在侧位片9个点中最小,分别为0.334和0.173。正位片和侧位片所有标志点的预测位置坐标与对应参考标准标志点位置坐标差异均无统计学意义(P>0.05)。结论基于神经网络深度学习模型能够实现对踝关节X线片标志点的有效自动定位,对辅助踝关节X线片形态学自动测量和疾病诊疗具有应用价值。

一种基于深度学习的充电桩网络异常检测模型

针对分布式充电桩网络安全评估时存在评估效果差、计算量大、执行效率低等问题,提出一种基于深度学习的命令级异常检测模型。基于改进长短时记忆网络训练样本数据,提升模型泛化能力和鲁棒性。以国家电网公司车路协同充电桩网络平台中的公共用户订阅者/发布者模型为例,对所提模型进行验证。仿真结果表明,所提模型可基于更小的学习样本实现更高的学习效果,从而为分布式配电网安全、可靠运行提供借鉴。

深度学习算法在网络安全态势感知模型中的研究与实现

随着网络威胁的日益复杂,传统的网络安全机制已难以应对现代网络环境中的挑战。本文研究了基于深度学习的网络安全态势感知模型,通过数据采集、预处理、特征提取以及深度学习应用,提出了一种新的网络安全态势感知模型,即通过深度学习和PPO算法来对原模型进行优化,旨在提升学习过程的稳定性和高效性,提高威胁检测的准确性和网络安全管理的效率,为网络管理提供更精准的安全防护手段。

基于深度学习模型的计算机实验教学探索

随着科技的不断进步,计算机实验教学正处于不断创新和发展的阶段。神经网络等深度学习模型的广泛应用为计算机实验教学带来新的可能性。文章利用神经网络这一深度学习模型卓越的自然语言处理能力,革新传统的计算机实验教学方法,创造更富趣味性的学习体验,使计算机实验教学将迎来更大发展空间,推动教育领域朝着更加智能化和个性化的方向发展。

DeephitTM:医学生存分析的时间相关性深度学习模型

生存分析是医学中经常用到的一种健康预测方法,越来越多的学者开始采用深度学习的方法对生存分析问题进行建模以得到更好的预测结果.目前已有的方法都假设风险和时间的联合概率是无关联的.然而生存分析数据的实际结果中却包含时间因素,这就无法保证不同时刻得到的风险概率是无关联的.本文提出一种带有时间相关性的深度学习模型DeephitTM,该模型对已有的深度学习模型Deephit进行了改进.实验结果表明,在不同的数据集上,改进后的模型的性能相比于原模型能够提升1到3个百分点.

基于深度神经网络与Logistic模型的财务风险预警研究——来自制造业上市公司数据

复杂多变的外部经济环境促使企业财务风险不断上升,寻求有效的财务风险预警模型以提高公司财务风险管理能力是当前理论界与实务界重点关注的热点话题。人工智能技术在各领域应用的飞速发展,为识别和评估公司财务风险提供了新方向,本文基于人工智能领域主流算法——机器学习算法,构建深度神经网络预警模型以识别和评估公司财务风险。本文以2001-2023年制造业上市公司为样本,使用PSM匹配将样本分为财务危机组和经营良好组,综合多维度多目标的财务风险预警指标体系,并使用计算机模拟仿真技术和多模型对比测试,研究发现基于机器学习算法的深度神经网络模型对预测财务风险准确率达到90%。进一步,本文运用Logistic模型获取了对企业财务风险影响较大的因素。本文研究为识别、评估和控制财务风险提供了新的理论模型,也为管理者增强公司风险防范水平提供了实践指导。

基于深度学习的住院部口服药分类模型的构建

目的:基于深度学习法构建针对住院部的口服药分类模型。方法:模拟实际应用场景,采集95类药丸图片构建数据集,并对其进行图片预处理操作;以MobileNet V2网络为基础架构建立药丸分类模型,并在模型中嵌入注意力机制以增强网络特征通道间的依赖关系;融合迁移学习的方法,利用自建药丸数据集对模型进行训练和测试,通过模型分类准确率和模型参数量指标检测模型性能。结果:本研究构建的模型在自然环境中采集的口服药丸图片分类方面表现卓越,通过使用包含95类药丸、总计728张图片的自建数据集进行训练和测试,模型分类准确率为95.8%,分别比MobileNet V2、ShuffleNet V2、ResNet50高11.6%、14.3%、11.3%。模型参数量为2.55 M,约为ResNet50的1/10。结论:本研究构建的模型可以较好地平衡模型的复杂度和分类准确率,为药房等场景下涉及的药丸自动分类系统提供技术路线和效果验证,对于提升药房发药、病房分药等具体情形的护理自动化水平具有一定的理论和实际应用价值。

基于深度学习的人工智能模型自动识别颈动脉斑块

该研究旨在构建一个用于颈动脉斑块超声图像的有无判定的数据集,由1 165例受检者的1 761张超声图像组成。研究采用了一种融合了双线性卷积神经网络与残差神经网络的深度学习架构,即单输入BCNN-ResNet模型,以辅助临床医生通过颈动脉超声图像进行斑块的诊断。该模型经过训练以及内部和外部验证后,在内部验证中,ROC AUC达到了0.99,其95%置信区间为(0.91, 0.84),在外部验证中ROC AUC为0.95,其95%置信区间为(0.96, 0.94),此表现优于ResNet-34网络模型在内部验证中0.98 AUC的95%置信区间(0.99,0.95)和外部验证中0.94 AUC的95%置信区间(0.95, 0.92)。因此,单输入BCNN-ResNet网络模型展示了优异的诊断性能,为颈动脉斑块的自动识别提供了一种创新的解决方案。

基于混合优化算法和深度神经网络模型结合的致密砂岩气藏裂缝参数优化

水平井分段压裂是致密砂岩气藏的主要开发方式,其中水力压裂裂缝参数的合理设计对于气藏的经济效益开发至关重要。基于群智能优化算法和机器学习代理模型的自动优化方法存在所需数值模拟次数多、收敛速度慢和代理模型更新复杂等问题,且依靠现场工程师经验和正交实验等传统方法难以获得最佳的裂缝参数设计。为此,建立了一种新的基于混合优化算法和自适应深度神经网络(DNN)结合的致密气藏裂缝参数优化方法。首先,混合优化算法采用遗传算法(GA)和贝叶斯自适应直接搜索(BADS)之间循环迭代的混合策略。在自适应学习过程中,提出了以“最大平均距离点”作为最不确定解,同时辅以最有希望解和少量拉丁超立方采样解共同更新优化过程中的DNN代理模型。随后,将建立的优化方法用于非均质致密砂岩气藏裂缝参数优化。研究结果表明:(1)在标准测试函数和低维裂缝参数优化问题上,GA+BADS混合优化算法表现出了显著优于GA的寻优速度;(2)针对高维裂缝参数优化问题,GA+BADS混合优化算法在约1/2的GA总数值模拟次数下提高了131万元的经济净现值(NPV),收敛速度和寻优精度都明显增加;(3)相比于GA+BADS混合优化算法,在获得相同NPV时,自适应DNN代理加速优化可再减少24.54%的数值模拟运算次数。结论认为,该优化方法显著提升了优化效率,为解决非常规油气藏中水力压裂裂缝参数设计问题提供了一套可行且高效的智能优化方法,将有力促进非常规油气的规模效益开发。

基于串级LSTM深度学习模型的二次供水余氯预测方法

伴随着城市高层住宅的增多,住宅区内二次供水泵房数量迅速增加。由于二次供水水箱位于城市供水系统末端,水质安全引起社会广泛关注。为提升水箱水质,一些泵房引入自动补氯装置,然而传统自动控制方法在应对二次供水系统中长时间延迟和非线性特性的补氯系统时存在局限性,仅能在线监测水箱余氯水平,过多的余氯可能对人体健康有害,因此,确保自动补氯系统安全运行成为亟待解决的问题。研究提出基于串级LSTM深度学习的神经网络模型,用于分析水箱余氯数据、准确预测水箱出水余氯浓度,并制定相应监测和控制策略。试验验证和实际应用结果表明,该深度学习模型能有效智能预测水箱余氯,为自动补氯系统提供重要的智能控制手段,具有实用意义。

基于深度学习的腕关节DR成像质控模型的研究与应用

目的基于深度学习的方法建立腕关节直接数字平板X线成像系统(DR)自动质控模型生成系统,并对质控性能进行初步研究。方法采用人工智能深度学习的方法建立腕关节正位和侧位DR图像质控系统模型,回顾性收集重庆大学附属中心医院临床怀疑腕关节病变的1315张图像,按6︰4的比例划分训练集和验证集。在MobileNet V2分类模型和Global Universal U-Net(GU2Net)关键点检测模型上进行训练,然后分别使用模型准确率、精准度、召回率和曲线下面积(AUC),以及平均径向误差(MRE)和成功检出率(SDR)进行评估。结果根据验证数据集的实验所得到的伪影分类模型在伪影识别方面具有较高的性能,AUC=0.9701,95%可信区间(95%CI)0.9700~0.9703,其准确率、精准度、召回率分别为0.93、0.88和0.97。正位和侧位影像中关键点检测模型的MRE也在合理水平,分别达到(0.7944±3.2535)mm和(3.8134±7.4087)mm。距离10.0 mm下正位和侧位关键点检测模型的SDR分别为99.64%、92.51%。结论基于深度卷积神经网络开发的全自动腕关节DR质控系统模型,能够对腕关节正位和侧位片自动生成图像质量控制报告,且效果较好。

基于深度学习的电商商品购买意图识别模型

识别用户的购买意图是提升电子商务购买率(PR)的重要方法之一。针对用户购买意图不明确的现象,提出一种新模型。该模型将训练后的Word2Vec(WV)词向量馈入卷积神经网络(CNN),通过深层语义模型(DSSM)进一步提取文本特征。在Keras框架下结合美国建材电商网站家得宝的真实搜索数据进行实证分析。结果表明,在五分类问题中,新模型在测试数据集上的F1-score达80.6%。新模型使用了Word2Vec与CNN提取文本特征,并应用DSSM模型进一步提取了用户检索与商品描述文档在高维空间中的特征表示,最大化利用了用户检索与正确商品描述之间的语义相似度,同时避免了特征提取时主观因素的干扰,提高了商品购买意图的识别效果。

基于深度强化学习的网络边缘计算多级卸载模型研究

网络边缘计算多级卸载模型进行卸载决策执行时,决策结果非最优结果,导致边缘计算服务器无法在规定时间内执行完所有的计算任务,对此,研究基于深度强化学习的网络边缘计算多级卸载模型,构建网络边缘计算多级卸载模型,并分析卸载模型执行所有计算任务所耗用的能量和时间;结合强化学习的决策能力和深度学习的感知能力得到强化学习算法,将强化学习算法与实际边缘计算环境相结合,构建马尔科夫决策过程模型,得到调度计算任务的最优决策结果。实验结果表明,当深度Q网络的经验池大小为512、学习速率为0.002时,该模型的收敛性能最佳;该模型可实现边缘计算任务的多级卸载,且在计算任务传输速度和边缘计算服务器中CPU运行速度不同时,仍具有良好适应性。

基于深度学习的智能电网窃电检测混合模型研究

针对传统窃电检测模型受维度诅咒、类不平衡等问题,提出一种能有效检测智能电网窃电行为的混合深度学习模型,利用深度学习卷积神经网络(AlexNet)处理维度诅咒问题,显著提升数据处理的准确性;通过自适应增强(Ada Boost)对正常和异常用电行为分类,进一步提高分类精度;使用欠采样技术解决类不平衡问题,确保模型在各类数据的均衡性能;利用人工蜂群算法对AdaBoost和AlexNet的超参数进行优化,有效提高整体模型性能。使用真实智能电表数据集评估混合模型的有效性,与同类模型相比,提出的混合深度学习模型在准确率、精确度、召回率、F1分数、马修斯相关系数(MCC)和曲线下面积-接收者操作特征曲线(AUC-ROC)分数上分别达到了88%、86%、84%、85%、78%和91%,不仅提高了用电行为监测的准确性,也为电力系统的智能分析提供了新视角。

基于认知行为模型的启发加速深度Q网络

由于状态-动作空间的扩大或奖励回报稀疏,强化学习智能体在复杂环境下从零开始学习最优策略将更为困难。由此提出基于智能体认知行为模型的启发加速深度Q网络,将符号化的规则表示融入学习网络,动态引导智能体策略学习,解决有效加速智能体学习的问题。该算法将启发知识建模为基于BDI(Belief-Desire-Intention)的认知行为模型,用于产生认知行为知识引导智能体策略学习,设计启发策略网络在线引导智能体的动作选择。GYM典型环境与星际争霸2环境下实验表明,该算法可以根据环境变化动态提取有效的认知行为知识,并借助启发策略网络加速智能体策略收敛。

基于深度学习推荐模型的电力市场售电套餐推荐方法

针对售电公司如何在海量售电套餐中精准地为用户进行产品推荐,以及电力用户如何在众多的产品中挑选出符合自身需求套餐的双难问题,提出了一种基于深度学习的深度兴趣进化网络(deep interest evolution network,DIEN)售电套餐推荐算法。首先,将多种推荐模型进行比较,验证DIEN的表现;其次,对模型中的兴趣进化层结构与超参数进行解析;然后,针对DIEN模型在电力市场应用领域的“长尾效应”,在原始模型的兴趣提取层与用户向量之间引入两种门控机制;最后,进行算例分析,结果表明所提方法可在现有基础上提高电力用户的用电套餐适配率,提升电力公司的市场竞争力与电力公司和用户的双向收益。

一种基于深度学习的即时配送时间预测模型

为了提高即时配送服务水平,文章针对即时配送时间预测问题,提出一种分特征学习的预测模型。首先考虑不同因素对配送过程的影响,使用地理哈希、图嵌入等方法对多种特征进行表示;然后使用多头自注意力模型(multi-head self-attention,MHSA)和残差连接组合的方法学习多种特征间存在的关联关系,同时利用卷积神经网络(convolutional neural network,CNN)对配送节点间存在的空间关系进行提取,实现对不同特征的学习;最后将提取的特征进行融合,输入多层感知机实现对配送时间的预测。在真实即时配送数据集上的对比实验表明,该文提出的预测模型能够有效学习各类特征及关联关系,预测效果更优。

基于改进深度学习网络的音乐风格分类模型优化方法

采用目前方法对音乐风格进行分类时,没有对提取的特征和进行融合处理,导致分类有效性差、时间复杂度高。对此基于改进深度学习网络提出一种音乐风格分类模型优化方法。在音高、节奏和音色三个方面对音乐进行特征提取,并在D-S证据理论的基础上对提取的特征进行融合处理,将融合后的音乐特征输入改进深度学习网络,构建音乐风格分类模型,实现音乐风格的分类。实验结果表明,所提方法的分类F1值高、时间复杂度低、ROC曲线趋近于1。

深度学习模型训练的优化器实验设计

针对目前国内对深度学习的卷积神经网络(Convolutional Neural Network,CNN)模型教学过程中,对优化器理论学习过程中存在实践不足问题,首先利用kaggle平台上的猫狗数据库,然后通过迁移学习方法设计猫狗识别的深度学习神经网络模型,最后分别选择AdaGrad、RMSProp和Adam三种不同的梯度下降优化算法,对同一网络模型结构进行训练。观察到使用AdaGrad算法对模型训练准确率可达84.1%,RMSProp优化算法对模型训练准确率可达85.6%,Adam算法对模型训练准确率可达86.3%。实验结果表明,在模型优化中,适合的优化算法不但会使模型收敛更快。也会影响模型的性能。同时加深学生理解不同优化器对模型的优化能力。

基于深度学习和蛋白质语言模型的抗菌肽预测模型研究

针对目前已有抗菌肽(Antimicrobial Peptides,AMPs)预测模型的准确度(ACC)仍有待提高的问题,提出一种新的基于深度学习和蛋白质语言模型的抗菌肽预测模型DeepGlap,该模型分别采用两个蛋白质语言模型对抗菌肽序列进行特征提取,将提取的特征向量融合后输入由多层双向长短记忆网络(mBi-LSTM)、一维卷积神经网络(1D-CNN)和注意力机制组成的深度学习网络中,并进行性能评估与优化。结果表明:该模型的ACC、皮尔逊相关系数(MCC)和曲线下的面积(AUC)分别为0.739、0.489和0.81,优于已有抗菌肽预测模型的预测效果。