针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使...针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。展开更多
目的:比较超微血管成像(SMI)技术与多参数磁共振(mpMRI)检查对前列腺癌的诊断准确性。方法:选取2022年1月—2023年11月上海市浦东新区人民医院收治的61例可疑前列腺癌患者,均行SMI和mpMRI检查以及经直肠超声(TRUS)引导的系统穿刺+可疑...目的:比较超微血管成像(SMI)技术与多参数磁共振(mpMRI)检查对前列腺癌的诊断准确性。方法:选取2022年1月—2023年11月上海市浦东新区人民医院收治的61例可疑前列腺癌患者,均行SMI和mpMRI检查以及经直肠超声(TRUS)引导的系统穿刺+可疑病灶的靶向穿刺活检术,以病理结果为金标准,绘制受试者工作特征(ROC)曲线并计算曲线下面积(AUC),评估SMI、mpMRI及SMI联合mpMRI诊断前列腺癌的准确率。结果:61例疑似前列腺癌患者中,病理诊断为前列腺腺癌22例,良性39例。SMI检出23例有异常征象,其中17例病理诊断为恶性,SMI诊断前列腺癌的灵敏度为77.27%、特异度84.62%、阳性预测值73.91%、阴性预测值86.84%、准确率81.97%。mpMRI检出24例有异常征象,其中20例病理诊断为恶性,mpMRI诊断前列腺癌的灵敏度为90.91%、特异度为89.74%、阳性预测值83.33%、阴性预测值94.59%、准确率90.16%。SMI联合mpMRI诊断前列腺癌的灵敏度为95.45%、特异度为79.49%、阳性预测值72.41%、阴性预测值96.88%、准确率85.25%。ROC曲线分析结果显示,SMI、mpMRI及SMI联合mpMRI诊断前列腺癌的AUC分别为0.809(95%CI:0.688~0.931)、0.903(95%CI:0.814~0.993)及0.875(95%CI:0.782~0.968),3种诊断方法比较差异无统计学意义(SMI vs mpMRI,Z=-1.591、P=0.112,SMI vs SMI联合mpMRI,Z=-1.427、P=0.153,mpMRI vs SMI联合mpMRI,Z=0.852、P=0.394)。结论:mpMRI诊断前列腺癌的准确率高于SMI,两者联合应用并精准靶向穿刺可提高前列腺癌的检出率。展开更多
为了实现超冗余机械臂动力学模型的精确辨识,提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先,介绍了超冗余机械臂的动力学模型和最小参数集,建立了关节非线性摩擦模型,使用遗传算法优化回归矩阵条件数生成激励...为了实现超冗余机械臂动力学模型的精确辨识,提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先,介绍了超冗余机械臂的动力学模型和最小参数集,建立了关节非线性摩擦模型,使用遗传算法优化回归矩阵条件数生成激励轨迹。然后建立了机械臂动力学模型物理可行性约束,基于迭代优化方法设计了两层循环网络对超冗余机械臂的惯性参数和关节摩擦模型进行辨识。最后,利用数据集训练BP神经网络,得到超冗余机械臂半参数动力学模型,并与多种算法进行了比较分析。实验结果表明:相较于传统的最小二乘算法和加权最小二乘算法,通过使用本文提出的辨识算法,关节辨识力矩残差均方根(Root Mean Square,RMS)之和分别提高了32.81%和23.76%,半参数动力学模型相比于全参数动力学模型力矩残差均方根之和提高了23.56%,辨识结果验证了辨识方法的有效性和优越性。展开更多
文摘针对神经网络超参数优化效果差、容易陷入次优解和优化效率低的问题,提出一种基于改进实数编码遗传算法(IRCGA)的深度神经网络超参数优化算法——IRCGA-DNN(IRCGA for Deep Neural Network)。首先,采用实数编码方式表示超参数的取值,使超参数的搜索空间更灵活;然后,引入分层比例选择算子增加解集多样性;最后,分别设计了改进的单点交叉和变异算子,以更全面地探索超参数空间,提高优化算法的效率和质量。基于两个仿真数据集,验证IRCGA-DNN的毁伤效果预测性能和收敛效率。实验结果表明,在两个数据集上,与GA-DNN(Genetic Algorithm for Deep Neural Network)相比,所提算法的收敛迭代次数分别减少了8.7%和13.6%,均方误差(MSE)相差不大;与IGA-DNN(Improved GA-DNN)相比,IRCGA-DNN的收敛迭代次数分别减少了22.2%和13.6%。实验结果表明,所提算法收敛速度和预测性能均更优,能有效处理神经网络超参数优化问题。
文摘目的:比较超微血管成像(SMI)技术与多参数磁共振(mpMRI)检查对前列腺癌的诊断准确性。方法:选取2022年1月—2023年11月上海市浦东新区人民医院收治的61例可疑前列腺癌患者,均行SMI和mpMRI检查以及经直肠超声(TRUS)引导的系统穿刺+可疑病灶的靶向穿刺活检术,以病理结果为金标准,绘制受试者工作特征(ROC)曲线并计算曲线下面积(AUC),评估SMI、mpMRI及SMI联合mpMRI诊断前列腺癌的准确率。结果:61例疑似前列腺癌患者中,病理诊断为前列腺腺癌22例,良性39例。SMI检出23例有异常征象,其中17例病理诊断为恶性,SMI诊断前列腺癌的灵敏度为77.27%、特异度84.62%、阳性预测值73.91%、阴性预测值86.84%、准确率81.97%。mpMRI检出24例有异常征象,其中20例病理诊断为恶性,mpMRI诊断前列腺癌的灵敏度为90.91%、特异度为89.74%、阳性预测值83.33%、阴性预测值94.59%、准确率90.16%。SMI联合mpMRI诊断前列腺癌的灵敏度为95.45%、特异度为79.49%、阳性预测值72.41%、阴性预测值96.88%、准确率85.25%。ROC曲线分析结果显示,SMI、mpMRI及SMI联合mpMRI诊断前列腺癌的AUC分别为0.809(95%CI:0.688~0.931)、0.903(95%CI:0.814~0.993)及0.875(95%CI:0.782~0.968),3种诊断方法比较差异无统计学意义(SMI vs mpMRI,Z=-1.591、P=0.112,SMI vs SMI联合mpMRI,Z=-1.427、P=0.153,mpMRI vs SMI联合mpMRI,Z=0.852、P=0.394)。结论:mpMRI诊断前列腺癌的准确率高于SMI,两者联合应用并精准靶向穿刺可提高前列腺癌的检出率。
文摘为了实现超冗余机械臂动力学模型的精确辨识,提出了一种基于迭代优化和神经网络补偿的半参数动力学模型辨识方法。首先,介绍了超冗余机械臂的动力学模型和最小参数集,建立了关节非线性摩擦模型,使用遗传算法优化回归矩阵条件数生成激励轨迹。然后建立了机械臂动力学模型物理可行性约束,基于迭代优化方法设计了两层循环网络对超冗余机械臂的惯性参数和关节摩擦模型进行辨识。最后,利用数据集训练BP神经网络,得到超冗余机械臂半参数动力学模型,并与多种算法进行了比较分析。实验结果表明:相较于传统的最小二乘算法和加权最小二乘算法,通过使用本文提出的辨识算法,关节辨识力矩残差均方根(Root Mean Square,RMS)之和分别提高了32.81%和23.76%,半参数动力学模型相比于全参数动力学模型力矩残差均方根之和提高了23.56%,辨识结果验证了辨识方法的有效性和优越性。
