基于特征聚类和随机子空间的microRNA识别方法

针对microRNA识别方法中过多注重新特征、忽略弱分类能力特征和冗余特征,导致敏感性和特异性指标不佳或两者不平衡的问题,提出一种基于特征聚类和随机子空间的集成算法CLUSTER-RS。该算法采用信息增益率剔除部分弱分类能力的特征后,利用信息熵度量特征之间相关性,对特征进行聚类,再从每个特征簇中随机选取等量特征组成特征集用于构建基分类器,最后将基分类器集成用于microRNA识别。通过调整参数、选择基分类器实现算法最优化后,在microRNA最新数据集上与经典方法 Triplet-SVM、mi Pred、Mi Pred、micro Pred和Hunt Mi进行对比实验,结果显示CLUSTER-RS在识别中敏感性不及micro Pred但优于其他模型,特异性为六者最优,而且从整体性能指标准确性和马修兹系数可以看出,CLUSTER-RS比其他算法具有优势。结果表明,CLUSTER-RS取得了较好的识别效果,在敏感性和特异性上实现了很好的平衡,即在性能指标平衡方面优于对比方法。

microRNA识别和鉴定方法

microRNA是一类长约22nt的内源非编码小分子RNA,在线虫、果蝇、家鼠、人体及拟南芥等生物中普遍存在,并对其生长发育起着重要的调控作用。目前通过实验和计算机的方法在植物和动物中发现了越来越多的microRNA。通过对识别和鉴定新microRNA的主要方法策略的总结可以为microRNA今后的研究和发展提供一些思路和启发。

基于microRNA表达谱初步构建PLS-DA体液识别模型

针对外周血、唾液、精液、月经血、阴道分泌物这五种法医学常见的体液样本,采用二代测序(NGS)平台检测获得microRNA(miRNA)表达谱,使用偏最小二乘判别分析(PLS-DA)建立基于这五种体液的识别模型,并探讨PLS-DA在法医体液溯源中的应用价值。经优化小分子RNA文库制备过程,采用Ion Torrent S5 XL测序系统对前述法医学五种体液样本(每种10例)进行小RNA测序,以PLS-DA构建体液识别模型,评估不同数量miRNA标记组合下预测的准确性。本研究获得法医学常见五种体液样本的miRNA表达谱,外周血与月经血中表达量前10名的miRNAs有6个重叠;唾液和阴道分泌物中表达量前10名的miRNAs有4个重叠。基于全数据集、107个和11个miRNAs构建的体液来源识别模型的准确率分别为0.95、0.94、0.89。本研究通过NGS测序分析获得了五种体液样本的miRNA组(miRNome),利用PLS-DA初步构建了体液识别模型,对于应用miRNome进行体液识别的相关研究具有参考价值。

基于MobileViT的岩石薄片图像岩性识别方法研究

岩石薄片图像中包含了大量肉眼无法观察到的地质特征信息,对岩石薄片图像的岩性识别结果为后续的石油勘探和开发奠定了基础。针对岩性识别数据集不均衡、识别模型参数多等问题,提出一种改进的轻量化MobileViT模型,该模型针对涵盖了90%以上常见岩性的岩石薄片图像进行建模分析。首先,为使模型更好地学习到每类岩石薄片图像中所包含的独特特征,对数据集进行数字增加。其次,使用GELU替换MobileViT中MV2模块中常规ReLU6,从而作为该模块的激活函数,有效解决神经元死亡的问题,提升模型的收敛速度。最后,划分训练集和测试集,使用余弦退火算法自动更新学习率,以迁移学习加速训练过程,实现岩石薄片图像中针对岩性的自动识别。实验结果表明,改进后的MobileViT对岩性识别的准确率达82.9%,模型的参数仅为7.66M,通过实例验证该算法具有较好的鲁棒性。

隧道不良地质识别:方法、现状及智能化发展方向

随着隧道施工对于不良地质识别精度要求的不断提高以及人工智能技术的发展,融合多源信息的不良地质智能化识别已成为发展趋势。本文首先阐述了常见的6种隧道不良地质类型及其地质成因,回顾分析了隧道主要的不良地质识别方法及现状,详细介绍了笔者在不良地质智能化识别方面的探索性研究:基于机器学习利用图像识别技术对隧道围岩岩性与裂隙特征进行智能识别;融合图像和光谱特征进行不良地质识别;将地化分析融入到传统的超前钻探中,融合随钻参数和地化信息进行不良地质随钻识别,既可以发挥超前钻探在感知岩体质量和地层信息变化方面的优势,又可以发挥地化分析在岩性和不良地质异常识别方面的优势;基于地质与物探联合反演进行不良地质识别,旨在实现掌子面前方不良地质体“形”(位置、形态、规模)和“性”(性质和类型)的精确识别。最后,对隧道不良地质智能化识别的发展趋势进行了展望。

基于轻量级YOLO-v4模型的变电站数字仪表检测识别

为了在变电站实际场景中准确获取数字仪表读数,智能管控变电站的安全风险,同时推动变电站智能化发展,以实际场景中变电站数字仪表作为研究对象,综合考虑实时性及准确度等,提出一种基于轻量级YOLOv4模型的变电站数字仪表检测识别方法.首先,通过从鄂尔多斯变电站实际拍摄变电站数字仪表图像数据,使用Albumentations框架对数字仪表图像进行数据扩充,构建变电站数字仪表目标检测数据集;然后,以YOLO-v4网络为基础,结合注意力机制构建一个有效通道注意(efficient channel attention,ECA)改进的深度可分离卷积模块(ECA-bneck-m);最后,提出一个轻量级YOLO-v4模型,进行模型大小与性能的对比实验.实验结果表明:本文方法可以在几乎不损失检测准确度的情况下,将整个模型存储大小压缩为原先的1/5,同时将模型推理速度从24.0帧/s提升至36.9帧/s,其实时性能够满足实际变电站检测识别的工程需要.

深度学习的自然场景文本识别方法综述

自然场景文本识别在学术研究和实际应用中具有重要价值,已经成为计算机视觉领域的研究热点之一。然而,识别过程存在文本风格多样、背景环境复杂等挑战,导致识别效率和准确率不佳。传统的基于手工设计特征文本识别方法由于其有限的表示能力,不足以有效地应对复杂的自然场景文本识别任务。近年来,采用深度学习方法在自然场景文本识别中取得了重大进展,系统地梳理了近年来相关研究工作。首先,根据是否需要对单字符进行分割,将自然场景文本识别方法分为基于分割与无需分割的方法,再根据其技术实现特点将无需分割的方法进行细分,并对各类最具有代表性的方法工作原理进行了阐述。然后,介绍了当前常用数据集以及评价指标,并在数据集上对各类方法进行了性能对比,从多个方面讨论了各类方法的优势与局限性。最后,指出基于深度学习的自然场景文本识别研究存在的不足和难点,对其未来的发展趋势进行了展望。

基于多尺度特征深度神经网络的不同产地山楂细粒度图像识别

中药是中医治疗疾病的主要途径,也是我国中医药事业传承与创新发展的物质基础,其真伪优劣也会直接影响中医临床的疗效,因此研究科学合理且高效的中药材质量检测方法符合当前行业热点.山楂作为中国著名的药食两用类药材,在烹饪和治疗中具有保护心血管、降低血压的作用,被广泛应用;但由于自然环境与栽培条件的不同,不同产地的山楂易被混淆从而对品质产生影响.尽管化学、生物鉴定的方法广泛而重要,但专业门槛高,耗时较长;且传统图像处理方法容易受外在环境因素干扰,可靠性差.因此亟待研究快速准确的方法以实现山楂产地的精准鉴别;受CoAtNet与Swin-Transformer网络启发,本文结合MBConv模块中深度可分离卷积网络对局部信息建模的特点与Swin Transformer模块多层次结构可弥补网络非局部性损失的特性,提出一种多尺度特征的混合神经网络模型,通过获取图像不同层级特征,将获取的形状、颜色与纹理等浅层特征作为先验知识与高层级语义信息进行特征融合,研究了一种快速有效的识别方法以实现对不同产地山楂的有效鉴别;此外,本文提出一种新的局部空间注意力机制,通过形成通道注意力模块联合空间注意力模块的新结构,实现对图像细粒度特征的聚焦与学习.实验结果表明,本文所提出的方法有最高的鉴别准确率为89.306%,优于其他基线模型.实践证明,本文的研究提高中药材鉴别的科技水平,拓宽传统中医药的研究思路.

基于强化学习的对抗意图识别

未来智能化战争复杂多变,敌我双方往往以对抗博弈情况出现,当我方作为攻击者时,如何有效隐藏我方意图实施有效打击,以及我方作为防御者时如何识别敌方意图实施有效防御,对战争局势的走向起到决定性作用。为把握战争局势,做到“知己知彼,百战不殆”,基于强化学习方法针对对抗意图识别问题提出了解决方案。仿真结果表明,基于强化学习被识别者可以有效地进行意图欺骗,而识别者可以通过意图识别设计方法有效地迫使被识别者暴露意图,从而采取攻防措施。

基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进:将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

复杂战场环境下改进YOLOv5军事目标识别算法研究

复杂战场环境下军事目标识别技术是提升战场情报获取能力的基础和关键。针对当前军事目标识别技术在复杂战场环境下漏检误检率高、实时性差等问题,提出一种基于改进YOLOv5模型的PB-YOLO军事目标识别算法。将改进的目标识别算法对于陆战场军事单元的识别锚框进行重新聚类,以提升模型对于目标大小适应度,加速模型收敛;采用通道-空间并行注意力机制,增加模型对复杂战场环境下目标特征信息与位置信息关注度;在特征融合网络部分使用BiFPN以提升模型对于特征的融合能力与速度;采用Alpha_IoU损失函数加速模型收敛,解决当真实框与预测框重合时IoU计算退化问题。实验结果表明,在自建军事目标数据集下,改进算法与主流目标识别算法相比,在保证模型空间复杂度的同时,mAP值达到了90.17%。消融实验对比结果表明,改进后网络较原模型精度提升11.57%,具有较好的识别性能,能够为战场情报获取提供有效的技术支撑。

钻井过程中井漏特征精细识别方法研究与应用

井漏是钻井工程中普遍存在的井下复杂问题,严重影响着钻井施工安全与钻井周期,井漏特征精细识别是高效治理井漏的关键。首先,综合测井、钻井、录井及地质等资料,结合漏层力学性质与物理机理分析,利用加权系数法,建立了基于“井漏综合指数”的井漏层位识别新方法。然后,研究了漏失通道类型及尺寸、漏失压差、漏失速度等井漏特征参数的定量分析方法,并给出计算模型,形成了多信息融合的井漏特征精细识别方法。该方法在X区块进行了实例分析,分析结果表明,X区块实际井资料的处理结果与现场实际漏失地层的层位、漏失类型及漏失速度等井漏特征基本吻合。井漏特征精细识别方法综合考虑了井漏的主要影响因素,利用其可以准确识别漏层的特征,为防漏堵漏技术优化及施工提供科学依据。

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。

联合多意图识别与语义槽填充的双向交互模型

意图识别与语义槽填充是口语理解的两个主要任务,两者具有高度相关性,通常进行联合训练。随着口语理解任务的深入,研究发现用户在现实场景中的话语往往含有多个意图。但部分联合模型只能识别用户话语中的单个意图,未能充分建模多个意图和语义槽之间的关联性。考虑到话语中多个意图的信息可以引导语义槽填充,语义槽信息也可以帮助意图更好的识别,模型采用图注意力网络建立意图和语义槽之间的双向交互。具体的,将两个任务双向关联以便模型能够挖掘多个意图与语义槽之间的关系,同时引入两个任务的标签信息使模型能够学习到话语上下文和标签的关系,从而提高意图识别与语义槽填充的准确率,优化口语理解的整体性能。实验表明,模型在MixATIS和MixSNIPS两个多意图数据集上对比其他模型性能得到了显著提升。

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。

血清microRNA-155、microRNA-21、趋化素、瘦素与糖尿病肥胖患者胰岛素抵抗的相关性

目的 探讨糖尿病肥胖患者血清microRNA-155(miR-155)、microRNA-21(miR-21)、趋化素、瘦素水平与胰岛素抵抗(IR)的相关性。方法 选取2022年1月—2023年4月山东中医药大学第二附属医院收治的138例2型糖尿病(T2DM)患者为研究对象,其中肥胖患者73例(肥胖组),非肥胖患者65例(非肥胖组)。肥胖组中有IR 45例(IR组),无IR 28例(非IR组)。收集患者一般资料,包括性别、体质量指数(BMI)、年龄、颈围(NC)、腰围(WC)、空腹血糖(FPG)、甘油三酯(TG)、空腹胰岛素(FINS)、高密度脂蛋白胆固醇(HDL-C)、miR-155、miR-21、趋化素、瘦素、胰岛素抵抗指数(HOMA-IR)水平;通过多因素逐步Logistic回归模型分析T2DM肥胖患者发生IR的危险因素;绘制受试者工作特征(ROC)曲线,分析miR-155、miR-21、趋化素、瘦素诊断T2DM肥胖患者IR的效能;Pearson法分析miR-155、miR-21、趋化素、瘦素与HOMA-IR的相关性。结果 肥胖组miR-155相对表达量低于非肥胖组(P <0.05),miR-21、趋化素、瘦素、HOMA-IR高于非肥胖组(P <0.05)。IR组miR-155相对表达量低于非IR组(P <0.05),NC、WC、miR-21、趋化素、瘦素水平高于非IR组(P<0.05)。多因素逐步Logistic回归分析结果显示:NC [O^R=1.416(95%CI:1.038,1.932)]、WC [O^R=1.227(95%CI:1.049,1.435)]、miR-155 [O^R=1.763(95%CI:1.205,2.579)]、miR-21[O^R=1.932(95%CI:1.356,2.753)]、趋化素[O^R=2.074(95%CI:1.492,2.883)]、瘦素[O^R=1.628(95%CI:1.246,2.127)]是T2DM肥胖患者发生IR的危险因素(P <0.05)。ROC曲线分析结果显示,miR-155、miR-21、趋化素、瘦素诊断T2DM肥胖患者IR的曲线下面积分别为0.865、0.909、0.874和0.871;敏感性为77.8%(95%CI:0.614,0.825)、86.7%(95%CI:0.792,0.917)、95.6%(95%CI:0.713,0.965)和80.0%(95%CI:0.692,0.917);特异性为85.7%(95%CI:0.647,0.903)、82.1%(95%CI:0.732,0.914)、75.0%(95%CI:0.675,0.928)和89.3%(95%CI:0.656,0.944)。miR-155与HOMA-IR呈负相关(r=-0.573,P=0.000),miR-21、趋化素、瘦素与HOMA-IR均呈正相关(r=0.531、0.558和0.568,均P=0.000)。结论 T2DM肥胖患者中IR较多,且miR-155、miR-21、趋化素、瘦素是T2DM肥胖患者发生IR的危险因素。

基于多阶段特征提取的鱼类识别研究

鱼类自动识别在海洋生态学、水产养殖等领域应用广泛。受光照变化、目标相似、遮挡及类别分布不均衡等因素影响,鱼类精准自动识别极具挑战性。提出了一种基于多阶段特征提取网络(Multi-stage Feature Extraction Network,MF-Net)模型进行鱼类识别。该模型首先对图片作弱增强预处理,以提高模型的计算效率;然后采用多阶段卷积特征提取策略,提升模型对鱼类细粒度特征的提取能力;最后通过标签平滑损失计算以缓解数据的不平衡性。为验证模型的性能,构建了一个500类、含32768张图片的鱼类数据集,所建模型在该数据集上的准确率达到86.8%,优于现有的主流目标识别方法。利用公开的蝴蝶数据集对该模型进行泛化性能验证,多组消融实验进一步验证了所提算法的有效性。

血清microRNA-21、microRNA-193a-3p表达与结直肠癌患者手术预后的关系

目的探究血清microRNA-21(miR-21)、microRNA-193a-3p(miR-193a-3p)水平与结直肠癌患者手术预后的关系。方法回顾性分析2020年1月—2022年1月苏州大学附属第一医院收治112例结直肠癌患者的病历资料。患者均接受结直肠癌根治术,术后随访16个月,记录患者的预后生存结局,多因素逐步Logistic回归分析结直肠癌患者手术预后的影响因素,评估血清miR-21、miR-193a-3p对结直肠癌患者预后的预测效能。结果112例结直肠癌患者死亡22例,病死率为19.64%;生存90例,生存率为80.36%。死亡组术前血清miR-21 mRNA相对表达量、临床分期Ⅲ期占比、淋巴结转移率均高于生存组(P<0.05),血清miR-193a-3p m RNA相对表达量低于生存组(P<0.05)。多因素逐步Logistic回归分析结果显示,临床分期Ⅲ期[OR=3.777(95%CI:1.399,10.194)]、淋巴结转移[OR=5.099(95%CI:1.715,15.156)]、miR-21表达升高[OR=4.889(95%CI:1.645,14.533)]、miR-193a-3p表达降低[OR=4.402(95%CI:1.481,13.084)]均是直肠癌患者预后的影响因素(P<0.05)。受试者工作特性曲线分析结果显示,血清miR-21、miR-193a-3p单一及联合预测结直肠癌预后的敏感性分别为69.04%(95%CI:0.487,0.813)、72.73%(95%CI:0.495,0.884)、86.36%(95%CI:0.640,0.964),特异性分别为62.22%(95%CI:0.513,0.720)、68.89%(95%CI:0.581,0.780)、90.00%(95%CI:0.814,0.950),曲线下面积分别为0.782、0.731和0.901。结论结直肠癌患者术前miR-21、miR-193a-3p表达与术后预后密切相关,且在结直肠癌患者的预后结局中表现出良好的预测效能。

融合VR-眼动的施工现场隐患识别视觉注意与搜索特征研究

为探究施工现场隐患识别视觉注意与搜索特征,提升识别绩效水平,融合虚拟现实(Virtual Reality,VR)和眼动追踪技术,开展VR施工场景内的隐患识别试验,收集不同隐患识别经验群体的眼动数据;运用统计学方法,对比分析累计注视时间、注视百分比等眼动指标的差异性,揭示隐患识别经验与注意力资源分配方式的内在联系;基于眼动轨迹匹配法,聚类首次视觉搜索轨迹,结合施工现场空间布局,探究隐患识别经验影响下搜索习惯的差异。结果表明:经验知识水平对隐患识别绩效具备驱动作用,但隐患专业度过低则会弱化经验知识的效果;被试的注意资源大多集中于具有视觉显著性特征的无关要素,仅有小部分分配于隐患,然而,具有较高经验知识水平的被试对隐患信息更加敏感,分配于隐患的注意资源占比更高;相较于新手组同一区域多次重复的搜索习惯,专家组大多采用某一区域的详细搜索再切换到下一区域的方式。

深度卷积网络在航空高光谱岩性识别中的应用——以塔木素铀矿床北部地区为例

岩矿信息识别是高光谱遥感在地质勘探领域的主要应用方向。传统高光谱遥感方法尽管在矿物识别中取得了良好效果,但对于岩性识别存在瓶颈。深度学习是当前人工智能领域的研究热点,卷积神经网络是适用于图像识别的重要网络架构。以巴音戈壁盆地西部塔木素铀矿床北部区域为试验区,以SASI航空高光谱影像为数据源,将深度卷积神经网络引入航空高光谱遥感岩性识别,测试和评估其应用效果。基于预处理后的SASI航空高光谱影像,以试验区地质图及野外调查为参考,制作了8类样本,包括:印支期花岗岩、华力西晚期花岗岩、华力西晚期花岗闪长岩、华力西中期石英闪长岩、石炭系碎屑岩、中下侏罗统火山凝灰岩、第四系沉积物和绢云母化蚀变岩。构建了基于光谱特征的一维卷积神经网络、基于图-谱联合特征的一维+二维卷积神经网络和三维卷积神经网络3种模型结构,分别进行模型训练、测试和试验区岩性分类应用。模型测试结果表明:一维卷积神经网络、一维+二维卷积神经网络和三维卷积神经网络的总体精度分别为82.13%、86.46%和90.90%。通过评价分析三种卷积神经网络模型的岩性分类识别结果,三维卷积神经网络的识别结果与真实参考最为接近,对试验区各类岩性的区分识别效果最优,一维+二维卷积神经网络的识别效果次之,表明利用卷积神经网络引入高光谱图像空间信息,进行图-谱特征的联合挖掘,有利于提高影像的识别精度和实际应用效果。同时,一维卷积神经网络和一维+二维卷积神经网络的识别结果因航空高光谱影像拼接后的条带效应,影响了它们的实际应用效果,而三维卷积神经网络较好地克服了这种影响,表明其对于大面积航空影像处理具有相对较好的应用前景。