基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法研究

为了提高路面裂缝识别的正确率和实时性,文章提出了一种基于堆叠稀疏自编码器和Softmax分类器的路面裂缝识别方法。利用图像处理算法从每张路面图像中提取低维特征,输入到稀疏自编码器进行特征优化并提取高维特征后,使用Softmax分类器来进行识别。利用本文方法进行交叉试验,准确率、精度、灵敏度、特异性和F1-score分别达到99.5%、99%、100%、100%和99.5%。因此,本文提出的方法能够有效地自动检测路面裂缝。

基于栈式自编码器和Softmax分类器的电力变压器故障诊断

为更加有效地解决电力变压器故障诊断时面临的数据提取、局部最优、梯度消散等问题,提出了一种基于栈式自编码器(stacked auto-encoders,SAE)与Softmax分类器的电力变压器故障诊断新方法。所提方法首先基于SAE与Softmax分类器理论,建立电力变压器故障诊断模型;然后基于k步对比散度算法,利用大量无标签样本对故障诊断模型中的每个受限玻尔兹曼机(restricted Boltzmann machine,RBM)进行逐层无监督训练,并使用有监督算法对模型参数进行调优;最后结合Softmax分类器对故障类型进行判断。算例分析证明,与基于支持向量机(support vector machine,SVM)和反向传播神经网络算法的故障诊断方法相比,所提方法在电力变压器评估方面具有较好的稳定性及更高的准确率。

基于Softmax分类器的小春作物种植空间信息提取

[目的]使用浅层机器学习分类方法和多光谱遥感影像快速准确提取研究区小春作物(油菜、小麦)种植空间信息。[方法]选择研究区小春作物识别最佳时期的Sentinel 2A MSI多光谱影像,融合得到10 m分辨率影像,然后降尺度生成15、20、30 m分辨率影像,结合地面调查数据,建立油菜、小麦、林地、居民地、水体等典型地物感兴趣区,训练Softmax分类器,基于不同空间分辨率影像提取油菜、小麦种植空间信息。[结果]①基于Softmax分类器和10 m分辨率融合影像的小春作物分类总体精度为90.02%,Kappa系数为0.8344,其中油菜生产者精度和用户精度分别为93.14%、91.42%,小麦的分别为87.93%,98.09%;②Softmax法的小春作物分类精度随影像空间分辨率下降而降低,15、20、30 m分辨率影像的分类精度较10 m的分别下降9.80%、12.04%和13.04%,Kappa系数依次减少0.1538,0.1873和0.2088;③15、20、30 m分辨率影像的油菜分类精度较小麦的低,影响因素为油菜花期和种植地块破碎分散。[结论]Softmax分类器在10~30 m中高分辨率影像小春作物分类中具备较高的精度,可作为常规方法应用于业务化的作物监测工作。

基于深度神经网络和SoftMax分类器的台区负荷分类识别方法

随着传统分类分析算法研究的不断深入,台区用电负荷模式的分类识别也在不断发展。提出了一种基于深度神经网络(deep neural networks,DNN)和SoftMax分类器的台区负荷分类识别方法,结合已有的典型负荷曲线特征库,实现对台区未知用户的负荷预测,为电网部门需求侧管理提供可靠的支撑。对某台区1200个用户负荷数据进行实证分析,结果表明,提出的分类方法在算法收敛性、计算时间以及预测精度等方面具有更好的性能。

基于成果导向教育的分类器实验教学设计探索

探索一种区别于传统教育的新型OBE教育模式。以学生自身兴趣爱好为导向,引用经典课题实践案例,并将其分解成不同难度题型,引导不同基础学生用科学的方法实现基于Python编译器的分类器仿真实验模型,让每一个学生能够得到最大程度的学习效率。通过此互动式、开放性的课堂教学,不仅充分激发了每一个学生的学习能动性,也使得教师通过课堂氛围灵活的分配教学计划以获得更好的教学体验,更好地完成教学成绩。

基于集成神经网络的类风湿关节炎中医证候分类器研究

目的构建一种集成神经网络模型实现类风湿关节炎(RA)中医证候分类,并探究其中的特征重要性和风险因素。方法针对基于人工智能技术的RA中医证候多标签分类中存在的标签关联性差、泛化性能低等问题,提出一种集成神经网络模型——集成神经网络链(FEN)。FEN模型采用一种基于深度神经网络的特征提取基分类器提取临床RA多标签样本的深层特征,增强RA特征区分度;根据协方差理论衡量标签相关性,调节分类器链的输入空间,减少RA错误信息传播和冗余度;并采用集成学习方法减小分类器链中不合理标签序列对RA特征分类的影响。此外,分析了RA中医证候主证和兼证的特征贡献度,挖掘其潜在的风险因素。结果FEN模型的10折交叉验证性能参数汉明损失、1-错误率、准确度和F1值分别为0.0036、0.0248、97.52%、99.18%。与7种典型多标签分类器(分类器链、标签幂集、二进制关联、随机k-标签集、多标签K最近邻、集成分类器链和集成二进制关联)相比,FEN模型具有较好的分类性能。特征贡献度分析提示,主症和次症特征均可作为RA中医证候分类的重要指标,是影响主证和兼证分类的主要因素。结论基于集成神经网络模型的RA中医证候分类器具有较高的分类精度和效率,对于RA的临床诊断和治疗具有重要参考价值。

一种基于多分类器和证据理论融合的水质分类方法

针对单分类器对不同水质类别识别不均衡、水质分类准确率较低、适应性较差的问题,提出一种基于多分类器和证据理论融合的水质分类方法。选取深度神经网络分类器、改进支持向量机分类器和贝叶斯分类器3种分类器,通过全概率公式构建信度函数,基于证据理论对信度函数进行融合,获得多分类器融合模型。从国家地表水水质自动站发布的2022年3月1—22日水质数据中选取3 558条数据为样本集,采用DNN水质分类模型、PSO-SVM水质分类模型、贝叶斯水质分类模型和多分类器融合模型对待测样本进行测试。结果表明:多分类器融合模型对水质类别判定的平均准确率、精确率、召回率和F1值分别为94.2%、93.8%、94.2%和94.0%。相较于DNN水质分类模型、PSO-SVM水质分类模型、贝叶斯水质分类模型,多分类器融合模型准确率分别提高5.6%、9.8%和13.6%,精确率分别提高5.2%、10.0%和10.9%,召回率分别提高5.6%、9.8%和13.6%,F1值分别提高5.4%、10.2%和12.3%,多分类器融合模型在水质分类方面的准确性和适应性更高。

基于同伴辅助学习分类器的部分域自适应方法

为了解决传统方法忽略分类器转移场景,进一步减轻负转移,提出一种基于同伴辅助学习分类器的部分域自适应方法。提出一个软加权最大均方差来减轻源异常域和目标域之间的负迁移,使得源共享域和目标域的特征分布在特征空间中是一致的;引入一种同伴辅助学习方法,减轻特定目标学习分类器的过度拟合问题。在三个数据集上的实验结果证明该方法不仅减轻了负迁移,而且解决了分类器移位问题。

基于极化SAR梯度和复Wishart分类器的舰船检测

舰船检测是极化SAR系统的重要应用之一。现有的舰船检测方法容易受到旁瓣泄露的干扰,使得舰船目标的形态难以提取,导致检测结果不符合真实情况。此外,在舰船过于密集、尺度不一致的情况下,相邻舰船由于旁瓣的影响有时会被认为是单个目标,从而造成漏检。针对这些问题,该文提出一种基于极化SAR梯度和复Wishart分类器的舰船检测方法。首先,将似然比检验(LRT)梯度引入对数比值梯度框架,使其适用于极化SAR数据;基于LRT梯度图进行恒虚警(CFAR)检测,提取舰船的边缘信息,消除伪影的同时抑制强旁瓣对舰船精细轮廓提取的影响。其次,利用复Wishart迭代分类器对舰船强散射部分进行检测,可排除大部分的杂波干扰且保持舰船形态细节。最后,将二者信息融合,从而可以保持舰船形态细节的同时克服旁瓣和伪信号的虚警。该文在3幅来自ALOS-2卫星的极化SAR图像上进行了对比实验,实验表明与其他方法相比,该文所提算法具有更少的虚警和漏检,且能够有效克服旁瓣泄露,保持舰船形态细节。

基于贝叶斯分类器的船舶型材优化设计

船舶结构轻量化设计对于提高船舶的运载能力和实现更大的经济效益具有重要意义,针对传统优化设计方法建立优化模型时约束条件无显式表达的问题,提出基于贝叶斯分类器的船舶型材优化设计方法。首先,依据贝叶斯理论和核密度估计方法构建贝叶斯分类器,然后利用贝叶斯分类器代替隐式约束函数进行求解,最后以T型材的优化设计问题为例进行验证,并将优化结果对比约束条件可显式表达情况下的求解结果进行分析。基于单约束条件的贝叶斯分类器目标函数偏差低于2%,基于多约束条件的贝叶斯分类器求解目标函数偏差在8%左右,且不同的贝叶斯分类器设计方法会对优化求解结果精确程度产生影响。使用贝叶斯分类器做出决策边界能代替实际边界进行优化求解,验证了贝叶斯分类器驱动求解器寻优的可行性,对解决约束条件无显式表达的问题提供了新思路。

深度超圆盘分类器及其在旋转机械故障诊断中的应用

几何模型分类器具有坚实的几何统计基础和良好的泛化能力,因此在旋转机械故障诊断中取得了较高的分类精度。与仿射包和凸包相比,超圆盘(Hyperdisk,HD)对样本分布区域的估计更加合理。但超圆盘模型属于浅层学习模型,对复杂函数的表示能力有限,存在学习能力和泛化能力差等缺点。针对这个问题提出一种深度超圆盘分类器(Deep Hyperdisk Large Margin Classifier,DHD),该方法通过模块叠加的方式将超圆盘分类器深度化,利用特征提取公式从每层模块的输入样本中自主提取新的特征值,并将其应用在下一层模块的训练学习中。将所提方法应用到旋转机械故障诊断当中,实验结果表明该方法对故障样本的分类准确率高于其他模型算法,且对不均衡样本和强噪声背景下的故障样本均具有良好的分类能力。

面向投票类AI分类器的零冗余存储器容错设计

投票类分类器广泛应用于多种人工智能(Artificial Intelligence,AI)场景,在其电路系统中,用于存储已知样本信息的存储器易受到辐射、物理特性变化等多种效应影响,引发软错误,继而可能导致分类失败。因此,在高安全性领域应用的AI分类器,其存储电路需要进行容错设计。现有存储器容错技术通常采用错误纠正码,但面向AI系统,其引入的冗余会进一步加剧本就面临挑战的存储负担。因此本文提出一种零冗余存储器容错技术,采用纠正错误对分类结果的负面影响而非纠正错误本身的设计思想,利用错误造成的数据翻转现象恢复出正确的分类结果。通过对k邻近算法进行实验验证,本文提出的技术在不引入任何冗余的情况下可达到近乎完全的容错能力,且相比于现有技术,节省了大量硬件开销。

一种可用于肝癌呼气信号鉴别的改进AdaBoost级联分类器

为了降低呼气检测技术在肝癌筛查中的漏诊率,本研究设计一种改进的AdaBoost级联分类器,并将其应用于鉴别健康志愿者和肝癌患者的呼气信号。首先,对训练样本进行自助划分获得一组训练子集。基于该训练子集,先后利用不同的机器学习算法,采用K折交叉训练和投票法得到多个子分类器;接着,将多个子分类器加权组合得到一个改进的AdaBoost分类器;然后,再次自助划分训练样本,以新的训练子集训练得到另一个AdaBoost分类器;最后,将两个AdaBoost分类器串联形成级联分类器。测试样本送入该级联分类器后,按照级联规则,潜在的异常样本将被反复筛查。以电子鼻采集到的120名志愿者的呼气信号的Relief优化特征集为训练样本,构建改进AdaBoost级联分类器,并对40例测试样本进行鉴别。结果表明,该级联分类器可有效区分出测试组中的肝癌患者和健康人的呼气信号,平均敏感性为93.42%,明显优于传统AdaBoost级联分类器,漏诊率显著降低。此外,该级联分类器的稳定性较好,精度的变异系数仅为3.95%。可见,改进AdaBoost级联分类器可有效提升分类器对肝癌呼气信号的检测能力,对实现基于呼气检测的肝癌无创普及性筛查技术的研究具有重要意义。

基于多判别器辅助分类器生成对抗网络的故障诊断方法研究

在强冲击、强辐射、极高温等极端恶劣的工作环境下,机械设备的故障模式复杂多样,获得充足且有效的故障数据变得非常困难甚至难以实现,以致故障诊断的准确性受限,后续检修维护方案难以有效制定。针对这一问题,提出了一种多判别器辅助分类器生成对抗网络的数据增强算法。通过设置3个判别器、1个生成器并添加独立的分类器,构建了新的辅助分类器生成对抗网络模型。针对在该模型训练中存在的不稳定性问题,通过引入Wasserstein距离构造新的损失函数,并采用稳定性更具优势的单边软约束正则化项替换原有的L2梯度惩罚项来解决模型崩溃问题;在此基础上,采用高效通道注意力机制来进一步提高模型的特征提取能力。将所提出的模型应用于扩充机械设备故障数据集,辅助深度学习智能诊断模型的训练。多个故障数据集扩充实验表明,与现有模型相比,新模型所生成数据的质量更高,故障诊断的准确率也得到进一步提高,因此具有较高的应用价值。

基于多期动态增强CT影像组学特征和多分类器分层融合模型预测肝细胞癌的微血管侵犯

目的探讨预测肝细胞癌(HCC)患者是否发生微血管侵犯(MVI)而提出了一种基于多期动态增强CT(DCE-CT)影像组学特征和多分类器分层融合的预测模型。方法回顾性收集2016年1月~2020年4月广州市第一人民医院111例经病理证实的HCC患者的术前DCE-CT图像。分别在早期动脉期(EAP)、晚期动脉期(LAP)、门静脉期(PVP)和平衡期(EP)进行了感兴趣容积(VOI)的勾画,并从中提取出这4个期相的影像组学特征。利用经过筛选后的特征子集分别训练7种基于不同算法的分类器,得到不同期相下的多个基分类器。然后采用一种新型的基于多准则决策的权重分配算法,按照分层融合的策略依次对同一期相下多个基分类器以及提取了不同期相信息后的模型进行融合,最终得到基于多期DCE-CT影像组学特征和多分类器分层融合预测模型。采用五折交叉验证的方法和ROC曲线下面积(AUC)、准确率(ACC)、灵敏度(SEN)和特异度(SPE)4种评价指标来定量评价所提出的预测模型的性能。提出的模型与使用单一期相或多个不同期相的融合模型、基于单期相单分类器的模型、不同基分类器多样性的模型以及八种基于其他集成方法的分类器模型进行定量比较。结果提出的模型预测HCCMVI的性能在融合4个期相及7种分类器后达到最优,AUC、ACC、SEN和SPE分别为:0.828、0.766、0.877、0.648。对比实验显示,所提出的模型性能优于基于单期相单分类器的模型以及其他集成模型。结论基于多期DCE-CT影像组学特征和多分类器分层融合模型能够很好地预测HCC的MVI情况,相比于其他模型具有较大的性能优势。

基于改进分类器动态选择算法的滚珠丝杠副状态识别

为提升滚珠丝杠副的性能状态识别精度,提出一种改进的分类器动态选择算法。该算法借助邻域成分分析(NCA),准确并自适应地定义测试样本的邻域,无需选择距离度量方式,从而更加准确地衡量多分类器系统中各子分类器对于测试样本进行正确分类的潜力,解决了传统分类器动态选择算法精度受限于距离度量方式选择是否合适的问题。将所提出的分类器动态选择算法应用于滚珠丝杠副状态识别中,首先利用AdaBoost算法离线训练反向传播(BP)神经网络集合,然后依据实时信号特征,采用改进的分类器动态选择算法从分类器集合中选取最合适的子分类器进行状态鉴定,从而实现更好的识别效果。实验结果表明,提出方法的状态识别准确率能够达到97.22%,高于BP神经网络、AdaBoost与传统分类器动态选择算法,且对于不同的性能状态均有较高的识别精度。

低级别胶质瘤自噬相关基因预后分类器的构建及验证

目的 本研究旨在构建自噬相关基因(ARGs)的风险分类器,从而预测低级别胶质瘤(LGG)患者的生存率。方法 从UCSC Xena, CGGA, GlioVis和GTEx公共数据库中获取LGG患者和正常脑组织数据,结合人类自噬数据库筛选出232个ARGs。通过差异分析得到差异ARGs。在训练集中,利用单因素Cox回归分析和LASSO回归分析,构建ARGs的预后分类器。通过绘制受试者工作特征(ROC)曲线确定最佳Cut-off值。Kaplan-Meier生存曲线和ROC曲线下面积(AUC)用于评估分类器性能,并在内部数据集和外部数据集中验证。Cox回归分析用于评估分类器的独立预后价值。最后,结合常见临床参数和风险分类用于构建列线图模型,并利用ROC曲线,一致性指数和校准曲线评估该模型的预测能力。结果 本研究构建了由6个ARGs(BAG1、 PTK6、 EEF2、 PEA15、 ITGA6和MAP1LC3C)的预后风险分类器,其可将LGG患者分为具有明显生存差异的高、低风险组在多个数据集(均P<0.05)。5年AUC值显示该分类器在训练集,内部验证集和TCGA总集中分别为0.837, 0.755,和0.803。同时,在外部验证集中,1年,2年和3年ROC曲线依然提示该分类器具有较好的预测准确性。Cox回归分析显示该预后分类器在来自TCGA的多个数据集中都具有独立预后价值(HR>1,P<0.05)。之后构建了包含多个常见临床参数和预后风险分类的列线图模型,时间依赖性ROC,一致性指数(C-index)和校准曲线分析同时证实了该模型的预后价值。结论 本研究建立了一个由6个ARGs的具有高预后价值的风险分类器,并结合临床病理特征和风险分类构建了用于临床决策的列线图,能更好地帮助临床医生判断LGG患者的预后和进行个体化治疗的临床决策。

基于分类器的员工离职预测研究

人才是企业的核心竞争力,优秀员工的离职不仅会给企业业务和生产造成损失,人员的流动更会带来企业凝聚力的降低。运用机器学习算法,对导致员工离职的因素加以研究分析,能够有效为企业避免员工的流失,保证企业的市场竞争力。通过四种不同分类器对员工离职样本库进行建模,预测分析结果表明,逻辑回归分类器的准确率最高,较好地预测了员工的离职意向。

关于Focal Loss的Tensor Train多项式分类器

在模式分类领域,多项式分类器因其复杂决策边界能力而得到广泛研究。利用TensorTrain分解形式来表示多项式分类器,可有效克服维数灾难。针对多项式分类器在训练过程中遇到的训练集分布不平衡问题,文章使用FocalLoss重塑了标准交叉损失,以降低分配给易分类样本的损失的权重,并在被广泛使用的图像分类数据集MNIST上验证了分类器的有效性。

贝叶斯分类器在手写数字分类识别中的应用

手写体数字识别技术是一种非常重要的技术,将带来巨大的社会效益和经济效益。但是到目前为止,对手写数字进行识别的准确率仍需要进一步提高。针对这种情况,本文提出了一种基于贝叶斯分类器的手写体数字分类识别方法,能够有效识别书写规范的数字。