融合t-分布随机邻域嵌入与自动谱聚类的脑功能精细分区方法

本文针对目前脑功能分区不够准确的问题,基于静息态功能磁共振数据,提出了一种融合t-分布随机邻域嵌入(t-SNE)与自动谱聚类(ASC)的人脑功能精细分区的算法.首先,基于静息态功能磁共振图像,对需功能划分的脑区与全脑的时间序列作相关分析,得到需划分脑区的功能连接模式;然后,利用t-SNE算法提取高维功能连接模式特征;最后,通过基于本征间隙的ASC算法自动确定聚类数目,并对降维后的脑区特征分类,得到精细划分的脑亚区.模拟种子区域上的实验结果表明,相较谱聚类算法,以及结合主成分分析的谱聚类算法,本文方法对脑功能体素划分更优.进一步将本方法应用到真实人脑的功能分区中,成功地将海马旁回分为左右半球各3个亚区.本研究表明使用t-SNE与ASC融合的算法可提高脑功能分区准确性,是脑功能精细分区、进而构建脑功能图谱的一种有效方法.

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解(CEEMDAN)和t-分布随机邻域嵌入(t-SNE)算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量(IMF),提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。

温变下基于奇异谱分析的机电阻抗损伤识别法

为消除温度变化对损伤识别的影响,采用奇异谱分析(singular spectrum analysis,简称SSA)方法处理阻抗信号以分离不受温度变化影响的信号分量,提出结合t-分布随机邻域嵌入(t-distribution stochastic neighbor embedding,简称t-SNE)与K均值聚类算法的无监督机器学习方法,进一步处理信号分量实现损伤识别。为验证该方法的可行性,以螺栓组连接的铝板结构作为实验对象进行温度变化工况下螺栓松动机电阻抗损伤识别实验。结果表明,应用SSA方法得到的信号分量能在温度变化影响下有效识别螺栓松动状态,各工况识别准确率均达到98%以上,证明了所提出方法对消除温度变化影响的有效性。

基于t-SNE和核马氏距离的滚动轴承健康状态评估

针对滚动轴承在健康状态评估过程中,退化状态特征筛选和健康指数难以构建等问题,提出了一种基于t-SNE(t-distribution Stochastic Neighbor Embedding)和核马氏距离的滚动轴承健康状态评估方法。首先,利用随机森林算法筛选出重要性较高的退化状态特征,并构建高维相对退化状态特征;其次,为防止退化状态特征冗余对评估结果产生影响,利用t-SNE对高维相对退化状态特征集进行降维,将退化状态特征进行融合;最后,将其与等距映射(Isometric mapping,Isomap)、KPCA方法对比,以验证t-SNE流形学习算法进行退化状态特征降维的有效性与优越性,结果表明t-SNE算法具有一定优势。最终结果验证了所提方法的有效性。

基于人口格网的南昌市公园可达性研究

在城市公共基础设施中,公园绿地占据着重要的位置。通过对公园空间布局的可达性研究,有助于确保城市居民更为便捷、更具公平性地享受公园所提供的服务和功能。根据修正后的南昌市人口格网和百度地图AOI数据,采用高斯两步移动搜索法对步行、骑行和公交3种出行方式下的公园可达性进行评估,结合经济学领域的基尼系数和洛伦兹曲线,对各种出行方式的公平性指数进行分析。根据公园可达性分布情况,进一步运用t-SNE降维技术,并采用高斯混合聚类方法对公园可达性和人口需求进行了组合分区。结果表明:1)在南昌市全域范围内,不同出行方式下的公园可达性存在显著差异,其中骑行可达性最高,步行可达性最低,而公交可达性受地域与时间因素影响呈现较大不确定性;2)南昌市划分为4个组合区域:低需求-低可达性区、高需求-高可达性区、高需求-低可达性区与低需求-高可达性区。此研究不仅揭示了南昌市公园可达性的空间差异,还提供了关于城市公园布局优化的见解,有助于指导未来的城市规划和公园建设工作。

人工智能在煤矿瓦斯风险评估中的应用

瓦斯事故是影响煤矿安全生产的主要事故类型,为降低瓦斯事故风险,提出一种创新实用的煤矿瓦斯风险等级评价方法,为煤矿瓦斯事故的防治提供帮助。研究主要包括3个步骤,首先,收集煤矿瓦斯事故的真实数据;其次,由于属性特征较多,数据集具有过于高维、大规模和高复杂性的结构特征,采用t分布随机邻域嵌入(t-SNE)方法处理复杂的高维气体事故数据;最后,利用遗传算法(GA)对支持向量机(SVM)进行优化,对煤矿瓦斯事故的严重程度进行预测。结果表明,通过对预测效果、误差分布、时间成本等性能的比较,引入t-SNE的评价模型可以准确预测89%的事故结果,同时节省约60%的时间成本。

基于PCA与t-SNE特征降维的城市植被SVM识别方法

以高光谱图像降维为研究问题,针对主成分分析法(PCA)投影结果混叠、线性不可分和t-分布式随机邻域嵌入算法(t-SNE)内存占用大、运行时间长等不足,提出了一种基于PCA与t-SNE结合的高光谱图像降维方法。设计了基于SVM的城市植被识别模型,有效地提高了运行速率,进而更好地提取高光谱图像的本质特征,提高了高光谱图像中城市植被的分类精度。实验选取肯尼迪航天中心(KSC)数据为对象,结果表明,PCA-t-SNE-SVM算法总体分类精度可达92.06%,Kappa系数为0.91时,分类效果最优,相较于PCA-SVM和t-SNE-SVM算法,总体分类精度分别提高了13.51%和3.33%,Kappa系数分别提高了0.15和0.04,均表现出良好的性能。

基于LNN-DPC加权集成学习的转炉炼钢终点碳温软测量方法

转炉炼钢终点控制的关键是碳温准确预报。针对实际生产中因原料品质差异导致的炉次样本波动性较大所造成全局单一模型无法精确预测终点碳温的问题,提出一种局部最近邻密度峰值聚类算法(LNN-DPC)加权集成学习软测量方法。首先,采用改进的峰值密度聚类算法划分降维后的训练数据形成局部样本子集,构建子集与原始数据间的一一对应关系生成高斯过程回归子模型,并在原始数据子集下度量得到熵值加权的子集“质心”;其次,通过灰色关联分析选择与测试样本关联度较强的模型作为局部模型,提出关联度加权集成策略输出碳温预测结果。在实际转炉炼钢生产过程数据仿真结果下,碳含量在±0.02%的误差范围内精度达到85.2%,温度在±10℃的误差范围内精度达到84.8%。

基于小波包混合特征和支持向量机的机床主轴轴承故障诊断研究

主轴轴承作为机床关键零部件,针对轴承故障信息比较复杂难以获取,并且故障数据样本少问题,提出了基于小波包混合特征和支持向量机(SVM)的数控机床轴承故障诊断方法。首先对轴承振动信号进行小波包分解和重构,提取信号的混合特征构建联合特征空间;然后使用t-分布式随机邻域嵌入法对样本数据进行降维,观测混合特征样本集的数据分布;最后使用非线性SVM进行故障分类。经过现场数控机床数据验证,对主轴轴承内圈、外圈和滚珠的故障识别的准确率为100%,与线性SVM以及BP神经网络的故障分类效果来比较,该方法能更加精准地识别出了数控机床主轴轴承故障。

基于深度学习构建结直肠息肉诊断自动分类模型

目的探讨基于深度学习的结直肠息肉诊断自动分类模型的构建。方法收集2018年1月至2023年1月在苏州市3个内镜中心的不同图像增强内镜(IEE)技术下的结肠镜图像957张(常熟市第一人民医院537张,常熟市中医院359张,苏州大学附属第一医院61张),依据病理结果分为正常组、增生性息肉组和腺瘤性息肉组。利用DenseNet-121、EfficientNet、resnet101和resnet504种卷积神经网络(CNN)框架,构建深度学习模型,并评估其与经验不同的内镜医师的准确率、召回率、精确度、F1值和读片时间。结果EfficientNet在4个模型中最为优越,准确率0.961,召回率0.968,精确度0.959,F1值0.962,在读图用时方面,所有模型完成图像自动诊断任务的平均时间为(4.08±0.63)s,远快于内镜医师所需的平均时间[(291.10±17.68)s],差异有统计学意义(t=-36.22,P<0.01)。将EfficientNet预训练模型经迁移学习后的模型命名为“EffiPolyNet”,其在腺瘤性息肉上有少量误分类,但准确率达0.90,AUC为0.98。t-分布随机邻域嵌入(t-SNE)可视化揭示了腺瘤性和增生性息肉间部分语义特征重叠,解释了模型的误分类。利用梯度加权分类激活映射(Grad-CAM)和沙普利可加性解释(SHAP),揭示了模型决策中的关键图像区域和特征的相对重要性。结论EffiPolypNet模型在多种IEE技术的结直肠息肉性质分类中表现出色,为结肠镜光学诊断提供了高效且可靠的支持。

基于t-SNE数据驱动模型的盾构装备刀盘健康评估

随着地铁等地下工程在各大城市的快速发展,盾构装备的健康维护备受关注。刀盘作为盾构装备的主要功能部件之一,其易于损耗但却不易被直接检测,并可直接影响盾构推进效率和工期的按时完成。基于刀盘机理模型的传统分析方法受限于实际工程复杂工况与盾构机复杂结构,难以进行准确评估。为此,提出一种基于数据驱动的盾构机刀盘健康评估方法,即通过t-分布随机邻域嵌入(t-distribution stochastic neighbor embedding, t-SNE)模型,建立盾构装备传感器数据在特征空间与刀盘健康状态的映射关系,从而对刀盘性能衰退进行量化评估。其方法主要步骤包括:①刀盘性能相关传感数据预处理与初步特征提取;②在特征空间进行内蕴流形分布分析,基于t-SNE模型降维得到低维优化特征;③在优化后的特征空间构造马氏距离度量,得到刀盘性能衰退的量化评估。通过在实际盾构掘进工程中验证,结果表明:基于盾构装备实际运行数据,该方法能准确地反映刀盘性能状态。