基于卷积神经网络的蛋胚活性精准检测方法研究

孵化的蛋胚是生产禽流感疫苗的载体,蛋胚的活性检测是疫苗生产中的关键环节,通过光电容积脉搏法检测蛋胚活性是提高蛋胚活性检测准确率的关键。为了提高蛋胚活性检测效率和检测准确率,采用滑动功率谱方法(PSD)将蛋胚脉搏波可视化,基于卷积神经网络对蛋胚活性进行精准分类。实验结果显示,采用卷积神经网络对单个蛋胚信号的计算时间仅为12.6 ms,与人工检测方法相比,检测效率提高近200倍。可视化后的蛋胚脉搏波的卷积神经网络分类准确率可达94.14%,其中活胚、死胚和弱胚的真阳率分别为99.74%、93.73%、84.39%。基于卷积神经网络的蛋胚活性分类模型,可在大规模生产中精准地辨识蛋胚活性,对疫苗生产过程具有重要的应用价值。

一种融合社区结构信息的网络表示学习算法

为研究社区结构对网络表示学习的影响,提出了一种新颖的融合社区结构信息的网络表示学习算法(CINE)。通过借鉴模块度思想,将社区结构吸收到基于矩阵分解的模型中以保留网络内部的社区结构;设计一个整体的目标函数,在捕获社区结构信息的同时也融合了节点间的1阶2阶邻近性信息和节点的属性信息,最终得到包含原始网络中3类信息的节点表示;采用Cora、Citeseer和Wiki等3个公开网络数据集验证CINE在节点分类、链接预测和可视化任务中的表现。结果表明:在3个数据集的分类任务中,CINE的Micro-F1分数分别达到了0.9002、0.8402、0.7619,优于所有对比算法;在Cora数据集的链路预测任务中,CINE的AUROC得分比Node2vec、DeepWalk和TADW等算法分别提高了1.165、1.144和1.059倍。说明CINE在保留网络的结构和属性信息的基础上,捕获了社区结构信息,使得所学节点表示可以更好地执行后续的网络分析任务。