基于改进UNet的脑肿瘤图像分割算法

脑肿瘤图像采用传统方法难以实现高精度分割,而手动分割图像费时费力,为此提出一种基于改进UNet的脑肿瘤图像分割算法。首先,在模型的上采样部分嵌入注意力机制,提高主要特征权重;其次,使用迁移学习增强模型泛化能力;最后,进行实验分析。实验结果表明,该算法在脑肿瘤图像分割上具有更好的效果。

基于三支决策的两阶段实体关系抽取研究

实体关系抽取作为信息抽取研究的重要研究课题之一,对知识图谱数据层的构建有着重要的意义。提出一种基于三支决策的两阶段分类技术实现实体关系抽取,首先构建SVM三支决策分类器实现第一阶段实体关系抽取,采用softmax多分类函数作为三支决策概率函数,然后采用KNN分类器对三支决策分类后的中间域样本进行二阶段分类。以ACE2005的语料作为实验数据,将三支决策两阶段分类结果与传统SVM方法分类结果进行比较,实验结果表明,基于三支决策的两阶段实体关系抽取方法取得了很好的分类效果。

基于SoftLexicon的医疗实体识别模型

为了解决在中文电子病历命名实体识别任务中,基于字符粒度NER方法对序列信息遗漏的问题,以及引入外部词典资源方法所带来的运算效率问题,提出一种基于SoftLexicon的医疗实体识别模型。首先,将输入序列中的每个字符映射到一个稠密向量中;接下来,引入外部词典资源,为每个字符构造SoftLexicon特征,并将其添加到对应的字向量表示中;然后,将这些增强的字符表示放入Bi-LSTM和CRF层,以获得最终的识别结果。该模型既能有效捕捉句子序列中字符的特征,提取上下文之间的依赖关系,又能实现标签预测的顺序性。以CCKS-2020医疗命名实体识别评测任务提供的电子病历数据作为实验数据集,实验结果表明,与基于字符粒度的传统NER方法相比,所提方法在实体识别性能和效率上都显著提高。

基于Prophet算法的服装面料需求预测研究

针对目前服装面料需求数据周期非确定性导致预测精度差的问题,提出一种基于Prophet算法的服装面料需求预测模型。通过分析服装面料需求历史数据的时间序列特征构建Prophet模型,使用M公司面料数据集设计Prophet与LSTM的对比实验,并采用RMES以及MAE作为评价指标。实验结果表明:相比于LSTM,Prophet模型具有较高的预测精度且有效提升了服装面料需求时间序列预测的准确性。