基于决策树的流数据分类算法综述

流数据是一种有别于传统静态数据的新的数据形态,随着时间的推移而不断产生,而且富含变化.流数据分类是数据挖掘的研究分支,用于发现数据中隐含的模式并实现数据的类别划分,通常将每一个类别称作概念.将传统决策树算法引入流数据分类,针对流数据的特征提出特定的分类算法,是流数据分类的一个主要研究分支.为了全面介绍基于决策树的流数据分类算法,首先,简要概述数据挖掘及主要任务、决策树及其主要算法、流数据及其主要特性;然后,按照算法是否考虑概念漂移问题,将现有工作划分为包含概念漂移的流数据分类算法和不含概念漂移的流数据分类算法两大类,分别介绍每一类算法的主要算法流程、优缺点和典型应用;最后,指出基于决策树的流数据分类的进一步研究方向.

VGGNet检测矿井供电漏电应用研究

在煤炭安全生产过程中,漏电故障作为矿井主要故障之一,具有严重的危害性.目的:为了能够准确稳定识别故障并保护井下设备,提出一种基于深度学习的自动识别方法.方法:为模拟矿井下生产作业环境,首先搭建附加直流电源矿井漏电仿真模型,并利用瞬时对称分量法进行分析,然后根据仿真模型的故障与正常波形的不同特征,提出面向矿井漏电波形图的数据集扩展方法,最后基于深度学习卷积神经网络VGG-Net模型,构建浅层VGG4-Net、VGG7-Net进行故障波形数据自动识别.结果及结论:实验结果表明,文章提出的VGG7-Net模型分类效果较好,表现出较高的准确性与稳定性,其Acc、Pre、Roc、F-1分别达到0.9768、0.9908、0.9665、0.9785,验证了深度学习模型在矿井漏电检测识别中具有一定的可靠性和可行性.

路的字典积的邻和可区别边染色

图G的正常[k]-边染色σ是指颜色集合为[k]={1,2,...,k}的G的一个正常边染色.用wσ(χ)表示顶点χ关联边的颜色之和,即■,并称wσ(x)为x关于σ的权.图G的k-邻和可区别边染色是指相邻顶点具有不同权的正常[k]-边染色,最小的k值称为G的邻和可区别边色数,记为x′Σ(G).现得到了路Pn与简单连通图H的字典积Pn[H]的邻和可区别边色数的精确值,其中H分别为正则第一类图、路、完全图的补图.

模糊需求环境下供应链广告策略研究

将市场需求函数中的参数视为三角模糊数,建立供应链广告纳什博弈模型,得到纳什博弈均衡下的供应链成员最优策略和最优期望利润,分析相关参数变化对最优策略和最优期望利润的影响。结果表明,纳什均衡时价格和广告活动参与水平与市场基本需求正相关,与价格敏感程度负相关,价格与广告活动效应无关,广告活动参与水平与广告活动效应正相关。非模糊数值是模糊数值的一种特例,模糊数值更具有普遍意义,模糊环境下最优期望利润水平更高。模糊参数低值变化对期望利润影响更加敏感。

面向病灶与其表征关联提取的核医学诊断文本挖掘

医学影像是现代临床医学疾病诊治不可或缺的重要组成部分,SPECT是功能影像的主要成像技术,广泛应用于肿瘤骨转移等疾病的诊治。SPECT诊断报告文本包含患者个人信息、图像描述和建议性结果等几个方面的信息。为准确提取SPECT核医学骨显像诊断文本中疾病与其表征之间的关联关系,研究并提出基于数据挖掘的核医学文本关联规则挖掘方法。首先,针对核医学诊断文本可能包含的信息冗余、数据缺失及表述不一致等问题,提出SPECT核医学诊断文本的预处理及统一编码方法;然后,应用经典的关联规则挖掘算法Apriori,提出病灶与表征之间关联的挖掘算法;最后,使用一组源自三甲医院核医学科的真实SPECT核医学诊断文本数据,验证了所提出的方法。结果表明,提出的方法客观提取了疾病与其表征之间的关联,获得的客观性评价指标平均值不低于90%。

SPECT骨显像的关节炎病灶自动分割

关节炎是一种常见的多发性生理疾病,临床上易出现骨转移特别是溶骨性转移和关节炎之间的误判。为了从SPECT图像中准确分割关节炎病灶,文中构建一种面向关节炎病灶可靠评估的不同分割模型。首先,对SPECT骨显像数据进行归一化及扩展处理,适度扩充数据量;其次,借助深度学习的特征自动提取功能,构建基于Mask R-CNN的关节炎病灶分割模型,同时构建基于聚类技术的传统分割模型;最后,使用一组真实SPECT骨显像数据,验证所构建的分割模型的有效性。实验结果表明,所构建的深度分割模型可用于关节炎病灶的分割,准确率、召回率和平均交并比分别为0.6044,0.7204和0.6253,聚类分割模型获得的平均交并比为0.802。尽管深度分割模型获得的平均交并比值较低,但其具有实现SPECT图像中关节炎病灶语义分割的潜能。

基于VGG的SPECT骨扫描图像关节炎分类

核医学SPECT是主要的功能成像模态,在骨转移、关节退行性改变等疾病的诊治中发挥着重要作用.关节炎是常见且多发性生理疾病,临床上容易在骨转移特别是溶骨性转移之间产生误判.为了从SPECT图像中可靠识别关节炎病变,借助于深度学习的特征自动提取功能,研究并构建了面向关节炎自动诊断的SPECT图像分类器.首先,对SPECT骨显像数据进行归一化及扩展处理,适度扩充数据量并转化到模型要求的数据格式;其次,基于标准的VGG模型构建具有不同深度的关节炎分类器;最后,使用一组真实SPECT全身骨显像数据,对构建的分类模型进行测试.实验结果表明,构建的分类器可有效检测关节病变,获得的准确率、AUC值、精度、召回率分别为0.926、0.986、0.921、0.934.

基于ResNet深度模型的SPECT肺灌注图像分类

SPECT肺灌注是重要的功能成像技术,它能够以非入侵方式捕获肺部的功能病变,已经成为肺栓塞等疾病的重要临床检测手段.为有效支撑肺栓塞疾病的自动诊断,研究并构建基于ResNet深度网络的SPECT肺灌注图像分类器.首先采用归一化技术将原始SPECT肺灌注文件转换为SPECT图像,并应用图像平移和旋转等技术对图像进行预处理,以扩展SPECT图像样本数量,然后在标准ResNet-50深度模型的基础上引入特征融合和迁移学习技术,构建可靠的SPECT肺灌注图像分类器,最后使用一组真实的SPECT肺灌注图像对构建的分类器进行测试,实验结果表明构建的分类器可有效检测肺栓塞病变,获得的分类准确率超过95.5%.

基于深度学习的SPECT图像关节炎病灶分割

SPECT骨显像是辅助医生诊断疾病的重要手段.医生依靠手工勾画提取病灶区域的方法效率低且具有一定的主观性.针对这一问题,提出R_U-Net网络模型分割关节炎病灶,不仅能节省医生的诊断时间,还能为患者争取最佳治疗时间.为了检测模型分割效果,使用测试集中含有关节炎病灶的图像分割测试,与Mask R-CNN网络和原UNet网络相比,R_U-Net网络对关节部位病灶分割结果有所提升,其MPA达到77.6%,MIoU指标达到75.4%.实验结果表明,基于U-Net改进的R_U-Net网络对于SPECT图像关节炎病灶分割效果更好.

路的强积的邻点可区别边染色

图G的邻点可区别边染色是指相邻点具有不同的色集的正常边染色,G的邻点可区别染色所需要的最少的颜色数称为G的邻点可区别边染色,记为χ'α(G).文章主要研究了两条路的强积的邻点可区别边染色,并给出了相应的邻点可区别边色数.

基于BERT-BiLSTM-CRF的SPECT诊断文本病灶提取研究

随着医学成像技术的不断进步,有价值的数据越来越多,但是当前还无法充分利用这些数据,从而会造成资源浪费。基于此,笔者将SPECT诊断报告作为研究对象,将数据进行预处理后传入构建的BERT-BiLSTM-CRF框架,旨在实现诊断报告中病灶的自动提取。实验结果表明,该方法能够有效完成核医学诊断文本的疾病表征自动提取,获得的精确度、召回率和F1-Score分别为92.21、94.14和93.17。

路的联的邻和可区别边染色

图G的正常[k]-边染色σ是指颜色集合为[k]={1,2,…,k}的G的一个正常边染色。用wσ(x)表示顶点x关联边的颜色之和,即wσ(x)=∑x∈eσ(e),并称wσ(x)为x关于σ的权。图G的k-邻和可区别边染色是指相邻顶点具有不同权的正常[k]-边染色,最小的k值称为G的邻和可区别边色数,记为χ′∑(G)。本文给出了两条不同阶路的联的邻和可区别边色数的精确值。另外,得到了同阶路的邻和可区别边色数的上界。