【摘 要】
：
目前医学资源信息聚类方法由于没有对特定信息进行去噪,使细节信息流失,无法保留有效信息,导致Jaccard系数与F1系数偏低,特定信息聚类效果较差的问题。为解决上述问题,提出基于VSM的海量医学资源特定信息优化聚类模型,采用有标记医学信息与无标记医学信息样本中所包含的信息,设置降维目标函数的参数值,通过建立降维矩阵实现医学资源特定信息降维处理;利用小波变换模极大值对医学资源特定信息去噪处理,在去噪过
论文部分内容阅读
目前医学资源信息聚类方法由于没有对特定信息进行去噪,使细节信息流失,无法保留有效信息,导致Jaccard系数与F1系数偏低,特定信息聚类效果较差的问题。为解决上述问题,提出基于VSM的海量医学资源特定信息优化聚类模型,采用有标记医学信息与无标记医学信息样本中所包含的信息,设置降维目标函数的参数值,通过建立降维矩阵实现医学资源特定信息降维处理;利用小波变换模极大值对医学资源特定信息去噪处理,在去噪过程中设定阈值,保留细节信息;在VSM的基础上建立医学资源特定信息优化聚类模型,实现海量医学资源特定信息的
其他文献
针对卷积神经网络在图像分类训练过程中出现的过拟合现象,提出融合分割权重和Attention机制的CNN图像分类算法。算法构建了传统卷积神经网络模型,使用基于图像分割权重的二次预训练方法训练网络模型;使用不同Attention类型的激活函数,在标准图像库Corel-1000上充分进行实验。实验结果表明,二次预训练方法对图像分类效果有了较大程度的提升;同时,加入Attention机制后,实验效果更优。
针对人体行为识别技术存在特征融合精度低、行人轮廓提取噪声高等问题,提出基于特征融合和度量学习的行人行为识别方法。采用离散小波变换方法提取相关行为和轮廓特征,通过K-L变换技术获取图像特征融合数据,利用马氏距离算法实现图片特征度量学习,运用EDM交叉距离完成行人行为相对应的识别。仿真结果表明:研究设计的行为识别方法可以高精度的融合视频图像行人行为特征,准确识别行人行为,为监控安全领域提供了强有力理论
小波变换在信号的滤波降噪处理中应用非常广泛,针对传统小波阈值去噪算法中软、硬阈值函数以及Garrote阈值函数的不足,构造出一个新的阈值函数,并采用新的阈值确定方法,对信号的去噪处理更加灵活,克服了传统阈值函数的不足。通过Matlab软件,对传统阈值函数以及本文提出的改进阈值函数进行去噪处理仿真,在信噪比(SNR)和均方误差(MSE)两个方面进行定量对比。实验结果表明,使用改进的阈值函数进行去噪处
传统资源调度方法无法获取资源调度适配因子,导致资源调度精度偏低、利用率小且负载均衡度低问题。为此提出基于模式融合的网络动态资源柔性调度方法。根据移动中心网络结构矩阵确定移动网络节点分布,以此为基础构建混合预测模型,获取网络节点负载状态,并计算节点负载和资源占有率,得出适配因子,引入max-min和蚁群混合算法,实现网络动态资源有效调度。实验结果表明:研究提出的教育教学动态资源利用率和负载均衡度更高
在WSNs网络规模不断扩展的同时,路由协议与节点复杂度随之升高,导致WSNs网络中链路故障概率的增加。现有方法普遍存在链路故障检测误差偏大,网络恢复效果不佳等问题。为此提出了基于布尔方程与数据分析的大规模WSNs链路故障恢复方法。根据WSNs链路的能量特征构建测试信号的布尔映射关系,依据路径与链路的布尔状态向量搜索故障链路最小值,利用线性规划与约束条件求解布尔方程,从而确定故障链路。根据WSNs链
针对基于卷积神经网络的胶囊内镜图像分类算法上存在模型参数难以训练、易过拟合的问题,提出一种基于迁移学习的胶囊内镜图像分类算法。先对胶囊内镜图像进行预处理和数据扩增;利用经典卷积神经网络Alexnet、Googlenet、 Inception-v3提取囊内镜图像的深层特征;最后将3个模型提取的特征向量加以融合,作为支持向量机的输入进行训练和分类。实验结果表明,提出的方法分类准确率为99.98%、特异
当前的非授权代码的检测过程忽略了获取线性特征集,代码类型无法得以高精度匹配,导致传统方法出现检测准确率低、耗时长问题。为解决以上问题,提出基于线性特征集的非授权代码敏感路径检测方法。引入深度学习,设计非授权代码特征检测步骤。以非授权代码为目标样本,基于线性特征集判断非授权代码敏感路径判断,利用深度学习提取正常代码样本的函数图特征,并设置阈值,实现非授权代码敏感路径的检测。实验结果表明:与传统方法相
由于传统离群点检测方法未对离群点进行判定,从而导致出现了检测速度慢、检测误差大的问题,为此提出一种海量不确定数据集中离群点快速检测的方法。优先判定出不确定数据集中的离群点,利用点排序识别聚类结构(Ordering points to identify the clustering structure)算法完成,确定待检测离群点所需参数,计算出离群点的离群属性,根据离群属性计算结果,引入邻域密度构建
根据传统的水平集方法,在图像分割时,很难准确分割灰度不均衡的图像。提出了一种基于视觉显著性的变分水平集图像分割方法。通过Lab颜色空间建立视觉显著性数据模型,加强图像对比度,提取视觉显著性区域,随后对此区域图像做去燥处理,防止图像内细节信息的丢失。再利用无需初始化的变分水平集,结合能量函数完成内部能量的约束,得到曲线演化的偏微分方程,通过最小值能量函数,完成图像分割。仿真结果表明:所提方法解决了图
为了解决对人体动作局部特征点的识别误差率较高的问题,提出一种基于机器学习的人体动作局部特征点识别方法。首先利用人体在时空状态下的差别及运动频率变化,构建多尺度的局部时空领域特征。以目标之前状态为基础,通过卡尔曼滤波计算法对人体关节位置评估,并对之后的状态做误差最优估计,以此构建人体行为数学模型。利用小波转换函数构建神经网络模型,将之前所提取出来的人体动作特征点参数作为输入神经元,输入进神经网络内进