基于自编码器和流形正则的结构保持无监督特征选择

高维数据中存在着大量的冗余和不相关特征,严重影响了数据挖掘的效率、质量以及机器学习算法的泛化性能,因此特征选择成为计算机科学与技术领域的重要研究方向.文中利用自编码器的非线性学习能力提出了一种无监督特征选择算法.首先,基于自编码器的重建误差选择出单个特征对数据重建贡献大的特征子集.其次,利用单层自编码器的特征权重最终选择出对其他特征重建贡献大的特征子集,通过流形正则保持原始数据空间的局部与非局部结构,并且对特征权重增加L2/1稀疏正则来提高特征权重的稀疏性,使之选择出更具区别性的特征.最后,构造一个新的目标函数,并利用梯度下降算法对所提目标函数进行优化.在6个不同类型的典型数据集上进行实验,并将所提算法与5个常用的无监督特征选择算法进行对比.实验结果验证了所提算法能够有效地选择出重要特征,显著提高了分类准确率和聚类准确率.     

基于MOOP的Python语言模式改革与创新

通过分析目前MOOP平台的优劣势,提出基于MOOP教学平台的大学计算机基础课程“Python语言程序设计”课程创新改革思路、原则和策略,从课程体系设计、教学内容建设、MOOP平台使用、课程考核方式等方面进行阐述,结合太原理工大学基于MOOP平台的Python语言教学改革创新方式及改革过程中所遇到的问题和解决方式,介绍本次教学改革所得到的成效和启发。     

大型关系数据库Oracle教学模式的改进

本文就大型关系数据库Oracle的教学,结合实践提出了精选内容、强化实验和依托工程实践开展教学的思路,并就具体的实现方法进行了探讨,以期为课程教学提供一个值得借鉴的教学模式。     

一种语音控制的自主循迹与避障的智能小车的设计

智能小车以SPCE061A单片机为控制核心,采用反射性光电探测器对白纸上的黑色路径进行探测,按照预定的路径行驶。借助SPCE061A的语音特色,采用语音控制和中断定时控制相结合的方法,实现了通过语音对小车进行控制。实验结果表明,小车工作稳定,能够自主循迹与避障。     

自闭症干预中无监督自编码的语音情感识别

语音情感识别是人机交互中重要的研究内容,儿童自闭症干预治疗中的语音情感识别系统有助于自闭症儿童的康复,但是由于目前语音信号中的情感特征多而杂,特征提取本身就是一项具有挑战性的工作,这样不利于整个系统的识别性能.针对这一问题,提出了一种语音情感特征提取算法,利用无监督自编码网络自动学习语音信号中的情感特征,通过构建一个3层的自编码网络提取语音情感特征,把多层编码网络学习完的高层特征作为极限学习机分类器的输入进行分类,其识别率为84.14%,比传统的基于提取人为定义特征的识别方法有所提高.     

基于Laplacian金字塔和小波变换的医学CT图像增强算法

对医学图像进行增强可提高信息的利用率。传统的图像增强方法应用于医学图像时处理效果一般,存在诸多问题,如在增强图像的同时使图像的细节丢失,减弱了图像中目标的边缘信息,降低了图像的对比度。针对上述问题,提出一种基于小波变换和Laplacian金字塔分解的图像增强算法。首先,对原医学图像进行小波变换分解,得到处理结果;然后,对原医学图像进行Laplacian金字塔分解,得到医学图像的高频信息;最后,利用小波变换的结果和Laplacian金字塔分解的结果进行重构,得到增强后的图像。实验结果表明,该方法的增强效果明显优于传统的图像增强算法,对医学图像具有较好的增强效果,同时能更好地抵抗噪声。     

融合多维度卷积神经网络的肺结节分类方法

针对CT图像肺结节分类任务中分类精度低,假阳性高的问题,提出了一种加权融合多维度卷积神经网络的肺结节分类模型,该模型包含两个子模型：基于二维图像的多尺度密集卷积网络模型,以捕获更宽泛的结节变化特征并促进特征重用;基于三维图像的三维卷积神经网络模型,以充分利用结节空间上下文信息。使用二维和三维CT图像训练子模型,根据子模型分类误差计算其权重,对子模型分类结果进行加权融合,得到最终分类结果。该模型在公共数据集LIDC-IDRI上分类准确率达到94.25%,AUC值达到98%。实验结果表明,加权融合多维度模型可以有效地提升肺结节分类性能。     

自适应数据库中基于特征向量的聚类算法的研究与改进

在负载自适应数据库系统中,负载特征化部件是关键部分,首先要对负载分类,然后根据分类的情况预测负载性能。负载的分类一般采用聚类算法,聚类算法中比较典型的就是K—means算法。但在K—means算法中,k值必须提前设定而且不能根据负载的实际情况改变,就是对算法的一个改进,使得k值动态的、能够根据负载的实际情况改变。实验结果表明,使用该算法的分类结果预测负载运行时间的准确性有明显提高。     

CT影像识别的卷积神经网络模型

针对传统分类方法分割精度低、特征提取耗时等问题,构建一个适用于CT肺结节良恶性分类的卷积神经网络模型.首先确定网络深度、卷积核数目和卷积核大小等参数,构建卷积神经网络初始模型;然后选择激活函数类型、学习率和学习率衰减策略等训练参数;最后提出对感兴趣区域划分局部子区域的方式增强样本进行训练.在LIDC-IDRI数据集上进行实验的结果表明,准确率、特异性、敏感性及AUC值分别达到92.50%,0.91,0.94和0.93;对恶性结节的识别能力明显优于其他网络模型.     

基于PSO-SVM的孤立性肺结节良恶性分类研究

为辅助医生诊断孤立性肺结节的良恶性,提出一种针对肺结节的PET/CT影像特征的PSO-SVM分类方法。该方法利用粒子群算法(PSO)对支持向量机(SVM)进行参数搜索,进而选择最合适的参数,得到合适的SVM分类模型。实验表明,利用粒子群优化算法对支持向量机模型中的参数进行优化,可以避免人为选择的随机性,在解决分类问题中有良好的表现。使用此方法得到的分类模型对良恶性肺结节进行分类,平均正确率可达到90%以上,且为医生诊断肺结节时选取的主要特征提供了理论依据。