基于无监督网络的手机屏幕缺陷分割方法

针对工业上手机屏幕缺陷检测准确度不高,分割精度低等问题,提出一种基于无监督网络的方法,实现手机屏幕的缺陷分割.首先,通过无监督的卷积去噪自编码器构建多尺度特征的图像重构网络,实现从缺陷图像中重构出多层背景纹理图像.然后,将缺陷图像与多层背景重构图像分别进行减法运算,消除背景纹理的影响.最后,通过自适应阈值策略进行分割处理,再将多层分割结果进行融合,提升缺陷分割准确度.为提升重构性能,在网络中结合一种改进的损失函数进行训练.在分割处理中,根据残差图像的像素直方图是单峰的特点,使用三角法进行自适应阈值分割,提升分割精确度.经实验验证,通过本文方法进行手机屏幕的缺陷分割,分割精度达到90.30％,准确度和实时性满足工业要求,并具有实用性.     

基于集成LightGBM和贝叶斯优化策略的房价智能评估模型

针对传统房价评估方法中存在的数据源单一、过分依赖主观经验、考虑因素理想化等问题，提出一种基于多源数据和集成学习的智能评估方法。首先，从多源数据中构造特征集，并利用Pearson相关系数与序列前向选择法提取最优特征子集；然后，基于构造的特征，以Bagging集成策略作为结合方法集成多个轻量级梯度提升机（LightGBM），并利用贝叶斯优化算法对模型进行优化；最后，将该方法应用于房价评估问题，实现房价的智能评估。在真实的房价数据集上进行的实验表明，相较于支持向量机（SVM）、随机森林等传统模型，引入集成学习和贝叶斯优化的新模型的评估精度提升了3.15%，并且百分误差在10%以内的评估结果占比84.09%。说明所提模型能够很好地应用于房价评估领域，得到的评估结果更准确。     

基于集成LightGBM和贝叶斯优化策略的房价智能评估模型

针对传统房价评估方法中存在的数据源单一、过分依赖主观经验、考虑因素理想化等问题,提出一种基于多源数据和集成学习的智能评估方法。首先,从多源数据中构造特征集,并利用Pearson相关系数与序列前向选择法提取最优特征子集;然后,基于构造的特征,以Bagging集成策略作为结合方法集成多个轻量级梯度提升机（LightGBM）,并利用贝叶斯优化算法对模型进行优化;最后,将该方法应用于房价评估问题,实现房价的智能评估。在真实的房价数据集上进行的实验表明,相较于支持向量机（SVM）、随机森林等传统模型,引入集成学习和贝叶斯优化的新模型的评估精度提升了3.15%,并且百分误差在10%以内的评估结果占比84.09%。说明所提模型能够很好地应用于房价评估领域,得到的评估结果更准确。