基于CRBM算法的时间序列预测模型研究

针对受限玻尔兹曼机（restricted Boltzmann machines,RBM）算法对时序数据预测存在抽取抽象特征向量能力较差和梯度下降能力有限的问题,基于CRBM（conditional restricted Boltzmann machines）算法以及信念网络（deep belief network,DBN）模型,构建了一种非线性的CRBM-DBN深度学习模型,并采用高斯分布处理输入特征值和对比散度抽样,用于预测时序数据.实验以浙江省近岸海域赤潮时序数据作为输入特征值,讨论该模型的深度及参数选取,并与经典的深度学习模型RBM、DAE和浅层学习中的BP神经网络进行对比,实验验证CRBM对于赤潮时序数据的预测拟合度要明显优于其他3种模型,该模型可有效用于赤潮类时序数据的趋势性预测.     

BP神经网络性能与隐藏层结构的相关性探究

利用BP神经网络对多个给定的复杂非线性系统控制进行定量研究,着重讨论了BP神经网络因隐藏层层数和网络学习率之间差异从而引起对复杂非线性系统控制性能上的影响.通过实验数据的对比分析发现,BP神经网络隐藏层层数的递增与系统控制性能的提升并不成正相关性,网络学习率的选取范围可控制在0~2.0之间,具体参数因控制对象而异,可采用分段调试和二分法运算以确定最佳网络学习率参数.     

基于粗糙集和BP神经网络算法的网络故障诊断模型研究

针对计算机网络故障诊断知识库冗余性高、神经网络与PCA、DS证据等理论相结合诊断精度不高的难题, 提出了一种新的基于粗糙集和BP神经网络的计算机网络故障诊断模型. 首先利用粗糙集算法对网络故障特征进行约简处理、提取最小诊断规则; 其次利用最小规则训练BP神经网络, 建立基于粗糙集和BP神经网络的计算机网络故障诊断模型; 最后将模型运用于真实网络故障数据诊断. 结果表明: 该模型具有学习效率高、诊断速度快、准确率高的特点, 能够快速诊断网络故障类型.     

应用于平扫CT图像肺结节检测的深度学习方法综述

肺癌是一种致死率很高的癌症.通过肺部平扫CT影像检测肺结节对肺癌早期诊断、治疗意义重大.全面介绍了一种革命性的图像识别技术——深度学习方法,在肺结节检测中的应用.首先,横向对比了不同卷积神经网络的结构及其在图像识别上的效果,其次着重分析了不同深度学习方法在训练肺结节分类器上的应用,包括faster-RCNN、迁移学习、残差学习以及迁移学习.还介绍了一些可用的肺部CT影像数据集供读者参考.     

基于快速神经网络架构搜索的鲁棒图像水印网络算法

为解决深度学习在图像水印算法中计算量大且模型冗余的问题，提高图像水印算法在抵抗噪声、旋转和剪裁等攻击时的鲁棒性，提出基于快速神经网络架构搜索（neural architecture search，NAS）的鲁棒图像水印网络算法。通过多项式分布学习快速神经网络架构搜索算法，在预设的搜索空间中搜索最优网络结构，进行图像水印的高效嵌入与鲁棒提取。首先，将子网络中线性连接的全卷积层设置为独立的神经单元结构，并参数化表示结构单元内节点的连接，预先设定结构单元内每个神经元操作的搜索空间；其次，在完成一个批次的数据集训练后，依据神经元操作中的被采样次数和平均损失函数值动态更新概率；最后，重新训练搜索完成的网络。水印网络模型的参数量较原始网络模型缩减了92%以上，大大缩短了模型训练时间。由于搜索得到的网络结构更为紧凑，本文算法具有较高的时间性能和较好的实验效果，在隐藏图像时，对空域信息的依赖比原始网络更少。对改进前后的2个网络进行了大量鲁棒性实验，对比发现，本文算法在CIFAR-10数据集上对抵抗椒盐噪声和旋转、移除像素行（列）等攻击优势显著；在ImageNet数据集上对抵抗椒盐高斯噪声、旋转、中值滤波、高斯滤波、JPEG压缩、裁剪等攻击优势显著，特别是对随机移除行（列）和椒盐噪声有较强的鲁棒性。     

超声和磁共振成像在胎盘植入产前诊断应用的系统评价（英文）

为评价超声(Ultrasound,US)和磁共振成像(Magnetic Resonance Imaging,MRI)在胎盘植入(Placenta Accreta, PA)产前诊断上的应用价值,就近年来US和MRI在PA产前诊断的研究进展进行了综述,并展望了该领域未来的研究方向.首先,总结分析了PA在US成像和MRI中的表现,且对两者的诊断性能进行了比较,得出两者在诊断的准确性上无显著差异, US成像仍是主要的筛查工具, MRI作为辅助手段在识别PA的形貌和深度以及描述胎盘后壁方面具有较大优势;然后,提出了目前PA产前诊断所面临的挑战,对新研究方向及发展趋势进行了展望,分析了机器学习结合影像组学在PA产前诊断上的应用,可使诊断结果更加准确,同时可为临床医生进行多学科管理和早期制定方案提供更有价值的参考.     

基于集成学习的PET/CT混合成像肺癌检测

提出了一种基于多模态多尺度的Mask R-CNN集成学习模型对PET/CT混合成像进行人工智能肺癌检测。首先，通过5个深度学习模型对肺癌候选区进行提取。5个深度学习模型通过对不同尺度及不同模态训练数据进行Mask R-CNN迁移学习生成。然后利用集成学习方法将5个Mask R-CNN模型进行加权投票，有效减少假阳性数量，最终实现肺癌确诊。实验数据包括69例肺癌患者及11例正常例，训练数据集包括1242个肺癌横断面；验证数据包括270个横断面，其中58个PET肺癌横断面和58个CT肺癌横断面，77个PET正常横断面和77个CT正常横断面。该方法的F-score、Precision和Recall为0.95、0.90和1,与单模型和现有方法相比，本文方法对于PET/CT混合成像的肺癌检测具有更强的有效性，可以为医生提供有意义的辅助诊断信息.     

超声和磁共振成像在胎盘植入产前诊断应用的系统评价

为评价超声(Ultrasound, US)和磁共振成像(Magnetic Resonance Imaging, MRI)在胎盘植入(Placenta Accreta, PA)产前诊断上的应用价值, 就近年来US和MRI在PA产前诊断的研究进展进行了综述, 并展望了该领域未来的研究方向. 首先, 总结分析了PA在US成像和MRI中的表现, 且对两者的诊断性能进行了比较, 得出两者在诊断的准确性上无显著差异, US成像仍是主要的筛查工具, MRI作为辅助手段在识别PA的形貌和深度以及描述胎盘后壁方面具有较大优势; 然后, 提出了目前PA产前诊断所面临的挑战, 对新研究方向及发展趋势进行了展望, 分析了机器学习结合影像组学在PA产前诊断上的应用, 认为该应用具有重大意义, 可使诊断结果更加准确, 同时可为临床医生进行多学科管理和早期制定方案提供更有价值的参考.     

模糊神经网络的一种快速学习算法

本文对文献[1]《一种改进的模糊参数神经网络学习算法》中提出的F-BP算法进行分析研究，提出了一种效率更好的快速F—BP学习算法．在此算法中对模糊数的计算方法进行改进，减少了模糊神经网络训练及推理中的运算量，从而提高学习效率．     

面向MOOC平台的课程推荐研究综述

随着互联网技术和在线教育的飞速发展, 目前我国已出现大量线上教育平台, 但这些在线教育平台相互间信息不能共享, 导致课程信息冗余过载, 用户选择困难. 本文综述了近年来课程推荐方面的研究进展, 首先介绍了课程推荐中的相关概念并给出了系统框架; 然后围绕课程建模、用户建模、核心算法3个方面进行探讨, 重点综述了5类算法: 内容推荐、协同过滤、混合推荐、深度学习推荐和多模态融合推荐, 并分析了数据集、实验方法和评价指标; 最后对个性化课程推荐技术进行了总结和展望.     

基于深度学习的岩石薄片矿物自动识别方法

岩石薄片矿物识别是岩石学研究工作的基础,亦是进一步认识岩石种类、成因机理、物质运移和演化历史的基础。传统的矿物识别主要依靠光学显微镜进行人工鉴定,经济成本和时间成本较高、效率较低,且受制于专家个人经验与主观判断。随着深度学习技术的发展,计算机能从图像中自动提取更准确的语义信息,从而为岩石薄片图像的智能分析提供有效途径。提出了一种基于深度学习的岩石薄片矿物自动识别方法,利用深度卷积神经网络自动提取岩石薄片图像中不同矿物的有效特征,并对其进行语义分割与识别,综合利用单偏光与正交偏光2种光性图像实现了对矿物的自动识别。对南京大学岩石教学薄片显微图像数据集进行了矿物识别测试,结果表明,总体精度为86.7%,Kappa系数为0.818,识别结果较传统图像分类方法更准确。     

融合遥感与社会感知数据的城市土地利用分类方法

传统的土地利用分类方法大多基于对资料或影像的人工解译，存在一定的局限性。近年来，结合空间大数据和自然语言处理技术进行低成本快速的土地资源管理已成为研究热点。以美国纽约市曼哈顿区为例，提出了融合遥感影像和社会感知数据的城市土地利用分类方法。从遥感影像中提取光谱特征、从推特数据中提取用户活动时空和主题特征，基于随机森林法和深度神经网络法，构建了细粒度的城市土地利用分类模型。通过对比不同特征组合分类方法的精度，得到结合光谱特征和用户活动时空、主题特征的深度神经网络方法的结果最优，总体精度达82.65%,Kappa系数为70.1%。结果表明，社会感知数据中隐含的用户活动时空模式和活动主题信息均有助于提高城市土地利用分类的精度，而神经网络法可有效融合多源数据，为快速、低成本获取城市土地利用信息提供了新的途径。     

图嵌入算法研究进展

图嵌入算法是将高维网络信息映射至低维后用实数向量表示的一种方法,用于解决推荐系统、社区发现及节点分类等。近年来,随着科技的进步,图数据呈现海量、异构、高维、多模态等特点,机器学习等人工智能算法对高性能的图嵌入算法的需求日益增加,图嵌入已成为国内外人工智能领域的研究热点之一。对图嵌入算法的研究进展、技术原理及基础理论进行了综述,系统概述了已有的主流图嵌入算法,包括基于降维方法的图嵌入、基于矩阵分解的图嵌入、基于网络拓扑结构的图嵌入、基于神经网络的图嵌入、基于生成式对抗网络的图嵌入和基于超图网络的图嵌入,对这些算法进行了分析与比较,并给出了相应的应用场景;归纳总结了常用的测试数据集及其评价标准;最后,展望了图嵌入算法的研究趋势和方向。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

基于支持向量机泛化误差界的多核学习方法

基于支持向量机（SVM）泛化误差界,提出了一种精确且有效的多核学习方法.首先,应用SVM泛化误差界推导多核学习优化形式,并给出求解其目标函数微分的计算公式.然后,设计高效的迭代算法来求解该优化问题.最后,分析了算法的时间复杂度,并基于Rademacher复杂度给出了算法的泛化误差界,该泛化界在基核个数很大时依然有效.在标准数据集上的实验表明,相对于一致组合方法以及当前流行的单核和多核学习方法,所提出的方法具有较高的准确率.     

游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利，已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论，以文本大数据为数据源，在全面梳理国内外情感计算相关成果的基础上，利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘，探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型，其核心是构建情感词典和设计情感计算规则，方法简单，容易实现，适用语料范围广。（2）机器学习，用统计学方法抽取文本中的特征项，具有非线性特征，可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算，效果良好，准确率在85%以上。训练多领域的文本语料易于移植，实用性强，且泛化能力好，较适合大数据时代游客情感计算研究。