右C-qrpp半群的性质与结构

文献[10]定义并初步探讨了右C-qrpp半群,指出了这类半群与右C-rpp半群类似并与左C-wrpp半群对偶。本文是对右C-qrpp半群的进一步探讨,获得了它的一些新特征。特别地,我们证得了：一个半群是右C-qrpp的当且仅当该半群同构于一个C-wrpp半群与一个右正则带的对偶半织积。     

基于Gauss分布和Gram-Schmidt正交化的朴素贝叶斯分类算法

朴素贝叶斯分类算法是一种简单实用的分类方法，人们对它的属性间条件独立性假设做了许多研究，致力于消除冗余属性、减少属性间的关联性，以获得一些新属性来使用朴素贝叶斯算法，但新属性间的独立性却不易度量，因而改进之处的理论支撑有所不足，改进后的朴素贝叶斯算法的效果更多的是由数据实验进行佐证。本文定义了Gauss分布型数据，提出了经Gram-Schmidt正交化方法改进的朴素贝叶斯算法，使其可以方便地使用于Gauss分布型数据的分类。该改进方法不同以往显式的构造新属性集或属性变换矩阵，而是直接正交化属性的样本数据，并证明了正交后的属性数据所对应的抽象新属性的独立性。这说明对于Gauss分布型数据的分类，原朴素贝叶斯算法中的条件独立性的假设不会给算法的使用造成障碍，经Gram-Schmidt正交化后即可满足这个约束条件。     

基于改进Mask R-CNN的多标签甲状腺结节检测模型

基于符合中国国情的C-TIRADS甲状腺结节恶性风险分层指南来构建计算机辅助诊断模型具有重要的应用价值，能够提升甲状腺结节和分化型甲状腺癌诊断的规范化、标准化、同质化，提高医生诊断效率和降低劳动强度。本文提出基于深度学习的多标签目标检测模型用以检测识别甲状腺结节、预测甲状腺结节恶性等级以及结节的病理特征，经过在数据集上进行实验对比选取Mask R-CNN作为基准模型，并在基准模型基础上进行优化改进，主要改进包括使用ResNet152-FPN替换原有特征提取网络来提升模型特征能力，设计全新的卷积多标签检测头结构来对结节病理特征进行多标签预测，基于医学先验知识对模型锚框尺寸及比例进行自定义来提升模型的定位精度，最后为模型设计迁移学习训练方案来进一步提升模型性能。实验结果表明，改进模型对甲状腺结节的识别准确率达到了94.4%,对甲状腺结节病理特征的平均识别准确率达到了88.6%。