基于信息准则的基因选取方法及其在肿瘤诊断中的应用

大规模基因表达谱为肿瘤诊断提供了更为可靠和细致的生物数据,但相关基因的选取是对这些数据进行分析的关键。本文从Kullback-Leiber判别信息的角度对于肿瘤相关基因的选取进行了研究。根据肿瘤相关基因和无关基因的表达水平值分布的特性,我们提出了一种基于信息准则的基因选取方法。进一步,我们将这种方法应用到肿瘤诊断上,并根据支持向量机(SVM)对相关基因表达谱数据进行训练建立肿瘤诊断模型。实验结果表明这种方法是有效的,依此所建立的诊断模型可使得在结肠癌数据集和白血病数据集上的诊断(预测)正确率分别高达94.4%和100%石。     

基于全卷积网络的遥感图像自动云检测

气象卫星图像云检测是气象预报领域中的一项重要任务。包含降水预测,气象灾害预测在内的若干气象预报任务都依赖精确的云检测结果。依据气象卫星遥感图像数据,本文提出了一种基于全卷积网络模型的遥感图像云分割算法,实现了高分辨率、大尺度、多通道遥感图像的云分割。我们的算法包含: 1)图像分块;2)块状图像分割;3)分割图像拼接三个主要步骤,实现了像素级精度的云分割。相比传统算法,我们的算法不依赖人工经验,完全由数据驱动,并在极端数据情形下具有更好的鲁棒性。测试数据结果显示,我们的算法能够满足气象预报的需要,且具有商业应用的潜力。      

文本检测算法的发展与挑战

对自然场景中的文字进行识别和理解是大量计算机视觉应用的基础。文本检测算法旨在识别出自然图像中的文字信息,目前已经成为计算机视觉和智能信息处理领域研究的一个热点。本文首先对文本检测算法的目标、技术路线及其所面对的挑战进行了分析与介绍。然后回顾了几种经典的文本检测算法,并介绍了两种代表最新研究趋势的深度学习型文本检测算法。进一步,本文阐述了几个主流的文本检测数据集并总结了一些代表性文本检测算法在这些数据集上的检测结果。最后,本文讨论了文本检测的研究现状、面临的挑战和发展的趋势。      

LD-CELP语音编码算法中矢量量化过程的改进

本文介绍了LD-CELP算法的基本原理,在分析其编码的矢量量化过程的基础上提出了一种旨在提高编码速度的改进方案.模拟实验表明,改进算法的编码速度平均提高了一倍.虽然信噪比有所下降,但下降幅度仅为1.2dB,依然能够保证编码质量.     

RPCL算法、价值函数和类别数

RPCL(Rival Penalized Competitive Learning)算法是一种十分有效的聚类方法,能够自动地确定数据中的类别个数.最近,我们根据其特点建立了一种价值函数,能够在正确类别数处达到最小值,并依此推导出更广泛的一类算法--DSRPCL(Distance Sensitive RPCL)算法.本文对该价值函数做了进一步的理论和实验分析.在一定条件下证明了价值函数在正确类别数初达到全局最小.并在一组模拟数据和图像数据上通过实验验证了价值函数的正确性.     

广义RBF神经网络在煤矿冲击地压预测上的应用

本文将广义径向基函数（RBF）神经网络应用于华丰煤矿实测的煤矿中冲击地压数据的建模和短期预报。在网络设计上,本文采用了贝叶斯阴阳（BYY)和谐学习算法进行网络隐单元个数的确定和参数初始值的选取,而在参数学习上,本文则采用了同步LMS学习算法。实验结果表明,这种基于广义RBF神经网络的预测方法在精度和速度上有了显著的优势,能够满足在工程应用中的实际要求。      

基于希尔伯特黄变换的癫痫自动检测

希尔伯特黄变换是由经验模态分解和希尔伯特变换所组成的,在非线性、非稳态信号处理方面具有独特的优势。本文首先对脑电波信号进行模态分解,然后根据希尔伯特变换求得各本征模态函数的瞬时频率并依此计算出均值、方差及其核心频率区间等特征,并选取若干个本征模态函数的频率特征组成一个长的特征向量,称之为希尔伯特黄频率特征环。根据该特征向量,本文进一步采用支持向量机对癫痫和非癫痫脑电波信号进行学习和分类,并采用格点搜索的方法来选取支持向量机中的最优参数。通过在典型癫痫脑电波数据集上的5重交叉验证得出本文所提出的新方法在分类准确率上已经超越或接近现有的分类方法。      

从高斯过程到高斯过程混合模型:研究与展望

高斯过程（GP）模型是核学习方法与贝叶斯推理相结合的典范,现已成为机器学习领域的一个研究热点。作为对GP模型的拓展,高斯过程混合（MGP）模型具有更强大的学习能力和适应性。然而,目前关于GP和MGP模型的研究较为零散,尚缺少系统的分析与总结。本文首先对于GP模型的基本原理及其研究进展进行了深入地分析和讨论;然后将GP模型拓展至MGP模型,从多方面对MGP模型的研究现状和进展进行了深入地分析和讨论,并指出未来值得探索的研究方向和应用问题。      

基于深度卷积自编码器的岩性分类与识别

在地质勘探与地震信号处理中,岩性分类是一个最基本的问题。然而,由于实际的岩性分类涉及到各种复杂的因素与环节,使得传统的统计和机器学习方法难于得到满意的分类准确率,无法在实际应用中进行有效的岩性识别。为了有效地解决这一问题,本文依据测井曲线数据提出了一种基于深度卷积自编码器的神经网络模型及其相应的参数学习算法,来实现有效的岩性分类与识别,并采用游程平滑算法对分类结果中孤立点进行剔除,进一步改善岩性分类的效果。实验结果表明,即使在少量的测井曲线标注样本条件下,本文所提出的深度学习模型也能够显著地提高了岩性分类的准确率,能够达到实际应用的要求。     

生成对抗网络的发展与挑战

生成对抗网络（Generative adversarial network, GAN）由生成模型和判别模型构成,生成模型获取真实数据的概率分布,判别模型判断输入是真实数据还是生成器生成的数据,二者通过相互对抗训练,最终使生成模型学习到真实数据的分布,使判别模型无法准确判断输入数据的来源。生成对抗网络为视觉分类任务的算法性能的提升开辟了新的思路,自诞生之日起至今已经在各个领域产生了大量变体。本文的主要内容包括：生成对抗网络的研究现状、应用场景和基本模型架构,并列举了生成对抗网络本身所存在的弊端;从网络架构、损失函数和训练方式这三方面对生成对抗网络的各种主要典型发展进行归纳;详细总结和分析了生成对抗网络在人脸图像生成和编辑、风格迁移、图像超分辨率、图像修复,序列数据生成、视频生成等各个应用领域的算法以及对应算法的优缺点;介绍了生成对抗网络的常用评价指标并且分析了这些指标的适用场景和不足之处;最后从多个方面对生成对抗网络所面临的挑战进行了讨论,并指出了对其可能的改进方向。