首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到16条相似文献,搜索用时 171 毫秒
1.
具有多模态特性的工业过程的数据分布呈现出与单模态过程不同的特性。在构造监控指标时,不仅要能够概括每个模态内部的数据统计特征,还要充分考虑到不同模态之间的信息。传统的T2和SPE统计量在多模态过程中可能无法实现这一目标。提出了一种融合多模态统计信息的全局监控统计量,在贝叶斯推论的框架下,通过对每个模态的局部马氏距离赋予相应权重来实现对多模态数据的描述。通过多模态的连续反应搅拌釜(CSTH)仿真实验,验证了全局监控指标的有效性和灵敏性。  相似文献   

2.
针对多模态过程数据密度不规则性提出的一类基于密度的方法,大多是以欧式距离为基础来比较彼此间的相似性,从而检测过程是否发生故障。然而多模态数据密度在较小范围内变化较大,采用欧式距离很难获得全面的数据信息。本文提出了一种新的基于加权距离选择邻居的策略,该策略首先对距离进行合理的加权,再根据新的加权距离重新选择样本点的邻居,能有效地避免数据信息不全面的问题。在仿真实验中,首先通过比较基于传统的欧式距离和基于本文加权距离选取的邻居,说明本文策略的优越性;进而将该策略与局部离群因子(Local Outlier Factor, LOF)结合用于TE过程,对TE过程的仿真结果表明该策略在应用于基于密度的检测方法上获得了的良好效果。  相似文献   

3.
目的为了评估前列腺癌放疗中直肠并发症的预后,提出一种新型的基于多模态特征及多分类器融合的预测模型。方法 本研究回顾性收集了44例接受外照射放疗的前列腺癌患者的临床数据,从中提取临床参数特征和剂量学特征两种不同模态特 征,并利用筛选后的特征子集分别对五种基分类器(向量机、决策树、K近邻、随机森林和XGBoost)进行训练得到不同模态下的 多个基分类器,然后采用一种新型的基于多准则决策的权重分配算法依次对同一模态下多个基分类器以及不同模态信息的模 型进行融合,最终实现基于多模态特征及多分类器融合的预测模型。本研究采用五折交叉验证方法和ROC曲线下所围面积 (AUC)、准确率、灵敏度和特异性四种评价指标来定量评价所提出的预测模型。此外,本研究还将所提出模型与不同特征选择 方法、不同的权重分配算法、基于单模态单分类器的模型,以及两种使用其他融合方法的集成模型进行定量比较。结果五折交 叉验证结果显示本研究所提出的模型的平均准确率、AUC、特异性、灵敏度分别为:0.78、0.83、0.79、0.76。结论与基于单模态单 分类器的模型以及其他融合模型相比,本文所提出的基于多模态特征及多分类器融合的模型能更准确地预测前列腺癌放疗中 的直肠并发症。  相似文献   

4.
在实际生产过程中,过程数据的多模态特性会对数据建模产生一定的影响,进行模态划分有利于获取精确的模型。目前常用的模态划分方法,如k-means、c-means等聚类方法,在有过渡过程的模态划分应用中,有时不能得到理想的结果。本文提出了一种通用的模态划分方法,以谱聚类算法中相似矩阵的特征向量分析为基础,基于相似矩阵的特征向量与其所包含的聚类信息的关系,使用高斯曼哈顿距离构造模态标签,并用小窗口思想实现动态多模态过程的模态划分。通过对稳态与带过渡过程的多模态数据的实验验证了该算法的有效性。  相似文献   

5.
提出了一种新的基于非负矩阵分解(NMF)的过程监控方法。考虑到数据的某些局部特征能够包含许多重要信息,有助于对异常情况进行检测,将NMF引入工业过程监控领域,并详述了基于NMF的过程监控方法。基于TE过程的仿真实验验证了该方法的有效性。  相似文献   

6.
目的:研究如何整合并优化影像、神经认知评价和生物标志测量等多来源多模态数据以提高阿尔兹海默症(Alzheimer disease,AD)发展阶段和转化的分类预测准确率。方法:基于阿尔兹海默症影像计划(Alzheimer’s disease neuroimaging initiative,ADNI)2004—2018年4个阶段的样本数据,包括从核磁共振成像(magnetic resonance imaging,MRI)影像数据提取的脑图像特征数据、神经认知量表(简易精神状态测量量表和ADAS?Cog13量表)数据、生物标志测量数据(Abeta、Tau和p?Tau蛋白及ApoE4基因型)。基于783个样本的基线数据建立二分类和多分类Logistic回归模型用于疾病发展阶段的两两和同时分类预测。基于具有轻度认知障碍(mild cognitive impairment,MCI)状态的352个样本的纵向数据建立二分类Logistic回归模型并用于转化状态的分类预测。将脑图像特征变量、量表数据和生物标志加入到基准模型中,通过交叉验证方法随机划分数据集,并计算准确率、查准率、召回率、F1得分和ROC曲线下面积(area under curve,AUC)等指标进行综合比较,得到最优多模态组合的分类预测模型。结果:对于AD发展阶段的分类,结合脑图像特征数据、量表数据和生物标志数据建立二分类Logistic模型表现最佳,区分AD组和正常组、MCI组和正常组以及AD组和MCI组的准确率分别达到了100.00%、77.18%和89.58%;AUC值分别为100.00%、85.52%和96.39%,比仅用脑图像数据进行进展阶段的分类预测有显著提高。对于MCI是否转化的分类预测,脑图像特征数据结合量表数据和生物标志能最大限度地提高准确率,从86.69%提高到90%以上;相应的AUC值从89.21%提高到94.06%。结论:结合多来源数据能提高AD疾病进展阶段和转化的分类预测准确率,为临床诊断AD所处的发展阶段和转化提供理论上的支持。  相似文献   

7.
目的探究结合MRI多模态信息和3D-CNNs特征提取对于脑肿瘤分割的价值。方法分析相比于未加入多模态3D-CNNs特征的方法,并对比2D-CNNs特征方法和3D-CNNs特征方法分割的结果,主要参考dice系数,假阳性率和sensitibity。结果在加入多模态3D-CNNs特征之后,患者的dice系数均有不同程度的提高,sensitibity系数也有改变,假阳性率显著得到改善;加上多模态3D-CNNs特征提取后,dice系数变为(88.26±4.65)%,显著优于多模态2D-CNNs特征提取的(83.67±4.22)%。而多模态2D-CNNs特征提取的运用甚至比单独使用灰度邻域结合haar小波低频系数的分割结果。结论基于多模态3D-CNNs特征提取的MRI脑肿瘤分割准确度高,适应不同患者不同模态之间的多变性和差异性,值得参考。  相似文献   

8.
针对间歇过程的多阶段问题,提出了一种新的划分阶段策略,可以将多阶段的数据进行准确的聚类,得到精确的阶段数目,避免陷入局部最优,提高了建模精度和故障检测准确度。首先采用不同展开方法相结合的方式对三维的间歇过程数据进行处理,消除了数据预估问题;其次结合图划分准则利用谱聚类方法将处理后的数据进行准确的阶段划分,并运用PCA建模方法分别对每一类进行建模;最后通过合适的模型对数据进行在线监控。通过青霉素仿真过程验证了本文方法的有效性。  相似文献   

9.
目的 探讨基于多模态脑影像数据的超分辨率合成模型将低分辨率的厚层数据重建成为高分辨率的薄层数据。方法 使用真实成对的多模态低-高分辨率MRI数据(2D-T1,2D-T2 FLAIR和3D-T1)设计结构约束的图像超分辨率重建网络,从不同模态的低分辨率MRI提取重要特征重建更高分辨率的T1图像。将T1作为主要模态使用图像全部信息,T2 FLAIR作为补充模态选取皮层下核团为关键区域进行信息增强。通过比较超分辨率重建图像与真实的高分辨率图像之间的灰度和结构相似性来确定网络的学习方向,同时通过脑分割工具获取重建图像和金标准图像的大脑解剖学结构信息,并将其作为重要约束条件来让重建模型自适应的学习大脑的组织结构特征,从而有效提升模型的重建性能。结果 在整体图像质量评价方面,该模型在149例测试集上的重建图像的平均PSNR值为33.11,SSIM为0.996,质量优于本文的其余对比方法生成的结果。在大脑解剖结构方面,我们的方法可以重建出较为清晰的脑沟、脑回以及皮层下核团,可视化结果显示了根据医学图像特性加入解剖学结构信息的有效性。分别使用单模态T1和多模态T1、T2 FLAIR进行图像重建的结果说明了有效选择第二模态关键区域的可行性。同时,在高分辨率图像作为金标准的情况下,使用本文提出的方法重建得到的超分辨率图像与使用低分辨率图像相比,在大脑灰质、白质和脑脊液上的体积测量平均精度有了较大的提升,灰质体积平均误差从3%降到1%,白质从18%降为了2%,脑脊液从35%降为了8%。结论 基于多模态的MRI脑影像超分辨率模型加入了同一组织的不同模态信息与解剖学信息,相比现有的方法,可以重建出更为接近真实高分辨率的图像,有望将其应用于临床诊疗流程中。  相似文献   

10.
目的 探讨多模态导航技术在神经肿瘤手术教学中的作用,以期改善专科医师规范化培训的培养方法。方法 通过专家调查法制定调查问卷,获得20名住院医师的详细资料,随机分为传统教学组(10人)和多模态导航组(10人),利用柯式模型,从反应层、学习层、行为层和结果层四方面进行比较和评价,采用SPSS 17.0进行统计分析,定量资料采用(均数±标准差)进行描述,定性资料采取率或百分比描述,同时采用两独立样本t检验进行两组的相互对比。结果 反应层结果表明,多模态导航组学员在培训内容、培训方法、培训设施和培训后感受四方面的评分都明显比传统教学组高(P<0.05);学习层结果表明,多模态导航组的住院医师的理论考试成绩、手术技能操作成绩以及总成绩更高(P<0.05);行为层结果表明,多模态导航组医师实践能力更加突出(P<0.05),集中表现在解剖结构的理解,术前手术方案的设计和术中的手术能力三方面;成果层结果表明,在带教教师的指导下,多模态导航组能够完成全部手术过程的人数比例更高(50% vs. 20%)。结论 多模态导航技术的应用对于神经外科专业医师规范化培训具有积极的意义,尤其在神经肿瘤的解剖结构教学、手术教学改革方面发挥着重要作用。  相似文献   

11.
为解决实际工业过程中的非线性和非高斯问题,实现有效的过程监控,提出了一种基于局部切空间排列算法的过程监控方法。首先运用局部切空间排列算法对标准化后的正常样本数据提取出低维子流形以实现维数约减。之后利用Greedy方法提取特征样本以支持向量数据描述方法建立监控模型,最后采用相应统计量进行过程监控。以田纳西伊斯曼(TE)模型为仿真平台,仿真结果说明了该方法的有效性。  相似文献   

12.
提出了一种基于离散Tchebichef正交多项式和傅里叶梅林矩的局部多特征图像检索算法。通过对图像进行正交变换和多分辨率重排序,在变换域中提取出纹理、颜色和形状特征,生成具有较强区分能力的图像特征。由于傅里叶梅林矩具有旋转不变性,因此在处理发生旋转变换和平移变换的图像时,检索效果较好。最后,对提出的算法用多个数据集进行了检索实验,并对实验结果进行了比较和分析。  相似文献   

13.
利用区间二型模糊C 均值聚类的方法,将过程数据进行聚类,并且聚类过程采用自适应的方法选择聚类数,由此区别不同的工况;利用局部切空间排列算法(LTSA)分别对聚类之后的每一类数据进行降维处理,然后利用每一类降维后的数据,使用支持向量数据描述(SVDD)的方法构建多个模型,并建立相应的统计量与统计限,完成离线建模过程。在线监控过程中首先判断过程数据属于哪一种工况,然后利用相应的模型来计算统计量并判断是否故障,利用乙烯裂解炉的过程数据进行了仿真研究,验证了方法的可行性。  相似文献   

14.
模糊C均值(FCM)聚类是一种常用的聚类方法,在工业应用时,常因数据的强噪声和非线性导致聚类效果不够理想。提出了一种密度加权、核理论和可能性模糊C均值聚类(PFCM)相结合的聚类方法。该方法采用核函数,将数据映射到线性空间进行聚类分析,消除非线性影响;通过引入点密度概念,加快算法迭代,增强可分性,提高聚类准确率。将该聚类算法用于污水处理过程的故障检测,结果表明该方法不仅能解决非线性问题,而且能有效加快收敛速度。  相似文献   

15.
步态分类在人体运动能量消耗评估等应用中具有重要意义,提高分类精度和降低对统计特征的依赖是步态分类的研究热点。采用传统的步态分类方法提取的步态特征用于细分化步态时不能得到较好的效果。考虑到步态的连续性和不同轴之间信号的相关性,本文提出了基于CLSTM的步态分类方法:采用卷积神经网络(CNN)操作,通过计算多轴步态数据提取步态特征;基于长短期记忆(LSTM)构建步态时间序列模型,学习步态特征图时间维度上的长期依赖性。基于USC-HAD数据集的实验结果表明,用此方法提取了步态序列特征,很好地利用了步态时间序列特点,提升了11种步态的分类精度。  相似文献   

16.
[目的]解析中医药临床研究中两组疗效对比数据的不同处理方法。[方法]以四联疗法治疗肾虚血瘀型膝关节骨性关节病(KOA)的数据分析为例,将采集到的两组62例肾虚血瘀型KOA患者5个时间点数据,分别进行了基线分析、纵向计量指标的疗效分析及等级分类指标的疗效分析,比较采取不同处理方法可能产生的不同效果。[结果]采取不同的统计方法,统计结果不尽相同。[结论]根据研究设计及数据结构与特征,并结合中医临床研究的专业性需求,选择适宜的统计分析策略,以期为中医临床研究提供最佳技术支持,也是中医临床研究和统计学共同发展的需要。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号