量子神经网络在心电图分类中的应用

将量子叠加的概念引入前向神经网络,提出了量子神经网络的计算模型。量子神经网络分类器是将量子迁移（量子间隔）概念引入前向神经网络,在隐含层和输出层借鉴量子理论中的量子迁移（量子间隔）思想,神经元采用多个激励函数的叠加,形成对特征空间的多级划分,在训练过程中,量子神经元能够根据需要伸展或坍塌。当输入模糊信息时,该算法可以学习数据集中的不精确性或不确定性,具有较高的分类精度。将该算法应用于心电图诊断中,结果表明具有较好的分类效果和较快的训练速度。     

基于遗传算法优化的BP神经网络大肠癌证型分类

针对医学领域传统BP神经网络应用于诊断辅助构建模型过程存在的疾病输入特征维数繁多而导致网络训练时间长、效率低、诊断模型泛化能力弱等问题,提出了将基于遗传算法降维优化的BP神经网络（GABP）诊断模型用于大肠癌虚实证型的分类研究。利用遗传优化算法从大肠癌的28项体征输入指标中筛选出的10个指标作为GABP诊断模型的输入,并与传统的未经优化的BP诊断模型进行对比,发现优化后的神经网络模型建模所需时间由5.1844秒缩短至0.1976秒,虚证正判率由76.4567%提升至89.1809%,实证正判率由64.8441%提升至70.1170%。仿真结果表明,基于GABP的神经网络泛化能力更好,分类效果更佳,为大肠癌中医证型的临床判别提供了很好的计算机网络模型。     

眼底图像硬渗出物的分割算法:基于区域分类引导的小波Y-Net的EX分割

目的 为消除视盘在硬渗出物(EX)分割过程中带来的影响提出了基于区域分类引导的小波Y-Net网络的EX分割算法。方法 该网络为端到端的眼底图像EX分割网络,通过区域分类引导EX分割联合实现了视盘区域检测和EX分割,有效地降低了视盘对EX分割的干扰。为了避免因下采样操作产生信息损失而导致微小EX区域分割失效的问题,该网络进一步引入了离散小波变换（DWT）和离散小波逆变换（IDWT）取代传统的池化下采样和上采样操作。同时,采用了基于残差连接的Inception模块获取多尺度特征。所提出的算法在IDRiD、e-ophtha EX数据库上进行训练和测试,并进行像素级评估。结果 区域分类引导的小波Y-Net网络在IDRiD、e-ophtha EX数据库上分别获得0.9858、0.9938的准确率以及0.9880、0.9986的受试者工作特征曲线下面积（AUC）。结论 本文提出的方法能够有效地规避视盘的影响,保留图像细节信息,提升EX的分割效果。     

基于文化算法的新型Elman网络的过程建模方法

文化算法从微观（种群空间）和宏观（信念空间）两个层面上模拟文化的双重进化继承过程,为进化搜索机制和知识存储的结合提供一个构架。建立基于输入输出数据生产过程的统计模型时,参数估计是其中的关键,文化算法为此提供了有效途径。本文在Elman神经网络的基础上提出了一种新的改进型Elman网络模型——OAIF-Elman（Output-Add-Input Feedback Elman）网络来建立乙烯装置中裂解深度软测量模型,并结合文化算法来优化其网络权值。实验表明：文化算法比标准遗传算法搜索性能更优,搜索时间更快,同时也得到了满意的裂解深度模型。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

基于离散小波变换的多模态医学图像融合改进算法的研究

目的：提出一种改进的离散小波变换算法,并将其用于多模态医学图像融合。方法将源图像经过离散小波变换分解为高频和低频子图像;高频部分采用方向绝对值取大,能有效地保存图像的细节信息,低频部分使用区域能量比融合规则,保存了图像的绝大部分信息;用离散小波逆变换将融合子图像重构成融合图像。结果由3组医学图像融合效果比较可知,该算法在主观视觉效果和客观评价指标方面均优于现存的其他算法。结论该医学图像融合算法快速准确,在噪声环境和临床实例中均表现优越,可以获得较高质量的融合图像,具有较高的临床应用价值。     

基于深度学习的白内障识别与分级

目的 利用深度学习方法自动提取眼底白内障特征,构建白内障自动分类器,并可视化分析深度网络中间层特征的逐层变换过程。方法 基于临床眼底图像,使用深度卷积神经网络（CNN）从输入数据的原始表示直接学习有用的特征,对比分析CNN自动提取的特征与预定义特征的性能表现。然后利用反卷积神经网络（DN）量化分析CNN各个中间层的特征,进一步研究输入图像中对CNN的预测贡献最大的像素集,探究CNN表征白内障的具体过程。结果 使用深度学习方法构建的分类器在四分类任务中达到0.818 6的平均准确率。与现有的预定义特征集相比,利用深度CNN自动提取的特征集能提供更好的白内障特征表示。CNN中间层特征呈现从低级抽象到高级抽象的分层变换,如梯度变化到边缘,然后到边缘状发散结构的组合,最后到血管和视神经盘信息的高级抽象,这种变换过程与临床检测白内障的诊断标准相吻合。结论 基于深度学习的分类器在性能表现上优于现有分类器。该方法对检测其他眼病也可能具有潜在的应用前景。     

一种改进的SOM神经网络在污水处理故障诊断中的应用

自组织映射（SOM）神经网络初始权值的选取对神经网络的性能有重要的影响。采用改进的帝国竞争算法（ⅡCA）优化局部权重失真指数（LWDI）寻优SOM神经网络的初始权值;利用改进后的SOM神经网络（ⅡCA-SOM）对污水处理过程数据进行聚类和故障诊断。实验结果表明,与传统的SOM算法相比,ⅡCA-SOM算法取得了更好的聚类效果,且故障诊断的误诊率更低。     

基于PCA和KPCA特征抽取的SVM网络入侵检测方法

提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。     

基于JPEG及扩展DCT块变换的新型大容量隐写算法

目前,基于离散余弦变换的JPEG图像载体隐写已经可以达到较高的隐蔽性及鲁棒性,但隐写容量与传统的空域隐写相比仍有较大差距。在已有算法的基础上,提出了一种基于扩展DCT块变换的改进算法,一定程度上提升了隐藏容量,并使其在隐蔽性和展示性方面优于既有算法。该算法在最终量化前加入了扩展分块变换隐藏,避开了直接将密信隐藏于JPEG的量化后DCT系数中。在维持结果图片符合标准的同时,增强了隐写的隐蔽性和复杂性,实现了对原有算法的综合与改进。仿真实验结果显示出了该算法在隐写容量及隐秘性上相对于原有算法的提升。