利用DCE-MRI结合改进卷积神经网络的MR图像自动分割与分类方法

为鉴别乳腺良、恶性肿瘤,利用动态增强磁共振成像(DCE-MRI)技术,结合混合集成的改进卷积神经网络(ME-ICNN),设计了一种计算机辅助诊断(CAD)方法。首先,在预处理阶段对输入的肿瘤图像进行背景缩减、对比度增强和乳房区域裁剪,采用全局Otsu阈值分割和形态学顶帽变换去除非损伤结构;然后,在定位阶段使用Chan-Vese活动轮廓模型自动选取最佳ROI,采用基于紧致度的滤波方法减少假阳性;最后,在诊断阶段提出一种新的卷积神经网络混合集成模型ME-ICNN,用于乳腺良恶性肿瘤的分类。通过112例DCE-MRI数据库上的实验结果表明:相比其他几种较新的卷积神经网络分类方法,所提出的ME-ICNN方法具有训练和测试执行时间快、自由参数少、分类精度高等优点,可作为放射科专家分析乳腺DCE-MRI图像的有效工具。     

基于改进的卷积神经网络的图像分类性能

将改进的卷积神经网络应用到图片目标识别中。为了提高分类预测准确度,对传统卷积神经网络结构进行了改进,其具体结构为:卷积层C1—池化层S1—卷积层C2—池化层S2—卷积层C3—池化层S3—全连接层FC—输出,主要增加了卷积层和池化层层数,且在卷积滤波器规格选择上统一选择了5×5。最后用这一网络结构模型和其他模型(Re Net、APAC、PACNet)对CIFAR-10数据库进行试验对比,通过最终的预测准确度可以看出:改进后的卷积神经网络的精度达90.37%,高于其他3种模型。     

基于神经网络的超声医学图像自动分割

图像分割是多维超声医学图像重建中最重要和最困难的问题。文中将传统的最近邻分类方法与自组织神经网络相结合，提出了一种超声医学图像的自动分割方法。实验表明，与传统的Ｋ平均方法相比，该方法除具有自动分割优点外，还具有稳定性好，自适应强，分割准确等优点。     

Chan-Vese图像分割模型的快速实现算法的研究

重初始化是水平集方法耗时的一个主要原因,通过将水平集函数与符号距离函数的偏差作为能量项引入C-V模型,以此来约束水平集函数成为符号距离函数,从而去掉了重初始化步骤。在检测多目标时,采用了曲线族代替单曲线作为初始曲线。在数值算法上,利用加性可操作分裂算子(AOS)消除了对时间步长的限制,可以选择大步长,从而加速了演化过程而且绝对稳定。实验结果表明,分割速度相对于经典的C-V模型有了很大的提高,而精度损失可以忽略。     

图像多相分割松弛凸化模型分裂方法

研究了一类向量值极小化问题的凸松弛方法,给出了适用于split Bregman快速算法的一般性等价模型。Vese-Chan多相分割方法和基于分片常数水平集函数的Mumford-Shah方法是新模型的特例。数值实验表明,在Vese-Chan方法和Mumford-Shah方法中应用split-Bregman算法,具有较快的运算速度和较好的分割效果,且对初始条件是鲁棒的。     

细胞图像分割的新方法

细胞图像分割是细胞图像识别过程中最困难也是最重要的步骤之一。本文针对临床使用的宫颈巴氏染色涂片细胞图像的特点,提出了二种新方法:自适应窗和去粘连法。在自适应窗内只有单个细胞存在,然后在窗内采用最大方差阀值法对该细胞进行分割;去粘连法避免了通常使用的腐蚀、膨胀次数难以确定的缺点,使粘连的细胞互相分离。经过病理学家对1100个细胞的测试,证明这二个方法对提高分割效果很有效。     

轮轨集总参数简化模型稳定性与分岔研究

基于轮轨集总参数简化模型,采用Hertz非线性接触理论模拟轮轨接触力,导出轮轨耦合非线性动力学模型的状态方程。利用自适应变步长Runge-Kutta法求解状态方程,可得到轮轨系统各部件位移、速度、加速度等随车辆运行速度的变化规律及车辆失稳的临界速度。数值结果表明,该方法不仅可以得出系统的失稳临界速度,而且可以观察到各部件的振动情况和失稳形态。     

应用卷积神经网络的测距算法研究

针对传统的接收信号强度指示(RSSI)测距算法过于依赖经验或测距环境从而导致测距精度不高的问题,提出了一种基于卷积神经网络的测距算法。为了减小复杂测距环境下,由多径效应、非视距传输等因素造成的RSSI信号波动,通过多次测量RSSI信号来构建RSSI样本数据。将RSSI样本数据集作为输入训练卷积神经网络,并通过该网络对实时捕获的RSSI信号进行特征提取,从而估计节点之间的距离。实验结果表明:与传统RSSI测距算法相比,该算法显著提高了测距精度。     

ACM选择系统结合改进Chan-Vese模型的自适应图像分割方法

针对传统脑肿瘤人工分割方法稳定性与精确度不够高的问题,提出了一种ACM选择系统结合改进Chan-Vese模型的自适应图像分割方法。提出的框架适用于3种不同的局部区域主动轮廓模型(LRACM):LGDF、改进C-V以及LBF,根据要处理特定图像集,提出的方法可以自适应地选择其中最佳的一种模型来表示图像。首先,在学习阶段,其中一部分数据用于在最佳LRACM的选择任务中训练系统,并为此计算了平均值、调和平均值等10个图像特征;然后,在评估阶段,其余数据被测试以评估所提出的系统正确选择期望的主动轮廓模型的能力;最后,使用支持向量机分类器对3种模型所分割后的图像进行分类,将性能最好的模型作为所选模型,进一步进行准确分割。使用脑图像数据库Brain Perfusion Database的MRI数据和艾伦脑图像数据集进行实验。实验结果显示:相比仅单独使用其中1种模型的LRACM方法,提出的自适应选择方法实现了最佳分割效果。     

基于卷积神经网络的衣物属性分类方法

针对衣物属性分类的多样性和复杂性,传统算法和并行卷积神经网络难以准确快速地对衣物属性分类,提出了基于卷积神经网络的衣物属性分类方法,从衣物图像不同角度和不同位置特征出发,利用加入了DenseNet网络的模型自动完成特征学习,得到全面的衣物属性分类信息,然后利用cen误差函数优化softmax分类器,提高类间分散性和类内紧密性。结果表明:与并行卷积神经网络和传统算法相比,该网络结构收敛速度更快,在衣物多种属性上分类准确率更高。     

多通道特征融合卷积神经网络的齿轮箱故障诊断

针对一维数据的卷积神经网络故障诊断方法无法十分准确地识别齿轮箱故障类型的问题,提出一种二维振动信号的多通道特征融合卷积神经网络(MC-FFCNN)算法。采用格拉米角场将传感器获取的一维振动信号转换为二维矩阵,将矩阵中的数值作为像素值转换为灰度图从多个通道输入卷积神经网络,经过多个卷积层、池化层及增加的融合层,导出各通道的融合数据到全连接层。在试验中,通过对多个故障数据进行训练与测试,实现齿轮箱单一故障的诊断。将诊断结果与单通道的卷积神经网络诊断结果进行比较分析,结果显示：所提方法的故障诊断准确率更高。     

基于空间分割的神经网络方向估计

在空间分割的基础上，提出了采用四个独立的二次规划神经网络ｎｅｕｒａｌｎｅｔｗｏｒｋｓ（ＮＮ）实现方向估计的方法。通过将空间角度分割成许多细小的等分，从这些不同的角度估计出沿该角度入射信号的幅度，从而判断出目标信号的个数和方向，利用该方法设计的网络具有高速、实时的特点，计算机模拟结果表明该方法很有效。     

劳动价值论的简化广谱模型

本文依据马克思劳动价值论的基本思想 ,从广谱哲学的广义结构观的角度 ,显化了马克思关于同质的抽象劳动形成商品价值的关系转化结构 ,提出劳动—价值映射来模拟这种关系转化结构。在此基础上 ,用价值量函数确定商品的价值量。最后 ,作为一个总结 ,我们给出了建立劳动价值论的一种系统化程序。本文为用广义量化模型研究马克思的经济理论提供了一种新的模式     

LogP简化模型参数估计

针对LogP微观通信模型涉及参数较多,其算法分析较复杂;而简化的LogP模型把两台处理机传送长度为N的消息的所需时间分为:与数据量无关和与数据量相关两部分,从而大大简化了算法分析。通过模拟简化的LogP模型的参数,并在LogP环境下对单机和多机分别进行测试,利用测试数据分析网络延迟和软件开销,得出经验公式,从而证明该模型可以正确而有效简化并行算法的设计和分析。     

图像分割算法的应用与评价

图像分割是一种重要的图像技术,在理论研究和实际应用中都得到了人们的广泛重视,图像分割的方法和种类很多,没有标准的分割方法。本文从图像分割的定义入手,具体论述了当前应用比较广泛的图像分割算法的理论基础、关键技术及其应用范围,最后对图像分割算法的评价进行了分类研究。分割算法的评价不仅可提高现有算法的性能,对研究新的分割评价技术也具有指导意义。     

图像分割方法研究与实现

图像分割是图像处理、模式识别和人工智能等领域中一个十分重要问题。作者对经典的图像分割方法如阈值分割技术、区域增长和边缘检测等进行了论述并给出了实现效果。     

肝脏CT图像三维分割研究

针对肝脏CT图像的特征,提出了一种将种子区域生长算法和改进Snake模型相结合的策略,实现了肝脏的三维分割提取。该方法先从CT图像序列中筛选出肝脏有明显成像边缘的一张切片,在其肝脏区域内选择若干个种子点,利用种子区域生长算法得到初始边缘,再利用改进的Snake模型对初始边缘进行优化,然后,将此切片的边缘轮廓作为与其相邻切片上的初始边缘,重复该过程,直到分割完所有切片。实验表明该算法具有较高效率,分割结果精确,所产生的分割结果可以作为三维重建合适的数据集。     

基于组合降噪的卷积神经网络轴承故障诊断方法

针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题。提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法。首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断。通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性。     

面向SAR目标分类的卷积神经网络算法研究

随着合成孔径雷达(aynthetic aperture radar,SAR)成像技术的日益成熟,如何对SAR目标进行高效分类得到了普遍关注。在此背景下,提出了一种面向SAR目标分类的二层卷积神经网络算法。为增强适应性,设计了一种随迭代次数增加而减缓的分数渐变学习率。同时,在损失函数中引入类内、类间相似度量函数,丰富了样本分类特征,提高了分类的准确率。在MSTAR数据集上的测试结果表明:该算法相比于其他分类方法和经典卷积神经网络算法有更高的分类准确率,证明了算法的有效性。     

卷积神经网络在SAR目标识别中的应用

针对SAR目标识别问题,提出了基于卷积神经网络的SAR目标识别方法,并在此基础上对算法进行改进,提出CNN-SVM模型。将传统卷积神经网络的soft-max分类器替换为支持向量机,并对卷积神经网络提取的特征进行分类。首先对样本做剪裁、去噪处理,然后通过加噪、去噪等方法对样本进行扩充。通过对MSTAR数据集进行仿真发现:传统的卷积神经网络和改进后的卷积神经网络对3类目标的最佳识别正确率分别为97.5%和99.4%,证明了所提算法的有效性。