检索结果-南通市图书馆

基于3D卷积神经网络的阿尔茨海默症及轻度认知功能障碍诊断

在线全文

学校读者我要写书评

暂无评论

现代计算机 2021年第11期27卷 120-123页

作者：王聪袁榕澳李川四川大学计算机学院成都610065

轻度认知功能障碍(MCI)作为阿尔茨海默病(AD)的预兆,具有相对复杂多变的特点。准确诊断和有效预防MCI具有重要意义。针对AD和正常对照组(CN)、AD和MCI的诊断问题,利用相应核磁共振图像(MRI)影像学数据,提出基于3D卷积神经网络的诊断模... 详细信息

轻度认知功能障碍(MCI)作为阿尔茨海默病(AD)的预兆,具有相对复杂多变的特点。准确诊断和有效预防MCI具有重要意义。针对AD和正常对照组(CN)、AD和MCI的诊断问题,利用相应核磁共振图像(MRI)影像学数据,提出基于3D卷积神经网络的诊断模型。实验结果表明,AD与CN的分类准确率达96.7%,AUC为0.983,AD与MCI的分类准确率达94.7%,AUC为0.966,该模型在参数量与诊断精度上都具有较高的性能优势。

关键词：轻度认知障碍(MCI) 阿尔茨海默症(AD) 3D卷积神经网络(3DCNN) MRI

基于机器学习模型的改性双基推进剂的燃速预测

在线全文

学校读者我要写书评

暂无评论

化学研究与应用 2021年第8期33卷 1560-1567页

作者：王丽莹袁榕澳赵凤起姜菡雨徐司雨郭延芝四川大学化学学院四川成都610064 四川大学计算机学院四川成都610064 西安近代化学研究所燃烧与爆炸技术重点实验室陕西西安710065

在分析了改性双基推进剂不同成分含量对其燃速性能影响的基础上,使用机器学习方法建立了以推进剂成分含量及压强为输入变量,推进剂燃速值为输出的预测模型。通过以相关系数(R^(2))、均方根误差(RMSE)以及平均绝对误差(MAE)作为模型的性... 详细信息

在分析了改性双基推进剂不同成分含量对其燃速性能影响的基础上,使用机器学习方法建立了以推进剂成分含量及压强为输入变量,推进剂燃速值为输出的预测模型。通过以相关系数(R^(2))、均方根误差(RMSE)以及平均绝对误差(MAE)作为模型的性能评价指标,比较了不同机器学习方法的预测性能,包括随机森林、支持向量回归、极限梯度提升、人工神经网络、多元线性回归、偏最小二乘回归和K最近邻回归。结果表明,以多项式内积(Poly)为核函数的支持向量回归(Support Vector Regression,SVR)模型的预测效果最优,其模型的留一法交叉验证结果令人满意,R^(2)、RMSE、MAE分别为0.9927、0.5553、0.4033。最后,为进一步验证模型的准确性、稳定性,我们分别采用5折、10折交叉验证与留一法进行结果比较,并绘制模型的学习曲线。结果证实模型稳定可靠,过拟合程度低,可实现对改性双基推进剂燃速的准确预测,可为具有优越性能的推进剂配方设计与优化提供理论指导。

关键词：改性双基推进剂燃速机器学习定量预测支持向量回归

在线全文

学校读者我要写书评

暂无评论

基于Flask的蛋白质网络分析平台设计

现代计算机 2021年第7期27卷 47-50页

作者：胡振鑫李川蒲雪梅袁榕澳四川大学计算机学院成都610065 四川大学化学学院成都610065 四川大学吴玉章学院成都610065

复杂网络技术目前已经被广泛应用在现实生活中的各个领域,通过将系统表征成复杂网络可以有效提供系统的关键拓扑信息。结合基于Python实现的Flask框架搭建氨基酸网络分析平台,通过将复杂网络应用于蛋白质结构,对蛋白质结构进行网络的构... 详细信息

复杂网络技术目前已经被广泛应用在现实生活中的各个领域,通过将系统表征成复杂网络可以有效提供系统的关键拓扑信息。结合基于Python实现的Flask框架搭建氨基酸网络分析平台,通过将复杂网络应用于蛋白质结构,对蛋白质结构进行网络的构建,网络性质的分析。结合***以及NGL Viewer提供蛋白质结构的可视化分析,结合ECharts框架提供氨基酸网络性质的可视化分析,为研究蛋白质结构提供便利的平台。

关键词： Flask Python 氨基酸网络

基于机器学习算法的合成孔径雷达图像的目标识别

在线全文

学校读者我要写书评

暂无评论

河南大学学报(自然科学版) 2019年第2期49卷 204-209页

作者：谢英杰戴文鑫李川袁榕澳刘一静四川大学计算机学院成都第七中学

合成孔径雷达有着观测范围广和分辨率高的特点,可以全天候工作,并能有效地识别伪装和穿透掩盖物,但也存在雷达图像数据量大且目标电磁散射特征复杂等特点,为目标的识别引入了噪声和干扰,因此发展快速和智能化的SAR图像目标识别技术得到... 详细信息

合成孔径雷达有着观测范围广和分辨率高的特点,可以全天候工作,并能有效地识别伪装和穿透掩盖物,但也存在雷达图像数据量大且目标电磁散射特征复杂等特点,为目标的识别引入了噪声和干扰,因此发展快速和智能化的SAR图像目标识别技术得到越来越多的关注.本文针对美国空军研究实验室SAR图像中的8个目标物引入3种机器学习算法和一些数据处理方法构建了相关的识别模型,并对其识别能力进行对比分析,结果显示这3种机器学习算法通过优化算法都可以获得较高的识别准确率(> 80%),尤其是KNN算法的测试集准确率都可以高达97%.本文研究结果可为SAR目标识别的人工智能化技术提供一些方法上的参考和指导.

关键词： SAR 目标识别机器学习