检索结果-南通市图书馆

关于冠心病预测的深度学习模型及可解释性研究

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

关于冠心病预测的深度学习模型及可解释性研究

作者：阳章奇首都经济贸易大学

学位级别：硕士

近年来,中国冠心病患病率处于持续上升的阶段,虽然中国的城市患病率要高于农村,但是农村的死亡率却高于城市,其中一个重要的原因就是农村人口对冠心病的认知水平不够,且没有高效的诊断方式。本文的目的是借助弗雷明翰镇居民冠心病数据... 详细信息

近年来,中国冠心病患病率处于持续上升的阶段,虽然中国的城市患病率要高于农村,但是农村的死亡率却高于城市,其中一个重要的原因就是农村人口对冠心病的认知水平不够,且没有高效的诊断方式。本文的目的是借助弗雷明翰镇居民冠心病数据集提出比传统模型准确度更高的深度学习模型,并且最终利用深度学习的可解释性方法对模型结果进行解释,试图在启发和辅助医生进行更好诊断的同时提升医生和患者在医疗领域对深度学习模型的信任程度。本文首先使用特征交叉的方式将二维列表数据集转换成图片数据集,然后针对此数据集搭建了卷积神经网络模型,最后使用SHAP和LIME两种深度学习的可解释性方法对深度学习模型进行解释,并进行对比分析。实验结果表明,在对数据集进行特征交叉后,本文提出的CNN结构在模型性能表现上要优于逻辑回归、随机森林等经典机器学习模型,且在深度学习模型中也优于深度前馈神经网络、长短期记忆网络、深度残差网络。并且在对本文深度学习模型进行可解释性研究时发现了SHAP的效果要比LIME的好。本文最终结论为,对于特征之间相关的二维列表数据集,可以通过特征交叉的操作将数据集转变成图片数据集,之后利用卷积神经网络的特性对其进行建模,结果会优于传统的机器学习模型及其他深度学习模型。并且在进行深度学习模型的可解释性研究时,SHAP的稳定性、适应性会比LIME更好,LIME在对低像素图片进行可解释性分析时效果并不理想。在对可解释性进行分析研究的时候,本文发现了中风这个高风险因子,但是这个因子并不是传统被认为的典型的冠心病影响因子。究其根本,这两个疾病都和动脉粥样硬化有关,只不过发病部位不同。这或许可以证明,通过对深度学习模型的可解释性研究,我们有可能可以发现一些我们以前注意不到的信息,从而在实际应用中对医生的诊断提供帮助。

关键词：冠心病深度学习可解释性研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于云模型的变分自编码器及其可解释性研究

基于云模型的变分自编码器及其可解释性研究

作者：郭秋燕重庆邮电大学

学位级别：硕士

变分自编码器(Variational Autoencoders,VAEs)作为一种生成式模型,通过对海量无标注的数据样本进行特征发现与表示,并进一步生成逼真的数据,实现对数据的理解,但其处理高分辨率的图像时存在特征表征能力弱,生成的图像精度不高的问题,同... 详细信息

变分自编码器(Variational Autoencoders,VAEs)作为一种生成式模型,通过对海量无标注的数据样本进行特征发现与表示,并进一步生成逼真的数据,实现对数据的理解,但其处理高分辨率的图像时存在特征表征能力弱,生成的图像精度不高的问题,同时VAEs作为深度学习模型,其学习过程缺乏可解释性。因此本文从VAEs的特征表征出发,将VAEs的特征表征空间由高斯分布换为云模型(Cloud Model),相应地将采样过程由一次高斯分布过程变为两次连续高斯分布,将不同分布的相似性度量变为不同云模型的相似性度量,并增加重构样本的特征表征,减少重构样本与原样本隐变量空间分布之间的差距,进一步提高模型的生成效果。在此基础上,对隐变量空间和学习过程进行可解释,揭示各阶段得到的内容及特点,完成模型的部分可解释任务。本文的主要研究工作如下:1.基于云模型的变分自编码器优化方法研究。本文以提高VAEs的生成效果为核心,提出将云模型作为其隐变量空间的先验分布,构建了一种基于云模型的变分自编码器优化方法(An Optimizated Method for Variational Autoencoders Based on Gaussian Cloud Model,GCM-VAE)。云模型作为数据隐变量空间的先验分布,可扩大隐变量空间,以此建立完备的隐变量空间,这样有利于更好地捕获数据的特征。同时增加面向重构数据的表征学习。与其他对比方法相比,本文提出的方法生成的图像质量更好,定性及定量实验结果均表明本文提出的方法都优于其他参考方法。2.基于变分自编码器优化模型GCM-VAE的可解释性研究。本文以完成模型不同阶段不带语义信息的部分模型可解释为核心,针对不同复杂度的数据和不同的网络结构,提出了针对不同阶段的可解释方法。分别为面向隐变量空间可视化及采样生成的方法和面向学习过程的特征可视化的可解释方法。这两种面向不同阶段的方法,分别完成了隐变量空间的可解释和特征学习过程的可解释,最终通过对结果的分析,得出数据的特征隐变量在分布上的特点和数据生成过程中经历的不同学习阶段。

关键词：生成式模型变分自编码器云模型隐变量可解释性研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

生成对抗网络的可解释性研究

生成对抗网络的可解释性研究

作者：唐佩军电子科技大学

学位级别：硕士

随着深度学习任务领域的细分和深入,神经网络的结构日益复杂。为了确保复杂模型的可靠性,对模型进行可解释性研究已经成为深度学习研究中不可或缺的重要环节。而生成对抗网络近年来在诸多领域有着广泛应用,包含但不限于风格迁移、语义... 详细信息

随着深度学习任务领域的细分和深入,神经网络的结构日益复杂。为了确保复杂模型的可靠性,对模型进行可解释性研究已经成为深度学习研究中不可或缺的重要环节。而生成对抗网络近年来在诸多领域有着广泛应用,包含但不限于风格迁移、语义分割、图像生成等计算机视觉领域,因而对生成对抗网络进行可解释性研究具有重要意义。但现有的基于生成对抗网络的可解释性研究仍存在着不少如模型不稳定、优化困难等问题亟待解决。在本文,我们主要探索生成对抗网络的可解释性研究,一方面希望为生成对抗网络提供更多的解释性以获得更可靠可控的模型;另一方面,生成对抗网络中的可解释性研究也可以推动深度学习可解释性研究的发展。本文主要研究基于生成对抗网络的表征解纠缠学习和显著性可视化,本文的主要创新点包含着以下三个方面:1、首先,我们提出了生成对抗网络在无监督表征解纠缠领域的新方法。我们受到解纠缠学习定义的启发,引入了对比损失,从一个新的角度探索了生成对抗网络的解纠缠能力,并在多个常见数据集上验证了所提出的模型的解纠缠效果;同时,理论的分析和实践的验证表明,所提出算法的图像质量和图像多样性相比其他算法有显著提升。2、其次,我们设计了在更复杂数据场景下的生成对抗网络的表征解纠缠的新范式。我们发现使用难样本采样能够进一步挖掘模型的解纠缠潜力,且利用极少量的真实标签可以显著提高解纠缠性能,由此我们提出了一种新的实验范式,从而对少量的真实标签信息进行更好地利用,并在多个数据集上验证了方法的有效性。3、最后,我们提出了生成对抗网络中生成图像的显著性可视化的新方法。我们构建了一种两阶段的算法框架,第一阶段引入多层次的区域对比损失对现有的基于生成对抗网络的显著性检测算法进行改进,其充分利用了图像对之间的特征对应关系,相较于原方法在多个数据集上的评测指标均有显著提升;第二阶段则使用预训练的显著性检测模型辅助生成对抗网络的图像生成过程,并得到生成图像的显著性可视化结果,从而展示生成图像中受到网络关注的显著性区域。

关键词：生成对抗网络可解释性研究解纠缠表征学习显著性可视化

可解释性长短期记忆模型用于预测湖泊总磷浓度变化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

湖泊科学 2024年第4期36卷 1046-1059,I0007页

作者：丁艺鼎范宏翔徐力刚蒋名亮吕海深朱永华程俊翔河海大学水文与水资源学院南京210098 中国科学院南京地理与湖泊研究所南京210018 中国科学院大学南京学院南京211135 江西省鄱阳湖流域生态水利技术创新中心南昌330029

对湖泊总磷的变化预测和来源识别对水资源调度和流域生态治理有着重要的意义,然而复杂的生化反应和水动力条件导致的非平稳性给湖泊总磷浓度的准确预测带来极大的困难。为克服这一挑战,本文引入了基于加权回归的季节趋势分解(seasonal a... 详细信息

对湖泊总磷的变化预测和来源识别对水资源调度和流域生态治理有着重要的意义,然而复杂的生化反应和水动力条件导致的非平稳性给湖泊总磷浓度的准确预测带来极大的困难。为克服这一挑战,本文引入了基于加权回归的季节趋势分解(seasonal and trend decomposition using Loess,STL)技术和夏普利加法(SHapley additive exPlanations,SHAP)结合长短期记忆网络(long short-term memory neural network,LSTM)和门控循环单元(gated recurrent unit,GRU)构建了一个可解释的预测框架,以增强对湖泊总磷浓度演变的预测并提高其可解释性。研究表明:(1)在骆马湖总磷浓度的预测中,该框架拥有较好的预报精度(R^(2)=0.878),优于LSTM和卷积长短期记忆模型(convolutional neural networks and long short term memory network,CNN-LSTM)。当预测时间步长增加到8 h时,该框架有效提高了总磷浓度的预测精度,平均相对误差和均方根误差分别降低了47.1%和33.3%。从预测趋势来看,骆马湖在汛期的总磷平均浓度为0.158 mg/L,相较于非汛期的平均浓度,增加了202.1%。(2)运河来水是骆马湖总磷浓度最重要的影响因素,贡献权重为60.0%,并且不同断面(三湾、三场)的污染源受水动力、气象等因素的影响存在显著的时空差异。本文凸显了神经网络模型在预警水体污染方面的可实施性,并且为提高传统神经网络的学习能力和可解释性的开发与验证提供了重要方向。

关键词：深度学习 LSTM SHAP 总磷可解释性研究骆马湖

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于变分和深度学习的图像处理算法研究

基于变分和深度学习的图像处理算法研究

作者：武文娜南京邮电大学

学位级别：硕士

近年来,随着技术的不断发展,图像逐渐成为人们传播信息的重要手段之一。而图像在获取和传输过程中难免会受到设备的影响,产生噪声、伪影、曝光不足、图像质量差等问题。为了解决这些问题,数字图像处理技术应运而生,并为许多领域带来了... 详细信息

近年来,随着技术的不断发展,图像逐渐成为人们传播信息的重要手段之一。而图像在获取和传输过程中难免会受到设备的影响,产生噪声、伪影、曝光不足、图像质量差等问题。为了解决这些问题,数字图像处理技术应运而生,并为许多领域带来了便捷。数字图像处理旨在利用相应算法对原始图像进行计算,获得高质量的图像。其中,基于变分的方法与基于深度学习方法是图像处理领域中最常用的两种手段。基于变分的方法有充分的理论保证且模型具有很强的可解释性,而基于深度学习的方法通过大量的训练来获得更理想的图像数值结果。本文利用这两类方法,在图像增强、图像平滑、深度学习的可解释性这三个方面展开讨论。本文的主要工作如下:1.针对图像增强问题,比较棘手的问题在于处理隐藏在图像暗处的噪声,而基于Retinex理论的传统变分增强方法对于噪声并不是特别敏感,许多算法并不能很好的处理这类噪声。考虑到深度学习近年来在去噪任务上的优越表现,本文设计了一个新的基于Plug-and-Play框架的Retinex图像增强模型,将基于深度学习的去噪器引入到所设计的模型中,该模型结合了深度学习去噪器的去噪性能以及变分Retinex模型的增强性能。数值实验证明,所提出的模型无论是在增强还是去噪上都有着出色的表现。2.近年来,深度学习逐渐应用到各个领域,但深度学习由于“黑盒子”的性质,其内部的工作机制和原理很难被解释,深度学习的可解释性已经成为了一个很重要的研究领域。考虑到本文所提出图像增强模型的性质,本文基于小波收缩理论,设计了一个新的可解释性的去噪器Soft-AE,并从事后分析和实时分析两个角度对模型可解释性进行了分析。数值实验证明,该方法为深度学习的可解释性研究提供了新的思路。3.图像平滑任务是图像处理领域比较基础而重要的任务,其主要目的在于去除图像多余纹理,并保护图像原始结构和细节。同时,这类任务可以扩展到边缘提取、剪切画压缩去伪影、图像细节增强等多个方面。本文设计了一种新的自适应L正则化方法,通过结合加权矩阵和梯度算子来刻画图像的局部特征,在去除图像纹理的同时保留图像的边缘和细节。同时,采用半二次分裂(HQS)的方法对模型进行有效求解。数值实验证明,所提出模型在数值和视觉上均超越了其他先进的图像平滑算法。

关键词：图像增强图像平滑变分模型深度学习可解释性研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多目标优化的肿瘤组学数据挖掘方法研究

基于多目标优化的肿瘤组学数据挖掘方法研究

作者：赵琳上海应用技术大学

学位级别：硕士

随着高通量测序技术的快速发展,在分子水平上采集的肿瘤组学数据呈指数式上升,当直接使用机器学习模型对肿瘤组学数据进行肿瘤的诊断和预后时,模型会学到大量冗余特征的信息,导致模型的性能下降。此外,由于医学组学数据固有的类别不平... 详细信息

随着高通量测序技术的快速发展,在分子水平上采集的肿瘤组学数据呈指数式上升,当直接使用机器学习模型对肿瘤组学数据进行肿瘤的诊断和预后时,模型会学到大量冗余特征的信息,导致模型的性能下降。此外,由于医学组学数据固有的类别不平衡特点,即患病的人数远小于不患病的人数,使得学到的模型进一步偏向于多数类,而忽略了通常包含患者样本信息的少数类,这对医学数据是不可取的。迫切需要从高维的肿瘤组学数据中挖掘出具有高准确率且在少数类上有较高分类效果的特征。基于此,本文以结直肠癌(Colorectal Cancer,CRC)的多组学数据为主要研究对象,结合临床数据,采用机器学习方法,挖掘CRC数据中的决定性特征,并提高在少数类上的识别能力。本文主要研究工作如下:1.从TCGA数据库中下载CRC的多组学数据,并对其进行数据预处理。包含分类标签的数字化处理、字符特征的独热编码处理、样本的剔除、空缺值的处理以及数据集的合并,为接下来的特征选择、不平衡研究以及CRC分类模型的可解释性研究奠定基础。2.提出了一种新颖的联合递归特征消除特征选择框架(Union with Recursive Feature Elimination,U-RFE)挖掘CRC数据中的决定性特征。在第一阶段,不同的机器学习分类算法分别作为递归特征消除(Recursive Feature Elimination,RFE)的基估计器,生成不同的特征子集并取这些特征子集的合并集;在第二阶段,充分考虑不同机器学习算法的各自优势,对特征子集进行特征分析。首先将特征子集的交集作为基集,然后将子集合并集中包含的其他特征进行排序,依次加入基集。基于这个变化的联合特征集,分别使用不同的分类算法对CRC进行分类预测。3.分别使用逻辑回归(Logistic Regression,LR)、支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、极限梯度提升(e Xtreme Gradient Boosting,XGBoost)和Stacking对U-RFE挖掘的联合特征子集进行分类识别研究。然后评估每个分类模型的分类性能,直到找到具有最佳预测性能的集合作为最终的决定性联合特征集。4.基于确定的决定性联合特征集,分别从算法的层面提出了分阶段Stacking集成学习算法框架和遗传算法的多目标优化算法框架,在保证整体分类准确率较好的情况下,尽可能的提高少数类的分类性能。5.针对机器学习模型的黑盒特性,基于确定的决定性联合特征集,使用局部可解释方法(Local Interpretable Model-agnostic Explanations,LIME)分别解释多目标优化模型和逻辑回归模型内部对CRC数据的判断依据,并总结上述两个模型内部对CRC数据中每个类别的判断规则,辅助医生进行结直肠癌病情的诊断。

关键词：多组学数据特征选择类别不平衡机器学习多目标优化可解释性研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的空气质量指数预测模型研究

基于深度学习的空气质量指数预测模型研究

作者：李洋洋首都经济贸易大学

学位级别：硕士

21世纪以来,随环保理念的普及,空气污染问题愈来愈受到人们的重视。我国作为世界上最大的发展中国家,各种能源的消耗量巨大,从而产生了大量的环境污染物,导致空气污染问题日益严重。空气污染不仅对人类的健康有害,而且对植被、动物等都... 详细信息

21世纪以来,随环保理念的普及,空气污染问题愈来愈受到人们的重视。我国作为世界上最大的发展中国家,各种能源的消耗量巨大,从而产生了大量的环境污染物,导致空气污染问题日益严重。空气污染不仅对人类的健康有害,而且对植被、动物等都会造成严重的不良影响。因此,空气质量相关方面的研究显得十分重要。本文的目的是基于北京市最近三年按小时记录的空气污染物数据和气象数据,建立一个高精度的模型来对AQI进行短期预测,并且引入可解释性方法对模型预测结果进行解释分析,以增强模型的可信度。首先,进行数据预处理,并通过对数据探索性分析,直观描述北京市空气质量概况及其变化趋势。其次,搭建基于LSTM和注意力机制的组合模型,使用此模型预测未来5小时的AQI,并对预测结果进行分析。然后,依次从注意力层、气象因素以及自变量时间步长三方面来修改模型,通过对比实验来探索模型结构的改变对预测精度的影响。最后,使用SHAP算法对本文已经训练好的AQI预测模型进行可解释性分析。实验结果表明,基于LSTM和注意力机制的组合模型在预测精度上要明显高于决策树、随机森林等传统机器学习模型,同时发现引入注意力机制和引入温度、风速两个气象因素都会提高短期AQI预测精度。在进行模型可解释性研究时,发现当前时刻前1小时的AQI对模型预测值的影响程度要远高于其他特征,并且大多数近时刻的空气数据(AQI、PM!._#、PM_($%)、SO!和CO)对预测值的影响要比远时刻的空气数据对预测值的影响大。

关键词： AQI预测 LSTM 注意力机制可解释性研究