检索结果-南通市图书馆

信息技术 2024年第4期48卷 9-14,21页

作者：袁文辉张仰飞南京工程学院电力工程学院南京211167

电力负荷由于受到多种外部因素影响,具有较大的波动性和随机性,使得高精度的负荷预测十分困难。为有效处理高维特征以提高模型预测精度,提出了一种基于特征选择策略和时间卷积神经网络的电力负荷预测方法。首先,采用基于极端梯度提升树... 详细信息

电力负荷由于受到多种外部因素影响,具有较大的波动性和随机性,使得高精度的负荷预测十分困难。为有效处理高维特征以提高模型预测精度,提出了一种基于特征选择策略和时间卷积神经网络的电力负荷预测方法。首先,采用基于极端梯度提升树的特征选择策略,深度挖掘与负荷关联性强的特征作为预测模型的输入;其次,构建基于时间卷积神经网络(TCN)的电力负荷预测模型,对特征选择后的负荷数据进行预测;最后,采用某市真实负荷数据进行仿真分析。结果表明,文中所提方法与传统预测方法相比,具有更高的预测精度。

关键词：多维特征负荷预测极端梯度提升树特征选择策略时间卷积神经网络

来源：

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

基于多模态融合的阿尔茨海默病分类预测研究

基于多模态融合的阿尔茨海默病分类预测研究

引用

作者：丁可东华大学

学位级别：硕士

阿尔茨海默病(Alzheimers Disease,AD)是一种与年龄高度相关且患病过程不可逆的神经退行性疾病。在临床表现上,患者早期通常会出现日常记忆丧失、表达受阻以及行动受限等症状,随着病情的不断发展,患者会逐渐丧失个人的生活自理能力,给... 详细信息

阿尔茨海默病(Alzheimers Disease,AD)是一种与年龄高度相关且患病过程不可逆的神经退行性疾病。在临床表现上,患者早期通常会出现日常记忆丧失、表达受阻以及行动受限等症状,随着病情的不断发展,患者会逐渐丧失个人的生活自理能力,给患者的家庭以及社会带来沉重的经济压力与看护负担。由于该疾病的特殊性与复杂性,医学上至今仍未找到具体的致病原因,以及有效治愈患者的方法,只能通过人为干扰或药物治疗来延缓病情进一步恶化。在临床上,通常将AD病情的发展分为认知正常受试者(Cognitively Normal,CN)、轻度认知障碍患者(Mild Cognitive Impairment,MCI)与阿尔茨海默病患者(Alzheimers Disease,AD)等三个阶段。其中,轻度认知障碍(MCI)是介于CN和AD之间的一种中间状态,这个阶段患者的认知功能会有轻度的衰退,但日常生活能力没有受到明显干扰,同时MCI向AD的年转化率高达10%-15%。因此,能够准确区分出患者所处的不同阶段,特别是筛选出MCI阶段的患者,对于医生通过药物治疗来延缓AD患者病情的发展起着至关重要的作用。近年来,随着神经影像学技术的飞速发展,所采集到的磁共振成像(MRI)数据的质量不断提高,其为疾病诊断带来的高价值信息使得MRI已成为AD诊断过程中的主要数据来源。在实际的临床诊断中,医生首先会根据患者临床表现、神经心理学评估量表以及过往病史对患病情况进行初步的判断,然后会结合各项临床指标数据以及神经影像学数据等进行综合分析,并依据多年的临床经验给出诊断结果。但人工处理包含海量信息的数据(例如MRI数据)难免会遗漏细微差异从而错失诊断所需的关键依据,同时现有研究大多数仅通过图像单一模态数据进行研究不符合实际临床诊断。基于以上问题,本文通过分析AD患者的MRI图像与临床指标数据,提出了一种基于融合多模态特征的阿尔茨海默病多分类预测方法。主要研究内容包括以下三个方面:一、阿尔茨海默病患者MRI图像数据预处理对阿尔茨海默病患者的MRI图像数据,首先通过开源软件Freesurfer进行配准与颅骨剥离等预处理,减少了无关因素对模型的影响,得到的图像数据作为图像特征提取模块的输入数据。然后,对该图像进行分割灰质层处理,通过不同ROI模板统计灰质层对应的形态学指标数据(灰质表面积、灰质体积以及皮层厚度)。最后,选取患者临床指标数据中第一次记录的数值进行缺失值预处理,并与图像的形态学指标组合构成研究所需的指标特征数据集。二、提出一种基于MRI图像与指标特征数据集的多模态数据特征提取方法由于MRI图像和指标特征数据集的高维信息特性,分别对这两个数据集进行了特征预处理。一方面,针对MRI图像数据集,构建了通道注意力网络(Channel Attention Network,CAN)模块。该模块将整个三维MRI图像作为模块输入进行学习,引入具有注意力思想的SE(Squeeze and Excitation)模块用于提高通道特征学习能力,使其关注与任务高度相关的特征,提取的特征对于研究任务指向性更强,能够有效提高分类准确率。另一方面,针对指标特征数据集,提出一种特征选择策略用于筛选高维指标数据。首先根据数据的特点通过低方差与高相关滤波来剔除患者特征之间冗余的部分,然后基于IG(Information Gain)+SHAP(Shapley Additive ex Planation)的组合模型挑选出相对分类标签高度相关且重要性高的特征子集,这有利于减少冗余信息造成的模型过拟合风险,有效提高了模型的性能与结果。三、提出了一种用于融合图像与指标特征数据特征向量的多模态融合方法前面的工作主要用于提取图像与指标特征数据两个模态数据的特征向量表示,本文还提出了一个多注意力融合模块MAFM(Multi-Attention-Fusion Module)用于融合多模态数据。通过考虑各模态特征的权重分配,MAFM通过使用自我注意机制来学习不同模态之间的相关性,以进行数据融合。它使模型更专注于重要特征,从而提高了模型的性能。

关键词：阿尔茨海默病多模态特征融合 CAN 特征选择策略 MAFM

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

面向自闭症诊断的高阶脑网络构建及特征提取

面向自闭症诊断的高阶脑网络构建及特征提取

引用

作者：陈致远山东工商学院

学位级别：硕士

基于静息态功能磁共振的脑网络已经成为了人们探究自闭症患者大脑工作机制的重要工具,也是自闭症病理研究中的一个热点。然而,人脑是一个复杂且高效的网络,当前的脑网络很难显式地捕获到人脑中所有特征,因此如何构建一种理想的脑网络并... 详细信息

基于静息态功能磁共振的脑网络已经成为了人们探究自闭症患者大脑工作机制的重要工具,也是自闭症病理研究中的一个热点。然而,人脑是一个复杂且高效的网络,当前的脑网络很难显式地捕获到人脑中所有特征,因此如何构建一种理想的脑网络并从中提取有效信息在目前仍是一个亟待解决的难题。对此,本文以机器学习的角度在脑网络构建以及特征提取两个方面进行了研究,共有以下三个工作:(1)基于"相关性的相关性"思想的高阶脑网络构建方法。其优势在于:捕获了一种全新的高阶相关性,有效提取了多个脑区之间的复杂且微妙的相关性,为自闭症诊断提供了新的信息。该方法在低阶动态脑网络的基础上,将每个脑区与其他脑区之间的相关性视为一个相关性序列,再计算每对的相关性序列的相关性,这种高阶的相关性被称为"相关性的相关性",以此构建一种新型的高阶动态脑网络。(2)基于聚类的脑网络估计方法。其优势在于:实现了在一个框架中同时捕获大脑区域间的低阶关系、高阶关系以及聚类间的关系,并且该脑网络具有数学上与生理上的可解释性。该方法首先将大脑区域根据生理功能分为多个聚类,在每个聚类上构建低阶动态脑网络。其次,在类内通过最大化矩阵变量正态分布的可能性来估计最终的低阶和高阶网络作为类内特征。最后,在类间通过计算不同类的均值与方差时序变化的相关性作为类间特征。(3)基于单元的动态脑网络特征选择策略。其优势在于:可以从多个视角全面提取并选择脑网络中蕴含的鉴别性特征,以此更好地将脑网络应用于诊断。本策略将一对脑区之间的时序功能连接序列视为一个单元。对于每个单元,通过特征评价方法从其多个特征中选出最具辨别力的指纹特征,并将每个单元选出的特征连接在一起,作为分类特征集。这样,从每个功能连接序列中得到的个性化指纹特征就可以被充分挖掘并利用到分类决策中。实验结果表明,本文提出高阶脑网络能够从不同的视角为自闭症的诊断提供新的高阶信息,这些高阶信息与传统方法的得到的低阶信息具有互补性。而提出的特征选择策略能够更好地挖掘脑网络中与自闭症相关的鉴别性特征并减少特征冗余,相较于传统策略表现出了更优异的性能。

关键词：自闭症动态脑网络高阶脑网络静息态功能磁共振成像特征选择策略

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

正态分布离散化与JS散度在决策树中的应用

正态分布离散化与JS散度在决策树中的应用

引用

作者：陈建美南宁师范大学

学位级别：硕士

决策树方法是建立在信息论基础之上的数据分类挖掘方法,被广泛用于解决分类问题。其基本思想是,通过决策规则对一批已知的训练数据建立一棵树,然后利用建好的树,对数据进行预测。至今己经有很多决策树算法被提出,通过决策方法,分析已知... 详细信息

决策树方法是建立在信息论基础之上的数据分类挖掘方法,被广泛用于解决分类问题。其基本思想是,通过决策规则对一批已知的训练数据建立一棵树,然后利用建好的树,对数据进行预测。至今己经有很多决策树算法被提出,通过决策方法,分析已知的分类信息生成一个预测模型。在大多数有决策树模型中,使用的决策规则有信息增益、信息增益率、基尼系数、中值、平均值等,这些决策规则都以数据特征之间相互独立的假设为基础,为此本文提出了考虑特征之间的相互作用的特征选择方法。本文涉及的主要内容以及创新点如下:目前出现的多种决策树无法直接使用连续型数据。但现有的大多连续数据离散化算法中,都是建立在数据集中不存在离群值、噪声数据等异常样本,离散化算法不受异常数据影响的假设上。但决策树分类器的分类准确率却真实地受到中离群数据的影响,为了减轻噪声数据的影响,本文利用了正态分布对连续数据进行离散化,从中区分离群值,生成更显著的离散型数据,以此提高模型的分类率。具体来说就是根据正态分布,把样本进行等距离散化,以此达到降低噪音样本影响的效果,也为后续的Jensen-Shannon散度决策树算法奠定了优良数据集基础。除此之外,本文把经过正态离散化的数据与等距离散化、等频离散化、二值化方法离散化数据,分别朴素贝叶斯、支持向量机、ID3和CART决策树上进行了对比,获得更高的分类精度,在这种情况下,所提出的离散化方法对噪声点具有很强的鲁棒性。决策树通过在分类过程中利用实例的特征值进行建模从而实现对实例的分类。特征选择策略是决策树算法中的关键部分。以往的决策树其特征选择策略都是建立在特征之间相互独立的基础上,是基于贪心搜索策略来实现树的生长,通常会导致次优解。本文提出了一种新的特征选择方法--JS散度特征选择法,用此方法生成的决策树称为-JS散度决策树(JSDT)。该方法采用JS散度矩阵中的数值作为选择特征的新度量,确定决策树生长过程中的最优分裂特征集。使用这种特殊的特征选择策略的目的是双重的,(a)通过从原始数据集的特征出发,决策树将能够避免花很长时间在第一个大的焦点上寻找一个有用的分类特征,(b)决策树的生成过程比一般的穷尽法期望更快更有效地找到分类的有用特征。JSDT在13个数据集上进行了实验分析,与ID3、C4.5和CART等传统决策树分类器进行了比较,发现新方法在含有相互作用的数据集上的性能比传统的模型好。实验结果表明JSDT能够有效地找到具有相互作用的特征,并且代价比传统方法小。综上所述,针对数据特征之间的相互作用在决策树生成规则中被忽视的问题,本文创新地提出用JS散度矩阵表达特征之间的相互作用,对数据进行分类任务。本文通过对比多种经典的决策树分类算法,在多个现实的数据集上进行了大量的实验。采用分类准确度(Accuracy),召回率(Recall)等指标来评估算法的性能,证明了所提出算法在大多数情况下都能带来优异的结果。

关键词：决策树信息增益基尼系数 JS散度特征选择策略

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于无人机多光谱遥感的冬小麦生长后期SPAD变化监测310

基于无人机多光谱遥感的冬小麦生长后期SPAD变化监测310

引用

第二十届中国作物学会学术年会

作者：苏祥祥年颖岳虎朱永基陶新宇刘吉凯李新伟安徽科技学院资源与环境学院安徽省农业废弃物肥料化利用与耕地质量提升工程研究中心安徽省作物智慧种植与加工技术工程研究中心

【研究背景】SPAD（Soil plant analysis development）是评估作物营养状况的重要指标,是表征冬小麦抽穗期至灌浆期生殖生长状态的重要参数。因此,无损、快速、精准地监测冬小麦生长后期SPAD对保障粮食增产和稳产具有至关重要的作用。然... 详细信息

【研究背景】SPAD（Soil plant analysis development）是评估作物营养状况的重要指标,是表征冬小麦抽穗期至灌浆期生殖生长状态的重要参数。因此,无损、快速、精准地监测冬小麦生长后期SPAD对保障粮食增产和稳产具有至关重要的作用。然而,作物生长后期出现的光谱饱和问题成为制约SPAD估算的主要因素。无人机多光谱传感器获取的高分辨率图像,不仅包含小麦冠层的光谱信息,还有反映作物结构的纹理信息。面对无人机提供的多特性遥感信息,特征选择策略可以优选出对作物表型敏感的遥感信息,并进一步结合特征融合策略将不同特性的敏感特征联合构建模型,以提高作物营养参数估测精度。【材料与方法】鉴于此,基于不同品种和施氮量的冬小麦田间试验,利用无人机多光谱传感器获取了抽穗期、开花期和灌浆后期的冬小麦冠层图像,从多光谱图像中提取基于冬小麦冠层反射率的光谱特征和基于灰度共生矩阵（GLCM）的纹理特征,采用特征选择策略(Boruta、Recursive Feature Elimination（RFE）)优选敏感的遥感特征,并应用特征融合策略和支持向量机回归算法（Support Vector Machine Regression, SVR）构建冬小麦生长后期的SPAD监测模型。【结果与分析】结果表明,由近红外波段与其他波段组合的光谱特征可以充分捕捉冬小麦SPAD在生殖生长阶段的光谱差异,且在红光波段、近红外波段的纹理特征对冬小麦SPAD较为敏感。在抽穗期、开花期和灌浆后期中,同时应用特征选择策略和特征融合策略构建的SPAD模型稳定性、估算精度均优于单独应用特征策略和不应用策略的模型。与不应用策略的SPAD估算模型相比,双特征策略下构建的模型精度提升幅度随着生育期的推进逐渐增大,在灌浆后期达到峰值,R提高了0.092～0.202,RMSE降低了0.076～4.916,RPD提升了0.237～0.960。此外,冬小麦生长后期的最佳模型精度为:抽穗期:R=0.861,RMSE=3.604, RPD=2.154;开花期:R=0.807, RMSE=2.850, RPD=2.251;灌浆后期:R=0.809, RMSE=5.878,RPD=2.108。【结论】双特征策略在作物生长后期SPAD监测中具有良好的应用潜力,可为作物表型的高通量筛选和田间作物的精细化管理提供理论依据和技术支持。

关键词：冬小麦多光谱遥感 SPAD 特征选择策略特征融合策略 SVR

来源： cnki会议评论

在线全文

cnki会议

学校读者我要写书评

暂无评论

基于常规临床检验指标构建子痫前期风险预测模型

引用

临床检验杂志 2022年第10期40卷 731-736页

作者：王浩乌永嘎郭玉婷梁雨朝李海成周健夏书琴左永春内蒙古大学生命科学学院呼和浩特010070 内蒙古智汇大数据研究院呼和浩特010000 内蒙古医科大学&内蒙古临床医学院呼和浩特010110 内蒙古自治区人民医院妇产科呼和浩特010017

目的利用常规临床检验指标构建基于人工智能的子痫前期风险预测模型。方法收集2019年1月至2021年12月就诊于内蒙古自治区人民医院342例子痫前期患者和346例健康孕妇的4项常规临床检验指标(血常规、尿常规、生化全项和凝血四项)。应用LA... 详细信息

目的利用常规临床检验指标构建基于人工智能的子痫前期风险预测模型。方法收集2019年1月至2021年12月就诊于内蒙古自治区人民医院342例子痫前期患者和346例健康孕妇的4项常规临床检验指标(血常规、尿常规、生化全项和凝血四项)。应用LASSO和Tuning Relief F(TURF)以指标数据为特征进行打分选择,评估常规临床检验指标。用支持向量机、随机森林、K-nearest neighbor(KNN)和XGBoost构建人工智能预测模型。通过SHAP解释特征如何影响模型并做出决策。结果基于TURF特征选择策略,KNN在仅使用7个特征指标的情况下预测性能最优,分别是尿蛋白、尿电导率、碱性磷酸酶、血尿酸、乳酸脱氢酶、平均红细胞血红蛋白浓度和淀粉酶。在训练集和测试集上的预测准确度分别为82.55%和82.56%;聚类分析表明,使用7个最优特征指标相较于87个全部特征指标具有更好的效果。SHAP解释结果表明,尿蛋白和乳酸脱氢酶对模型做出正确决策有显著影响。结论常规临床检验指标可以用于预测子痫前期,且通过特征选择策略可以在降低特征维度基础上进一步提高预测性能。

关键词：子痫前期风险预测特征选择策略机器学习

来源：

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

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：