检索结果-内蒙古大学图书馆

作者：王迪哈尔滨师范大学

学位级别：硕士

高分辨率遥感影像能够详细的描述地面物体的细节信息和复杂程度,与中低分辨率遥感影像相比,其在地物纹理、形状、光谱特征等方面都有更出色的表现,因此被广泛应用于地物分类、地表观测、自然资源动态监测等领域。而针对中低分辨率遥感... 详细信息

高分辨率遥感影像能够详细的描述地面物体的细节信息和复杂程度,与中低分辨率遥感影像相比,其在地物纹理、形状、光谱特征等方面都有更出色的表现,因此被广泛应用于地物分类、地表观测、自然资源动态监测等领域。而针对中低分辨率遥感影像的基于像元的分类方法和浅层机器学习算法无法满足高分辨率遥感影像的分类需求,如何使高分辨率遥感影像的分类效率和精度得到提高,已成为当前研究的热点。随着计算机性能的不断提高与人工智能的深入发展,大批学者已将深度学习方法应用于各个领域。研究表明,深度学习方法能够有效解决海量影像分类判别等前沿问题,为基于深度学习方法对高分辨率遥感影像的分类研究提供了可靠支撑。近年来,深度卷积神经网络作为深度学习模型,在图像识别领域实现了重大突破。其核心思想是利用模型局部感受野、权值共享、池化操作等结合起来,优化网络,使其具有一定程度的平移、缩放、扭曲变形等的不变性。本文基于深度卷积神经网络模型,提取了高分辨率遥感影像的湿地类型信息,更好的表达深度特征,挖掘地物信息。本文主要研究内容包括:(1)研究遥感影像传统监督分类与非监督分类方法;对深度学习方法进行研究,从网络结构、参数设置等方面对深度卷积神经网络进行分析;将传统分类方法与深度卷积神经网络分类方法进行比较分析。(2)以黑龙江公别拉河国家级自然保护区为研究区,基于2018年6月高分二号(GF-2)多光谱遥感影像数据。对湿地类型信息进行面向对象的多尺度分割,对20、30、40、50、100、150六种分割尺度进行比较,确定最佳分割效果。(3)将分割后的湿地类型信息通过深度卷积神经网络模型,构建深度网络结构、调整模型参数,实现自动识别和信息提取。通过对训练集和验证集以外的测试样本进行自动分类,获得较高精度的分类结果,体现了模型对数据特征学习的泛化能力。研究结果表明,深度卷积神经网络作为一种深层结构模型,能更深入的挖掘地物信息,表达深度特征。通过遥感影像多尺度分割结合深度卷积神经网络对影像信息进行自动识别、提取,可以获得更高的分类精度和分类效率。证明了卷积神经网络应用于高分辨率遥感影像分类的可行性和可靠性。

关键词：高分辨率遥感影像多尺度分割深度卷积神经网络遥感影像分类

来源：评论

学校读者我要写书评

暂无评论

深度卷积神经网络的快速实现及其在医学图像分割上的应用

深度卷积神经网络的快速实现及其在医学图像分割上的应用

引用

作者：杨玉维中国科学院大学

学位级别：硕士

近年来深度卷积神经网络作为深度学习的基本工具，在许多领域取得了显著突破。然而，随着深度网络规模的增加，往往也伴随着巨大的计算成本、存储开销等问题，使得深度网络在实际移动端以及嵌入式设备的广泛部署成为极大挑战。因此，目... 详细信息

近年来深度卷积神经网络作为深度学习的基本工具，在许多领域取得了显著突破。然而，随着深度网络规模的增加，往往也伴随着巨大的计算成本、存储开销等问题，使得深度网络在实际移动端以及嵌入式设备的广泛部署成为极大挑战。因此，目前在深度网络中的一个关键问题是，如何在不降低网络性能的前提下，设计高效的深度网络。进而，深度网络的模型加速成为当前人工智能领域的一个热点研究方向。　　医学健康服务行业作为人工智能的重要应用领域，其中医学图像分割任务是患者病情分析和治疗的前提。医学图像精准高效的分割，对于提高医护人员工作效率，及时制定治疗方案具有重要的临床意义。深度分割网络庞大的学习参数以及复杂病变区域边缘的特征提取，在实际模型训练中往往需要大量时间和内存开销。　　本文针对当前问题，根据卷积神经网络模型中存在参数冗余的特点，引入动态路由注意力机制，高效选取最优移位算子，减少模型参数量的同时保证网络性能的稳定性。通过实验验证，仅在少量参数内存需求下，网络模型仍然能满足图像分割任务的分割性能。因此，医学图像分割与深度卷积神经网络的快速实现相结合，将改善基于深度学习的医学图像分割模型的部署情况。本文的主要研究内容如下:　　(1)针对卷积神经网络中的参数冗余问题，分析得出一个卷积算子可以分解为一系列移位算子的线性组合，为深度卷积神经网络的快速实现提供了一种新的方法。这些移位算子并不完全独立，移位算子的选择成为加速卷积网络的关键。　　(2)提出了基于动态路由注意力机制的移位网络模型，并将其应用于肝肿瘤图像分割上，提升部署效率。针对卷积网络中如何选取最优移位算子的问题，引入动态路由注意力机制，实现了移位算子的自动获取。通过计算移位网络中当前网络层移位后的特征向量和下层网络输出的特征向量的内积大小，来衡量两个特征向量的相似性。内积越大，相似性越高，对应移位算子权重增大，经过迭代训练，获得最终的移位算子。最后通过CIFAR-10/100数据集验证实验以及LiTS2017数据集肝肿瘤分割实验，证明了所提网络模型的有效性。　　(3)设计了一个基于动态路由注意力机制的肝肿瘤医学图像分割系统，实现“互联网+”医疗服务行业的结合。本文设计了肝肿瘤医学图像分割系统，该系统由肝肿瘤医学图像数据读取及解析模块、图像预处理模块和图像分割模块构成。在系统中，分别对每个模块对应的功能进行了测试，保证了系统的有效性与可靠性。

关键词：深度卷积神经网络模型加速移位网络注意力机制医学图像分割特征提取

来源：评论

学校读者我要写书评

暂无评论

深度卷积神经网络的轻量化方法研究

深度卷积神经网络的轻量化方法研究

引用

作者：王瀚增电子科技大学

学位级别：硕士

近几年来深度学习发展迅速,在计算机视觉、自然语言处理、机器人等领域都发挥出了卓越的性能。深度卷积神经网络作为深度学习的重要方法被广泛应用于日常生活中。然而,深度卷积神经网络拥有高性能的背后,归功于其较高的参数量和复杂的... 详细信息

近几年来深度学习发展迅速,在计算机视觉、自然语言处理、机器人等领域都发挥出了卓越的性能。深度卷积神经网络作为深度学习的重要方法被广泛应用于日常生活中。然而,深度卷积神经网络拥有高性能的背后,归功于其较高的参数量和复杂的计算冗余。随着低功耗、低带宽、低存储等边缘移动设备的出现和兴起,这给深度卷积神经网络在这些设备上的部署带来了挑战。深度卷积神经网络的轻量化方法可以有效的降低模型的参数量和计算量,但有时一些轻量化方法只关注于减少模型的计算量。不管侧重点如何,通过适当的轻量化方法使得模型在边缘移动设备上的部署成为了可能。因此本文聚焦于深度卷积神经网络的轻量化方法展开研究,主要贡献如下:(1)针对卷积神经网络参数量过大、计算复杂度较高的问题,本文提出了一种基于样本特征对比的蒸馏算法。该方法使用参数量大、性能较高的模型作为老师模型,使用参数量小、性能较低的模型作为学生模型。通过对比学习的策略最大化老师模型和学生模型特征表示之间的互信息量下界,来指导学生模型训练。最后使用“推土机距离”优化对比学习的效果,促进了老师模型学到的“知识”有效地向学生模型迁移,使学生模型的性能得到提高。该方法得到的学生模型相比于老师模型不仅拥有更少的参数量和计算冗余,而且使用该蒸馏方法得到的学生模型,其性能更加接近于老师模型的性能。(2)当模型的参数量得到压缩并且满足存储要求后,参数量已经不是模型轻量化任务重点要关注的对象。因此,进一步压缩模型的计算量、提高模型的推理速度、减少模型推理时对内存的开销是模型轻量化的重要方向。针对此问题本文提出了基于通道激活性对比的自适应动态剪枝算法。针对不同的样本动态设定剪枝的特征门,并且对特征门进行了自适应优化;使用对比学习的策略,优化了特征和对应通道激活性分布之间的一致性,提高了剪枝模型的泛化能力。算法在几乎不降低模型性能的基础上,压缩了计算量,提高了模型的推理速度,减少了模型推理时的内存开销。本文基于所提方法,使用Pytorch框架,在多种不同的数据集上对算法进行了验证,并且对比了大量先进算法,实验结果表明本文方法有效地实现了深度卷积神经网络轻量化的要求。

关键词：深度卷积神经网络模型轻量化知识蒸馏模型剪枝

来源：评论

学校读者我要写书评

暂无评论

深度卷积神经网络中的二值量化算法研究

深度卷积神经网络中的二值量化算法研究

引用

作者：刘畅江南大学

学位级别：硕士

二值量化是模型压缩的重要技术之一,作为模型量化的一种极端形式,它可以在保持深度卷积神经网络任务性能的基础上,大幅提高模型的运行效率及内存利用率。为了获得更有效的特征表示,大量先进方法采用了层次更深的神经网络结构,然而,这导... 详细信息

二值量化是模型压缩的重要技术之一,作为模型量化的一种极端形式,它可以在保持深度卷积神经网络任务性能的基础上,大幅提高模型的运行效率及内存利用率。为了获得更有效的特征表示,大量先进方法采用了层次更深的神经网络结构,然而,这导致了网络计算量及参数量的剧增,为了缩小算力需求与模型计算量之间的差距,模型量化在近年来成为深度学习领域的一个研究热点。其中,二值量化因其具有较高的压缩效率而受到广泛关注。二值量化网络又称二值神经网络,可以将权重和激活值从32位转化为1位,但将权重和激活值从高精度转化为低精度会不可避免地导致信息损失。目前,对于这种低精度表示下的网络权重和激活值进行的信息提取方法还存在不足,需要进一步的研究和改进。论文主要针对当前二值量化中普遍存在的参数信息提取不足问题,进行了深入的分析和研究,取得的主要研究成果包含如下:(1)构造基于W正则化和变式余弦动量的神经网络二值量化方法。针对二值量化中权重信息提取不足的问题,在深度学习的架构下提出了一种适于二值量化要求的正则化方法,并针对权重进行了进一步的信息提取。传统二值量化一般采用L1范式正则化进行数据处理,而L1正则化处理后的数据趋向与二值量化需求不符,因此有必要设计一种更适用于二值量化的特殊正则化方式,促使参数向±1移动。考虑到部分权重距零点较远,无法很好的受W正则化校正,因此辅以针对权重尾部数据的变式余弦变量,进而提升二值量化的准确性。最终在CIFAR-10上使用ReActNet-18网络上取得了93.68%的准确率,在不使用批归一化的同等情况下取得了92.68%的准确率,有效引导了不同位置的参数进行优化,提升收敛速度的同时增强准确率。(2)构造基于特征分布调整的神经网络二值量化方法。针对二值网络精度参数离散性造成的信息损失以及分布优化不当造成的语义信息消失问题,通过特征分布调整引导二值化,进一步优化参数分布,通过调整参数均值方差均衡参数分布,减小离散性造成的信息损失。同时,通过分组激励与特征精调两模块设计,调整优化阈值分割位置,均衡二值化激活效果,最大程度保留语义信息。最终在CIFAR-10上使用ReActNet-18网络量化后网络精度仅损失0.40%,高于当前主流先进二值量化算法。在不同骨干网络、使用不同数据集时均能取得较好效果,有效保留了网络信息。(3)构造基于深浅层特征信息增强的神经网络二值量化方法。针对二值神经网络主要聚焦深层特征提取而忽略浅层特征的问题,通过添加细节特征惩罚项提取图像颜色形状纹理等网络浅层信息;随后,通过语义信息正则模块解决激活函数过拟合导致的浅层信息保留不当问题,并使得深层特征更具有判别性。最终,方法在CIFAR-10上使用ReActNet-18网络取得了93.03%的准确率,同时在VGG-Small上取得了93.05%的准确率,在其他网络及数据集上也具有较好表现,实现了充分利用网络特征信息的目的。

关键词：深度卷积神经网络二值神经网络正则化特征分布深浅层信息增强

来源：评论

学校读者我要写书评

暂无评论

深度卷积神经网络在图像复原中的应用研究

深度卷积神经网络在图像复原中的应用研究

引用

作者：曾凯中国矿业大学

学位级别：硕士

图像超分辨率重建是图像复原领域的重要研究方向和技术。在大多数电子成像应用中,需要采集到高分辨率图像并对其进行分析研究。高分辨率图像意味着图像内的像素密度较高,可以提供在各种应用中更多的关键细节。但是通常因为硬件设备的限... 详细信息

图像超分辨率重建是图像复原领域的重要研究方向和技术。在大多数电子成像应用中,需要采集到高分辨率图像并对其进行分析研究。高分辨率图像意味着图像内的像素密度较高,可以提供在各种应用中更多的关键细节。但是通常因为硬件设备的限制、恶劣的环境等诸多因素,导致采集得到的图像质量不高,这极大地限制了工作的质量与安全性。因此需要通过超分辨率复原技术来修复并提高已采集到的图像质量。目前,图像超分辨率复原的研究已经取得了不错的进展。基于插值和基于重建的图像超分辨率方法,复杂度低,但效果有限,难以修复图像中的高频细节。由于人工智能的蓬勃发展,深度学习技术被应用在计算机视觉领域变得越来越流行,且取得了非常瞩目的成绩,因此基于神经网络的图像超分辨率复原技术成为目前的研究热点。此外,基于神经网络的图像超分辨率模型也可以用于图像复原的其他领域,如:图像去噪、图像修复等。本文以基于神经网络的图像超分辨率复原的相关方法为研究线索,为进一步提高超分辨率图像的质量,并针对图像超分辨高频细节丢失和边缘模糊等问题进行研究,并提出相关有效的方法。本文主要研究内容如下:(1)针对一般的基于神经网络的图像超分辨率复原方法存在的学习能力不足、超分辨率重建的效果不理想,研究了一种密集多对多连接深度卷积神经网络的单幅图像超分辨率模型。该模型在特征提取阶段,对于不同层间的连接采用多对多的连接方式。有效地缓解了梯度消失的问题,同时增加了特征信息的传递。此外,在图像重构阶段采用了并行的、尺寸为1′1的卷积核,丰富了整个模型的非线性表示,从而提高了整个网络的表达能力。(2)针对现有模型恢复边缘细节的效果有限的问题,研究了一种多视野并行的卷积神经网络模型。该模型使用了不同尺寸卷积核(1′1、1′1、3′3),这样可以保证对于不同稀疏程度的图像都有相对较好的、更加可靠的感知领域。同时为了降低较大卷积核带来的运算量大的问题,本文将不同尺寸的卷积核置于平行的位置,让其并行运算,从而保证了其较快的运行速度。

关键词：图像超分辨图像复原人工智能深度学习深度卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法

引用

液晶与显示 2018年第6期33卷 528-537页

作者：廖欣郑欣邹娟冯敏孙亮杨开选四川大学华西第二医院病理科四川成都610041 四川大学出生缺陷与相关妇儿疾病教育部重点实验室四川成都610041 电子科技大学计算机科学与工程学院四川成都611731

针对宫颈细胞病理自动筛查问题,提出一种基于深度卷积神经网络的智能辅助诊断方法。首先采用基于改进UNet深度卷积神经网络模型的语义分割方法,检测出宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域。接着,利用VGG 16深度卷积神经网... 详细信息

针对宫颈细胞病理自动筛查问题,提出一种基于深度卷积神经网络的智能辅助诊断方法。首先采用基于改进UNet深度卷积神经网络模型的语义分割方法,检测出宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域。接着,利用VGG 16深度卷积神经网络模型,结合迁移学习技术,对检测出的细胞(粘连簇团)区域进行精确识别。为了提高深度卷积神经网络模型的性能,在进行细胞(粘连簇团)区域检测、识别的过程中,采用了数据增强技术。同时,针对该领域相关研究缺乏宫颈细胞病理液基涂片扫描图像数据集的问题,我们收集四川大学华西附二院的典型LCT筛查病例,建立了宫颈细胞病理图像HXLCT数据集,并由资深病理医生完成数据标注。实验表明,本文方法能够较好地完成宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域检测(正确率为91.33%),并能对检测出的区域完成正常、疑似病变二分类识别(正确率为91.6%,召回率为92.3%,ROC曲线线下面积为0.914)。本文工作将有助于宫颈细胞病理自动筛查系统的开发,对于宫颈癌早期防治具有重要意义。

关键词：宫颈细胞病理深度卷积神经网络数据增强迁移学习智能辅助筛查

来源：评论

学校读者我要写书评

暂无评论

深度卷积神经网络及其在图像测距中的应用研究

深度卷积神经网络及其在图像测距中的应用研究

引用

作者：梁天明中国矿业大学

学位级别：硕士

伴随着存储能力和计算能力的不断提升,图像数据大量积累,深度学习技术不断发展,使得计算机视觉任务的效果得到不断的提高。图像像素距离估计作为计算机视觉中的一个基础任务,在图像场景理解、语义分析、三维重构、SLAM、无人驾驶技术、... 详细信息

伴随着存储能力和计算能力的不断提升,图像数据大量积累,深度学习技术不断发展,使得计算机视觉任务的效果得到不断的提高。图像像素距离估计作为计算机视觉中的一个基础任务,在图像场景理解、语义分析、三维重构、SLAM、无人驾驶技术、机器人导航等具有重要的研究价值。深度卷积神经网络(Deep Convolutional Neural Network,DCNN)是一种前馈神经网络,在对大型图像数据的处理中显示出了独特的优势。本文利用DCNN良好的特征提取能力和全卷积神经网络(Fully Convolutional Neural Network,FCN)端到端的结构,设计针对图像深度估计的回归模型,然后融合回归神经网络(Recurrent Neural network,RNN)在序列数据分析上的优势,对DCNN得到特征的细节进行处理,得到更精确的深度图像。本文主要完成的工作如下:首先,提出基于深度全卷积结构的单目图像深度估计模型。分析DCNN的原理和主要结构,研究基于DCNN的全卷积网络结构,针对图像深度估计任务,设计基于U-net网络结构的全卷积图像深度估计框架。U-net网络结构可以实现解码与编码部分的特征融合,在此基础上,对FCN解码部分的每次反卷积特征进行当前规模重构回归图像的深度预测;并将多次预测得到的结果融合到最终的深度图像预测输出中进行整体重构图像结构的矫正。本文设计的模型在NYU Depth V2数据集上显示了较好的深度估计效果。然后,提出融合卷积神经网络和回归神经网络的图像深度估计模型。设计基于回归神经网络的图像区域特征提取模块,在此基础上,设计两个RNN特征提取单元同时从纵向与横向提取图像的结构特征并进行信息融合,提出了基于回归神经网络的双向并行图像特征提取模型,并通过在图像分类任务中的实验证明RNN能够更加细致的刻画图像细节。接下来将该模型融合到基于残差U-net网络图像深度估计模型的编码与解码映射中,增加特征结构信息,融合DCNN和RNN在图像处理中各自的优势,构造最终的更加完善的图像深度估计框架。通过实验证明了融合网络在深度图像全局和细节重构上的双重优势。最后,提出基于深度估计的视频图像测距应用原型系统。将静态图像深度估计迁移到视频图像的实时深度估计,利用本文设计的融合模型对真实场景中的静态图像和视频图像进行距离估计,并通过设计演示系统进行完整的演示与总结。

关键词：深度卷积神经网络深度估计回归神经网络全卷积网络图像测距

来源：评论

学校读者我要写书评

暂无评论

基于深度卷积神经网络的地震数据局部信噪比估计

引用

地球物理学报 2020年第1期63卷 320-328页

作者：吕尧单小彩霍守东杨长春中国科学院地质与地球物理研究所中国科学院油气资源研究重点实验室北京100029 中国科学院地球科学研究院北京100029 中国科学院大学北京100049

估计地震数据的信噪比对于地震数据的处理和解释具有重要作用.以往估计地震数据信噪比的方法都需要分离数据中的有效信号和噪声,然后再估计相应的信噪比.这些估计方法的精度严重依赖信号估计方法或噪声压制方法的有效性,往往存在偏差.... 详细信息

估计地震数据的信噪比对于地震数据的处理和解释具有重要作用.以往估计地震数据信噪比的方法都需要分离数据中的有效信号和噪声,然后再估计相应的信噪比.这些估计方法的精度严重依赖信号估计方法或噪声压制方法的有效性,往往存在偏差.本文提出一种估计地震数据局部信噪比的深度卷积神经网络模型,通过迭代训练优化参数,构建从含噪地震数据到其信噪比的特征映射.然后使用该神经网络完成信噪比的推理预测,不需要分离地震数据中的有效信号和噪声.模拟数据和实际资料的处理结果都表明,本文的方法可以准确而高效地估计局部地震数据的信噪比,为地震数据质量的定量评价提供依据.

关键词：局部信噪比估计深度卷积神经网络质量评价

来源：评论

学校读者我要写书评

暂无评论

深度卷积神经网络在公交车内客流状态识别中的应用研究

深度卷积神经网络在公交车内客流状态识别中的应用研究

引用

作者：徐明远长安大学

学位级别：硕士

随着城市居民私家车数量的增长,交通拥堵问题困扰着大多数城市,大力发展公共交通来分担城市居民出行率是一项缓解城市拥堵的重要举措。公交车内客流状态是适时调整公交车运营策略、优化线路规划以及乘客是否选择乘坐本次公交的基本决策... 详细信息

随着城市居民私家车数量的增长,交通拥堵问题困扰着大多数城市,大力发展公共交通来分担城市居民出行率是一项缓解城市拥堵的重要举措。公交车内客流状态是适时调整公交车运营策略、优化线路规划以及乘客是否选择乘坐本次公交的基本决策依据。本文利用图像处理技术,采用卷积神经网络分类算法和目标检测算法来实现公交车客流状态的自动检测,对于提升公交出行的满意度、舒适度和吸引力,提升公交服务水平,缓解城市交通拥堵,具有重要的应用价值。首先,建立了四分类的公交车客流状态分类数据集共计12545张图片,训练测试了四种卷积神经网络。对其中表现较好的Vgg Net-16模型添加批归一化层、使用1×1的卷积层替换全连接层,使得模型精度提升至94.3%。对Google Inception Net V2模型使用Swish激活函数替换原有的Re LU激活函数,并调整第一层的卷积步长,使得模型精度提升至94.8%,改进后两模型的测试精度较原始模型均提升了0.6%。其次,构建了公交车客流状态检测数据集,采用迁移学习方法训练模型,对数据集中乘客头部标注框进行聚类改进模型先验框的尺寸以及对YOLOv3损失函数中计算预测框宽高损失的部分进行归一化的改进,使得模型对乘客头部目标的检测精度为91.4%,对公交车客流状态的测试精度为95.7%,模型的单张检测时间为25.7ms。为了提升模型的检测速度,采用改进YOLOv3-tiny网络和使用轻量化网络Squeeze Net替换YOLOv3的特征提取网络两种方法进行实验,使得两种模型能在一定的检测精度下,单张检测速度分别降至8.6ms和16.2ms,这意味着计算终端在同一时间内可以处理更多路的数据。为了解决原始YOLOv3中存在的对乘客头部小目标和乘客头部遮挡粘连目标的漏检问题,通过增加一个小感受野尺度融合检测的方法提升模型的小目标检测效果,将模型对乘客头部目标的检测精度提升为92.7%,对公交车客流状态的测试精度提升为96.1%。通过将Dense Net的设计思想融进Darknet-53网络中提高模型的特征提取能力,将模型对乘客头部目标的检测精度提升为93.1%,对公交车客流状态的测试精度提升为96.5%,以上两种算法相较YOLOv3原始模型,检测精度分别提升了1.3%和1.7%,对公交客流状态的测试精度分别提升了0.4%和0.8%。最后,从模型测试精度和性能两个方面对本文使用的两种解决公交车客流状态识别问题的方法进行了对比分析。

关键词：图像识别深度卷积神经网络目标检测迁移学习公交车客流状态

来源：评论

学校读者我要写书评

暂无评论

基于Dropout深度卷积神经网络的ST段波形分类算法

引用

传感技术学报 2018年第8期31卷 1217-1222页

作者：任晓霞张家口学院数学与信息科学学院河北张家口075000

心电信号的ST段波形变化是心肌损伤等心血管类疾病临床诊断的重要辅助手段之一。针对ST段波形分类以及深度卷积神经网络过拟合问题,提出一种基于概率随机舍弃神经元建立子网络的Dropout深度卷积神经网络,通过心电信号数据去噪、ST段候... 详细信息

心电信号的ST段波形变化是心肌损伤等心血管类疾病临床诊断的重要辅助手段之一。针对ST段波形分类以及深度卷积神经网络过拟合问题,提出一种基于概率随机舍弃神经元建立子网络的Dropout深度卷积神经网络,通过心电信号数据去噪、ST段候选段筛选、神经网络卷积与下采样运算过程,实现ST段波形样本训练与测试。仿真实验对比分析了算法的波形分类准确率、卷积核个数影响和Dropout对算法泛化能力影响,与专家手工标注、BP、RNN和DCNN等方法进行比较,实验结果表明Dropout DCNN能够有效提高卷积神经网络泛化能力,提升算法的可用性。

关键词：心电信号数据 ST段波形分类深度卷积神经网络 Dropout 泛化能力

来源：评论

学校读者我要写书评

暂无评论

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

请选择保存的检索档案：

请选择收藏分类：

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

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

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：