-
公开(公告)号：CN114925057A
公开(公告)日：2022-08-19
申请号：CN202210642666.1
申请日：2022-06-08
Applicant: 哈尔滨理工大学
IPC: G06F16/215
Abstract: 本发明涉及一种基于距离函数的缺失值插补方法，该方法包括以下步骤：计算插补阈值模块，通过测量类中心与每类数据样本之间的欧几里得距离来确定每类的插补阈值；多重混合插补模块，采用多种单一模型对缺失数据插补多次，从而获得多个完整的插补数据集；选择最优插值模块，利用每类的插补阈值在插补数据集中确定最优的插值。本发明使用欧几里得距离函数和多种多重插补(MI)模型相结合的方式来处理缺失数据，从而弥补了单一模型的多重插补方法的不足，即同时考虑了数据和模型选择的不确定性，从而来获得比单一模型更好的插补结果。
-
公开(公告)号：CN116630706A
公开(公告)日：2023-08-22
申请号：CN202310596126.9
申请日：2023-05-24
Applicant: 哈尔滨理工大学
IPC: G06V10/764 , G06V10/776 , G06V10/82 , G06V10/774 , G06T7/00 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于NAS、Lambda层、Resnet集成策略的深度神经网络改进方法，包括以下步骤：首先，对数据集进行数据预处理；其次对CT图像进行十倍的交叉验证分割，并划分训练集和测试集；然后建立基于NAS、Lambda层、Resnet集成策略的深度神经网络模型，进行肺结节良恶性分类，以及评估该模型的效果；最后使用Softmax损失函数来训练整个网络，进行特征判别，并使用使用Davis‑Bouldin指数(DBI)评估Softmax学习到的深度特征的可判别性。本发明基于NAS、Lambda层、Resnet集成策略的深度神经网络改进方法，可以实现较高的准确率来达到肺结节良恶性分类的目的。
-
公开(公告)号：CN116485727A
公开(公告)日：2023-07-25
申请号：CN202310344256.3
申请日：2023-04-02
Applicant: 哈尔滨理工大学
IPC: G06T7/00 , G06V10/44 , G06V10/80 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明涉及一种基于注意力机制的深度学习影像组学诺模图预测方法，该方法包括以下步骤：数据预处理模块，深度学习网络的训练和图像特征提取模块、临床病理的特征选择模块，深度学习特征评分的建立以及多模态特征融合模块；对深度学习网络的训练和图像特征提取模块，使用DenseNet121结合SENet注意力机制训练深度学习网络，并深度学习模型的倒数第二个全连接层输出，作为每个图像的网络特征；特征选择模块，采用单因素和多因素COX回归，将P值小于0.05的显著性因素纳入多变量COX回归中进行分析；本发明将SENet注意力机制信引入DenseNet121卷积神经网络，可以引导网络以高权重方式聚焦CT图像中的重要信息，使用逻辑回归诺模图的方法结合多模态特征，SEDLR‑N模型在预测乳腺癌预后方面具有很高的性能，并且将不同模态的信息进行融合，在融合多模态的同时也考虑了不同模态的重要程度并给予不同的权重。
-
公开(公告)号：CN116340746A
公开(公告)日：2023-06-27
申请号：CN202310309761.4
申请日：2023-03-28
Applicant: 哈尔滨理工大学
IPC: G06F18/2113 , G06F18/213 , G06F18/214 , G06F18/243 , G06F18/10
Abstract: 本发明公开了一种基于随机森林改进的的特征选择方法，包括以下步骤：先对完整数据集进行缺失值处理、离散化处理；其次建立传统随机森林模型，并计算传统模型准确率，然后计算设定树木颗数时最佳树深度，以最佳深度重新生成随机森林，并且计算新生成森林中每棵树的准确率，选取准确率靠前的一定百分比的树，然后通过计算各个树的数据相似度，排除相似度超过设定值且准确率较小的树，最后计算最终准确率，从而得到改进后的随机森林。导致分类器性能下降的原因往往是因为这些高维度特征中含有无关特征和冗余特征，本发明基于随机森林的改进特征选择方法可以有效进行数据降维，可以实现较高的准确率来达到选择最优子集的目的。
-
-
-
Search Results
4
records
(took 0.015 seconds)
