基于WebGis的昆虫分类查询系统的研制
这是一篇关于昆虫,分类,查询,WebGis,Wap的论文, 主要内容为昆虫是动物界中一个十分庞大的类群,所包含的种数比所有动物类群的总和还要多,已经记载和命名的昆虫大约就有一百万种。将中国目前已经发现和命名的昆虫的分类资料数字化,建立一基于网络的昆虫分类查询的资料数据库,是加强昆虫分类资料管理和共享昆虫分类资源的重要基础性工作,同时对有益昆虫的利用和有害昆虫的防治具有重要的参考价值。《中国动物志·昆虫纲》丛书为我们提供了昆虫分类方面的权威资料,利用计算机Web技术和数据库技术,实现这些权威资料的网络化、数字化,是实现昆虫分类资源共享的重要途径。 本系统实现了昆虫各种查询功能(基本查询、组合查询和区域查询);利用昆虫分类检索表结构与二叉树的数据结构相似性,实现了由昆虫的性状到种类的判别;手机上网功能的普及,使得以手机登录WAP网成为可能,本系统充分考虑到手机这一非常大众化的工具,采用了WEB和WAP两种技术共享服务器端昆虫数据库的方法,用户不仅可以通过WWW与服务器进行交互,也可以用手机登陆WAP网,满足不方便登录WWW的用户,从而突破了时空的限制,实现了信息的完全共享;系统借助Google Maps API这一国内外主流WebGis接口完成系统开发工作,当查询某一昆虫的分布时,系统能够在地图上动态生成该昆虫分布点,比起一些网络系统利用在地图上添加热点的方式来说,具有更强的动态性;另外,为了昆虫学者外出考察的方便,系统提供了考察路线功能;专家门诊让使用者和专家有了一个可以相互交流的平台;新闻公告为用户提供了昆虫研究的行业新闻,便于使用者了解昆虫相关领域的最新研究动态;数据维护对一个系统能否发挥最大的功效,是至关重要的,本系统的管理者除对数据库进行定期的维护,添加新的种类信息及审核添加信息、数据的正确外,还要回答用户通过WWW和WAP网络的提问,发布新闻公告等。这些功能模块的有机结合,信息高度整合、集中。 系统采用功能强大的大型关系型数据库Oracle建立后台昆虫信息数据库,并利用JSP技术开发了WWW登陆的模块;利用WML语言完成了手机登陆模块的开发;并借助Google Maps API和51ditu API两大国内外主流WebGis接口完成系统开发工作。 本系统的开发,为我国昆虫种类的识别和相关信息的共享提供了快捷、高效的网络工具。这是计算机信息处理技术与昆虫分类学的有机结合,是利用计算机技术提高生物分类学研究、教学效率的一种新途径。
基于知识图谱的英语语法智能题库系统研建
这是一篇关于英语语法,知识图谱,分类,推荐,智能问答的论文, 主要内容为英语作为全世界使用最广泛的语言,是我国基础教育的重点学科,如何有效地帮助学习者吸收英语知识,一直是广大英语教育工作者的共同目标。随着教育信息化2.0的推进,越来越多的英语学习者们倾向于在线上练习英语题目。由于语法是学习英语的基础,在琳琅满目的英语练习题中,语法题目通常会被列为英语练习的重中之重。然而,层出不穷的语法题目并没有在目前的在线学习平台中得到智能化处理,大多数仍然依赖于专业教师的人工解析。本文将知识图谱相关技术应用于英语语法学习领域,设计实现了一个基于知识图谱的英语语法智能题库系统。本文的主要内容为:(1)构建了英语语法知识图谱。首先分析英语语法知识,提取了相关的名称、概念、举例、结构;然后设计了语法知识图谱概念模型,并利用Neo4j对图谱进行存储和可视化。构建的英语语法知识图谱共包含了18类语义关系、1103个语法知识点实体。(2)对英语语法智能题库系统进行需求分析和功能设计。根据用户的学习需求,设计了题目分类、知识图谱查看、题目推荐、智能问答等功能,并实现了系统架构设计和数据库设计等。(3)基于前面构建的英语语法知识图谱对系统的题目分类、题目推荐、智能问答等核心功能模块进行了设计实现。题目分类采取SVM算法,以知识图谱特征、正确答案词性特征、TF-IDF特征作为题目特征向量;题目推荐采取深度搜索知识图谱的策略,返回与用户错题知识点相关的易混淆知识点从而推荐题目;智能问答采取基于模板匹配的方式,构建SVM分类器对用户输入的自然语言问句分类,最后利用Cypher语句在知识图谱中查询答案。本文研究并构建的智能题库系统作为知识图谱在英语语法学习领域的初步尝试和应用,不仅可以为用户提供相对全面精准的英语语法知识网络,同时迎合了教育智能化的发展方向,对教育事业的发展有重要意义。
基于深度学习的脑膜瘤MRI医学影像分类与病灶分割模型构建
这是一篇关于深度学习,脑膜瘤MRI图像,分类,病灶分割的论文, 主要内容为脑膜瘤是中枢神经系统中最常见的颅内原发性肿瘤,绝大多数的脑膜瘤为良性,只有约3%为恶性。根据世界卫生组织的数据,全球每100万人中有1.2-2.7例脑膜瘤患者。在脑膜瘤的临床诊治中,手术切除可以达到比较好的治疗效果,所以尽早进行脑膜瘤的早筛诊断可以显著提高病人预后与生存时间。在临床诊断中,常使用磁共振成像(Magnetic Resonance Imaging,MRI)技术对脑膜瘤进行检测,且MRI平扫结合增强检查有很好的诊断效果。然而,MRI增强检查需要注射造影剂,会对受检者的肾功能造成一定的代谢负担且费用较高,具有明显的身体负担与经济负担缺陷。脑膜瘤MRI图像一般包含3个模态:T1模态、T2模态和T1c模态,其中T1模态和T2模态的序列属于平扫序列,T1c模态的序列属于增强序列。目前,公共数据平台中公开的脑膜瘤数据集大多包括MRI增强序列(T1c模态)图像且病灶明显,基于此种数据集构建的脑膜瘤MRI图像分类模型和病灶分割模型很难为临床脑膜瘤的大规模早筛检查和MRI平扫序列图像(无增强)提供良好的预测效果。针对这个问题,本文应用深度学习和计算机视觉领域的相关技术,对脑膜瘤MRI图像的分类与病灶分割两方面进行研究,具体工作如下:1、数据的清洗与预处理。MBMI(Meningioma Brain MRI Images)数据集的原始样本收集自华中科技大学武汉协和医院影像科的129例患者的20541张原始图像。本文通过下列人工筛选流程完成了数据的清洗与标注:在去除噪声数据后,通过Radi Ant Viewer软件综合对比患者的各个序列MRI图像,对MRI增强序列样本进行人工标注。得到MBMI分类数据集中129例患者的12422个样本(平扫序列脑膜瘤样本1209个,无脑膜瘤样本6004个,正负样本比例约为1:5;增强序列图像脑膜瘤样本834个,无脑膜瘤样本4375个,正负样本比例约为1:5)。针对病灶分割问题,MBMI病灶分割数据集中有113例患者含病灶标签的905个平扫序列脑膜瘤样本。为防止过拟合,以上两个数据集均按照8:1:1的比例依据患者ID划分训练集、验证集和测试集。对收集自公共数据平台的脑膜瘤数据集(无患者ID)进行处理,调整图像数据尺寸后以8:1:1的比例随机划分为训练集、验证集和测试集。2、基于注意力机制和Inception V3网络的脑膜瘤MRI图像的分类模型构建。通过对原始通道注意力机制模块特征提取特点的分析,提出了改进通道注意力机制ME(Mix Pooling and Excitation)。ME模块改进了原来通道特征的提取方式,突出图像中的重要特征信息,使注意力机制更注重通道间信息的差异性。本文进而将ME模块与Inception V3网络融合成ME-Inception V3网络,并用于脑膜瘤MRI图像分类。在技术路线上,针对MBMI分类数据集的正负样本不平衡问题(正类:负类约为1:5),本文基于集成学习并使用两级模型框架,使用两种策略进行模型预测结果的计算。通过设计实验对比ME-Inception V3网络与其他模型在测试集上的预测结果(模型的训练加入了增强序列以提高模型学习到的病灶特征,只使用平扫序列测试集进行测试)。结果表明,基于ME-Inception V3网络和概率平均策略进行集成时,脑膜瘤的总体识别能力显著高于其他模型,识别准确率为0.813。进一步,基于元分类器SVM进行集成时,ME-Inception V3网络的识别准确率提升为0.835。最后使用ME-Inception V3网络基于脑膜瘤MRI图像公开数据集进行训练和测试,得出模型的识别准确率为0.962。这不仅表明ME-Inception V3网络结构结合SVM集成策略对于脑膜瘤MRI图像的具有较强的识别能力,而且通过两个数据集的结果对比,说明针对平扫序列样本的分类预测具有相当识别难度。3、基于U-Net模型融合残差模块和注意力机制的脑膜瘤MRI图像病灶分割模型构建。为了解决传统U-Net模型随着网络深度的加深可能产生性能退化的问题,并且为了使模型对于脑膜瘤的病灶分割有更好的性能,本文通过对U-Net模型的思想、注意力机制的特点和残差网络结构的分析,提出了用于脑膜瘤病灶分割的SRU-Net(SE-Residual-U-Net)模型。SR-U-Net网络通过对传统U-Net模型中编码器的改进,将注意力机制和残差网络的融合模块SR嵌入到U-Net模型中作为其编码器部分。实验结果显示,SR-U-Net模型在MBMI病灶分割测试集上的MIou为0.651,而只使用Res Net作为U-Net编码器的Res Net-U-Net模型在测试集上的MIou为0.621,比SR-U-Net网络的结果低0.03,这说明融合注意力机制可以提高模型对脑膜瘤病灶的识别能力。SR-U-Net模型的病灶分割可视化结果表明,模型可以较好地识别脑膜瘤病灶的位置和区域,为完成病灶分割任务奠定基础。综上所述,本文基于医院收集到的脑膜瘤MRI图像真实数据,对原始数据进行数据筛选与清洗、数据标注。利用深度学习算法有关知识,基于集成学习方法并使用两级预测模型构建了脑膜瘤MRI图像的分类模型,实现对MRI平扫序列图像的预测。基于对U-Net模型、注意力机制和残差网络的研究,构建了脑膜瘤MRI图像的病灶分割模型,实现对MRI平扫序列脑膜瘤样本的病灶区域分割。研究表明,用于分类任务的的ME-Inception V3网络对脑膜瘤MRI图像的识别具有较高的预测性能,且用于病灶分割任务的SR-U-Net模型可以对脑膜瘤MRI图像较为准确进行病灶区域分割。尽管本文构建的针对脑膜瘤MRI图像的分类模型和病灶分割模型具有较高的准确性,但对于病灶区域不明显的图像数据,分类模型的预测结果和分割模型的准确度还存在可提升空间。未来工作包括:对于分类模型,可以进一步从融合残差结构、加深网络深度的角度提高模型的性能;对于病灶分割模型,可以采用更先进的分割模型作为框架,在其基础上融合注意力机制等,提高模型对病灶区域的识别能力。
基于深度学习的脑肿瘤分类检测算法研究
这是一篇关于脑肿瘤,ECA,EfficientNet,CBAM,分类的论文, 主要内容为脑肿瘤,当今世界最致命的癌症之一,据世界卫生组织临床研究发现,脑肿瘤患者尽早的发现和准确地判断肿瘤类别和病变程度能够大大提高脑瘤的治愈率。但由于人脑器官复杂,脑肿瘤种类繁多,转移不可预测,使得脑肿瘤的分类极具依赖医生的专业知识和临床经验。虽然人工检查准确率高,但是面对海量的影像数据,医生难免会出现误诊,并且人工诊断耗时较长,同时具有相关知识的医生的短缺,因此开展脑肿瘤自动分类检测方法的研究具有重要的应用价值。目前,随着医疗技术的发展,医学成像在医疗领域发挥着越来越重要的作用,由于人的大脑是一个极其复杂又脆弱的组织,而MRI具有无侵害,不暴露于电离辐射的特点而常用于脑肿瘤的分类和检测。近年来,在医学成像领域,出现了各式各样的神经网络模型和算法来辅助医生进行医疗决策。本文在此背景下开展了基于深度学习的脑肿瘤分类检测算法的研究,完成了如下工作:(1)提出了一种基于多模型深度学习算法的脑肿瘤图像分类方法。该方法通过Mobile Net V2+Bi LSTM、VGG19+CNN和Efficient Net+Bi GRU三种多模型神经网络架构在脑肿瘤MRI图像上进行多分类。实验结果显示,组合模型比单模型分类效果提高0.08～1.4%,最优模型分类平均准确率比现有方法提高约0.02%～3.9%。(2)提出了一种基于CBAM(Convolutional Block Attention Module)和改进通道注意力机制的Efficient Net神经网络(IC+IEffx Net)的新型混合脑肿瘤分类方法。该方法分为两个阶段,第一阶段将由基于改进空间注意力机制的CBAM模型提取特征。第二阶段将Efficient Net架构中的Squeeze and Excitation(SE)块替换成Efficient Channel Attention(ECA)块,将第一阶段的组合特征输出作为第二阶段的输入。实验展示了在混合脑肿瘤MRI数据集下,神经胶质瘤患者,脑膜瘤患者,脑垂体瘤患者与正常患者图像的四分类结果,实验结果显示分类平均准确率比现有方法提高约0.6%及以上。实验结果证明了该方法的有效性,为医疗专家能够准确判断脑肿瘤种类提供了新的参考。
基于深度学习的肺炎影像分类算法研究
这是一篇关于新冠肺炎,肺炎检测,分类,注意力机制,RetinaNet,Faster RCNN的论文, 主要内容为近年以来,新冠肺炎疫情频频爆发,确诊人员剧增,需要一种能够快速检测分类新冠肺炎胸片的人工智能辅助诊断工具,用以向医生提出快速的、置信的诊疗建议。本文通过对目标检测以及现有的肺炎检测分类方法进行深度总结,分析相关的算法模型和理论知识,发现现有方法对于肺炎检测分类存在部分问题,如使用单层特征图对于小型肺炎病灶的检测不充分,部分单阶段检测器对于病灶的检测分类精度较低等问题。针对存在的各种问题,通过改进深度学习目标检测模型,使其更适合于新冠肺炎影像的检测分类工作,主要从以下几个方面进行研究:(1)在Faster RCNN的基础上进行改进,对backbone、neck、head进行改进。以Faster RCNN基线模型为基础,进行了消融实验,确定了效果最好的改进方法。通过将Res Net50作为backbone,同时使用注意力机制,在模型neck部分使用特征金字塔网络与Res Net50各层特征充分连接,通过提取多尺度特征和逐层连接的方式进一步提升特征提取能力。在网络head部分,使用更为精确的ROI Align,以规避特征丢失造成的误差。实验表明,改进的Faster RCNN可以很好的将肺炎病灶检测分类,并且对小型病灶区域的检测效果也比较好,能够很好的完成新冠肺炎影像的检测分类工作。(2)在Retina Net的基础上进行改进,通过对模型的backbone、neck进行改进。以Retina Net基线模型为基础,进行了消融实验,确定了效果最好的改进方法。在backbone部分使用注意力机制、可变形卷积方法,同时在模型的neck部分对Retina Net的特征金字塔网络进行调整,使用带有底层大尺度特征图的完整的FPN模块,以进一步提升特征提取能力。实验表明,改进的Retina Net能够很好的检测肺炎影像的病灶,在保持速度的基础上,也保证了检测分类的精度,能够很好的完成对新冠肺炎影像的检测分类工作。综上所述,本文对新冠肺炎影像的病灶区域进行检测,并对患病与否进行分类。改进了两阶段的Faster RCNN目标检测网络和一阶段的Retina Net目标检测网络。通过实验表明,改进后的模型对于肺炎图像的检测分类性能、精度、m AP都有所提升,效果更好。
基于半监督异常检测系统的研究与实现
这是一篇关于分类,半监督,异常检测,深度学习,支持向量数据描述的论文, 主要内容为近年来随着互联网的时代到来,数据量级呈现了爆炸式的增长,大数据的时代随之到来。由于传统框架无法很好的处理海量数据的计算,新型的计算框架应运而生,这些框架的出现为数据的并行计算提供了极大的帮助,为数据科学的各个领域奠定了基础,加快了各领域的发展。然而随着数据量的不断增大,异常数据,恶意攻击也越来越多。异常数据在很多情况下可以对系统造成极大的危害,所以异常的检测也显得越来越重要,异常检测的相关方法也同时受到了更多的人的关注。异常数据也可以理解为不符合预期的数据,需要被识别出来。因为异常检测识别的对象是高维样本特征,所以这种情况下首先考虑使用机器学习算法。在实际的应用场景中,受检测的数据可以分类为有标记数据和无标记数据。获取大量有标记数据的难度较大,一般都需要经过专家的人工标记才能获得数据对应的标记,而这个过程需要耗费大量的资源才能完成,然而获取少量有标记数据的难度较低,比较容易实现。但是传统的机器学习算法并没有很好的利用大量未标记数据,只能运用少量有标记数据,因此在实际运用中表现不佳。按照训练过程中数据的标记有无,机器学习算法分为无监督学习算法、有监督学习算法、半监督学习算法。有监督算法要求受训练的数据都具有标记,但是这种条件很难达到,无监督算法虽然不需要数据具有标记但是整体的效果表现不如有监督学习,而介于有监督和无监督的半监督算法则综合了两种学习的优点,很好的发挥两者的优势。因此本文使用了一种近年提出的半监督模型Deep SAD并结合线性判别分析(LDA)模型中的分类功能对部分未标记数据进行预处理的方法来进行异常检测。Deep SAD模型是在Deep SVVD的基础延伸的,该模型在一定的程度上可以将标记的异常数据和正常数据都进行合理的运用。本文的主要工作如下:1.将线性判别分析模型与Deep SAD模型结合,先利用线性判别分析模型中的分类功能为未标记数据生成近似标签,用生成的近似标签来指导网络训练。再使用Deep SAD模型中的目标函数来提升异常检测的效果。同时对Deep SAD模型中的重要参数进行调整,来获得该模型能够达到最好效果的参数值,并将结合了线性判别分析模型后的Deep SAD模型与其它部分已知的模型横向对比,综合测试该模型的效果。2.基于结合了线性判别分析后的Deep SAD模型的异常检测系统开发。使用结合了线性判别分析模型后的Deep SAD模型开发了基于Spring Boot框架的异常检测系统。此系统提供了人工标记数据的接口,当系统中产生大量未标记的数据时,分析人员可以使用该接口进行部分数据的人工标记,再将未标记的数据和人工标记的数据共同传入异常检测模块中进行异常检测、并将检测结果进行存档以便于后续的异常追踪。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设海岸 ，原文地址：https://m.bishedaima.com/lunwen/46218.html
