为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出...为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。展开更多
针对如何快速实现地面观测获得的时序天文FITS(Flexible Image Transport System)图像的自动化分类和检验问题,提出了一种FITS图像自检验和自分类方法,该方法结合了K-means聚类算法及其思想,同时加入了一种基于皮尔逊相关系数的相似度...针对如何快速实现地面观测获得的时序天文FITS(Flexible Image Transport System)图像的自动化分类和检验问题,提出了一种FITS图像自检验和自分类方法,该方法结合了K-means聚类算法及其思想,同时加入了一种基于皮尔逊相关系数的相似度算法。通过比较该方法与基于有监督的VGG13分类网络和基于无监督的K-means聚类算法应用于真实的天文数据分类得到的错误数量,得出该方法的分类准确率达94%以上。该方法一方面检验出了历史数据中存在的错误情况,摆脱了对关键词IMAGETYP和观测日志的依赖,进一步规范和完善了历史存储的天文FITS数据;另一方面增强了分类的可靠性,提高了数据获取效率,降低了人工成本。展开更多
文摘为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。
文摘针对如何快速实现地面观测获得的时序天文FITS(Flexible Image Transport System)图像的自动化分类和检验问题,提出了一种FITS图像自检验和自分类方法,该方法结合了K-means聚类算法及其思想,同时加入了一种基于皮尔逊相关系数的相似度算法。通过比较该方法与基于有监督的VGG13分类网络和基于无监督的K-means聚类算法应用于真实的天文数据分类得到的错误数量,得出该方法的分类准确率达94%以上。该方法一方面检验出了历史数据中存在的错误情况,摆脱了对关键词IMAGETYP和观测日志的依赖,进一步规范和完善了历史存储的天文FITS数据;另一方面增强了分类的可靠性,提高了数据获取效率,降低了人工成本。
