简介：在此提出一种改进的深度卷积神经网络模型,该模型通过增加并联卷积层,拓展卷积神经网络宽度实现,有利于提取图像特征,提高网络性能;卷积层中对特征图像采用批量归一化方法进行预处理,加快网络训练.实验结果表明,该模型能更准确地学习宫颈癌细胞图像特征,从而有效降低了分类错误率.

简介：深度学习是人工智能领域发展的一个不可或缺的部分,并且广泛应用于图像识别方面.为了进一步降低宫颈癌细胞图像的识别错误率,本文提出了一种基于卷积神经网络的改进算法.该算法通过搭建卷积神经网络框架,对下采样过程中特征提取阶段的池化模型进行改进,在下采样过程中对池化域内的每个元素分配合适的权值得到下采样特征图.实验结果表明,我们所提出的基于卷积神经网络的改进算法降低了对宫颈癌细胞图像的识别错误率.

简介：为有效降低宫颈癌细胞图像在图像识别中的假阴性率,在此提出一种改进的残差网络算法.该改进算法通过对交叉熵代价函数增加权重实现,根据不同病变程度的宫颈细胞建立权重矩阵,有针对地对假阴性类别的输出进行加权处理,优化分类输出、减少假阴性误判.实验结果表明,对于不同的宫颈细胞图像数据集,本改进算法输出分类效果稳定;与传统图像分类算法相比,改进后的交叉熵代价函数算法在识别分类宫颈细胞图像时,能有效降低宫颈癌细胞图像的假阴性率.

简介：在数据驱动的集中式空调系统故障诊断过程中，特征选择是一个必要的预处理．选取重要的特征作为分类依据，无论是从经济的角度还是对故障的有效判断上，都具有非常重要的意义．现采用不同的特征选择方法对一组冷水机组故障数据进行特征选取，并利用支持向量机完成分类，最后通过对比分析获取冷水机组故障诊断中最重要的特征子集．

简介：为解决空气处理机组在故障检测过程中难以获得大量带有类标记样本,且故障样本数据标记代价较高的问题,本文结合支持向量机与半监督学习方法,提出了针对空气处理机组故障检测的半监督学习算法.首先利用序列前向选择选出重要的特征作为分类依据,将半监督学习方法引入支持向量机的学习过程中,并使用遗传算法寻找支持向量机的最佳参数.然后选择类标记置信度高的未标记样本加入训练样本集,利用未标记样本中有利于支持向量机的信息,提高学习性能.实验表明,提出的混合算法能够在故障标记样本比较少的情况下达到较高的故障诊断率.

简介：针对观缆车主轴系统难以拆卸的特点,将声发射检测技术应用于观缆车轴承的故障诊断中,提出一种经验模态分解(Empiricalmodedecomposition,EMD)与近似熵相结合的观缆车轴承故障诊断方法.即利用观缆车试验台对滚动轴承无故障、内圈故障和滚动体故障进行模拟,采集其声发射信号.通过EMD方法将获取的声发射信号分解为若干个本征模态函数(Intrinsicmodefunction,IMF)分量,然后利用能量和相关系数法选取IMF分量,最后对筛选的IMF分量进行近似熵计算.实验结果表明,该方法能够有效判断观缆车滚动轴承是否存在故障.