论文部分内容阅读
胸腺机能及其与免疫的关系
【摘 要】
：
【机 构】
：
,
【出 处】
：
中华医学杂志
【发表日期】
：
1964年50期
其他文献
深度学习模型具有鲁棒性差的局限性,常见的如在图片中增加特定的噪声会影响到图片的分类和预测结果.近期有学者将深度学习引入到推荐系统中,因此在推荐系统中也存在噪声对推荐精度影响的问题.针对深度推荐模型的鲁棒性问题,基于变分自编码器(Variational Auto-Encoder,VAE)提出了新的评分预测模型REVAE(REcommender Variational Auto-Encoder).该模型为了训练模型对噪声干扰的鲁棒性,在传统的VAE上增加了一层隐层表示,利用后验分布对隐层表示进行约束,并在该隐
鉴于低空场景下无人机尺度多变、背景复杂的特点,提出一种基于深度学习的多尺度低空无人机目标检测算法。针对高层卷积特征对小无人机目标特征表达能力差的问题,引入VGG16低层特征图Conv3_3,构建特征金字塔网络,利用有效感受野技术,重新设计各特征图中先验框的尺寸和长宽比例,建立多尺度、多背景且包含干扰目标的低空无人机图像数据集,完成算法的训练和优化。实验结果表明,该算法相比原始SSD网络,平均精度(
蝙蝠算法(Bat Algorithm,BA)是一类新型元启发式算法,针对其在算法后期寻优精度降低、易陷入局部极值的不足,提出一种具有自适应多普勒策略及动态邻域策略的改进算法.根据蝙蝠个体在捕食过程中与猎物间存在的相对运动现象,引入自适应多普勒策略改进频率参数,增强算法全局探索的寻优能力.将动态邻域策略与BA算法有机结合,增加蝙蝠个体寻优结构的多样性,改善算法易陷入局部最优的不足.从理论上分析了改进后算法的收敛性和运算复杂性.在数值实验部分对改进后的算法进行了性能及应用测试:对10个经典标准测试函数在不同维
为准确识别意见领袖的敏感舆论倾向,有效把控敏感类舆情的发展,提出基于多任务学习的敏感舆论倾向识别模型(MTL-SA-LSTM)和基于指纹汇聚技术的快速识别模型.以准确识别意见领袖的敏感舆论倾向为目标,兼顾其识别效率.采用指纹汇聚技术关联原始敏感词和变形敏感词,采用语义指纹技术快速识别重复或相似度较高文本的敏感舆论倾向,通过MTL-SA-LSTM模型,对文本中的敏感舆论及舆论倾向两个任务进行识别.对比实验结果表明,该模型具有较高的识别准确率及识别效率.
为了保证大规模M IM O系统性能,针对系统所使用天线选择算法复杂度过高的问题,基于信道容量最大化准则对天线选择算法进行改进,提出了适用于大规模M IM O系统的最大欧式范数双向选择算法.该算法通过计算信道矩阵的欧式范数来判断每根天线对容量贡献的权重,从空集和全集两个方面从天线集中选择天线.通过仿真实验验证了最大欧式范数双向选择算法能够降低算法复杂度,在不同选择天线数和信噪比环境下保持较优信道容量,能够满足复杂的传播环境,更适合应用于实际的通信系统.
为从不同程度的混响语音中获得干净的语音信号,保留尽可能多的声学特性,提出一种基于混响时间感知的特征提取方法,在深度神经网络(DNN)训练阶段使用混响时间(RT60)相关参数优化系统在不同混响环境下的去混响效果.在去混响阶段,将混响语音输入到训练好的DNN进行语音去混响之前,先对混响时间进行估计,以选择合适的帧移系数和语音上下文窗系数进行特征提取.在此基础上建立一个多目标神经网络,结合基于掩蔽和基于幅度谱估计的方法,实验结果表明,所提方法相较传统不考虑混响时间的方法,在语音可懂度和语音质量方面都有明显提高,
针对帕金森疾病(Parkinson\'s Disease,PD)开环深部脑刺激(Deep Brain Stimulation,DBS)疗法存在能耗过多而引起副作用的问题,提出根据患者临床状态变化实时调节刺激参数的自适应闭环DBS方案.选取与临床状态密切相关的内侧苍白球β频段(13～35 Hz)振荡功率作为反馈信号,定义随运动状态动态变化的β功率值作为参考信号;选取鲁棒性强的模糊控制算法实时求解DBS参数并与传统比例-积分算法的控制效果进行比较;应用皮层-基底核-丘脑网络生理模型验证所设计自适应闭环DB
现实中的多目标问题日益复杂,解决这类问题需要高效的优化算法.基于麻雀搜索算法,提出多目标麻雀搜索算法(Multi-objective Sparrow Search Algorithm,MSSA),对多目标优化问题进行求解.依据外部存档收敛性动态调整麻雀种群比例因子,以达到全局探索能力和局部开发能力的最佳平衡,确保收敛性;对麻雀种群进行非支配排序;对麻雀种群的发现者引入多项式变异因子,增强算法跳出局部最优的能力;设计一种新型拥挤度距离计算策略,利用外部存档解的拥挤度大小剔除相似个体的方法对种群进行裁剪,使个
YOLOv3目标检测算法在检测目标时没有考虑边界框坐标定位存在的不确定性,因此有时不能得出正确的检测结果。针对此问题,提出YOLO-wLU(YOLO with Localization Uncertainty)算法。该算法借鉴深度学习中的不确定性思想,使用高斯分布函数建立边界框坐标的概率分布模型以考虑边界框坐标定位不确定性;设计新的边界框损失函数,在检测过程中移除定位不确定性较大的检测结果;通过融