为解决脑电数据分辨率低、数据量不足以及被试者个体差异所导致的解码效率低下问题,提出适于脑电信号分析的轻量级多分支融合网络(multi-branch fusion network for electroencephalogram signal, EEG-MFNet)模型。通过多尺度时空卷积模块提取脑电数据的多层次时空特征,应用多尺度时间卷积提取更高级的时-空-频域特征,对输入分类器的特征数据应用滑动窗口,增强数据的有效特征。EEG-MFNet模型的平均分类准确率、标准差相比对比模型分别提升3.19%、22.86%以上,模型推理时间减少16.87%以上。实验结果表明所提方法提高运动想象脑电信号分类准确率,并增强模型的稳定性,提升了模型的训练效率,为基于运动想象的脑电信号分析提供更有效的解码方案。

针对目前基于磁共振成像(magnetic resonance imaging, MRI)的胶质瘤异柠檬酸脱氢酶1(isocitrate dehydrogenase 1, IDH1)基因状态预测的深度学习模型中存在的深度网络特征提取不全面、模型存在固有的不确定性等问题,提出基于改进的残差网络(residual network, ResNet)与真值发现的TDA-ResNet(truth discovery divided attention-ResNet)模型。通过分散注意力机制优化ResNet网络模型架构,提取胶质瘤影像局部与全局特征,对胶质瘤IDH1基因状态进行预测;同时在模型中融入真值发现算法,对作为预测结果的深度特征向量进行不确定性校准,提高模型预测准确率。实验数据收集自徐州医科大学附属医院部分胶质瘤患者的MR影像及癌症影像档案(the cancer imaging archive, TCIA)公有数据集。TDA-ResNet模型在徐州医科大学附属医院胶质瘤MR影像数据集及TCIA数据集中的实验准确率分别为95.73%和94.3%。实验结果表明,TDA-ResNet模型可实现对脑胶质瘤IDH1基因状态无创预测及不确定性校准,其性能优于现有的IDH1基因状态深度学习预测模型,对脑胶质瘤临床诊疗具有重要意义。

引入Transformer结构和UNet++网络,提出一个新的双分支视网膜血管分割网络,该网络中的双分支编码器可以更好地关联图像中的全局信息,使得整个网络在小数据集的训练中也有较好的效果。在此基础上,为了进一步解决UNet网络中下采样操作导致的视网膜血管信息丢失问题,在输出层和网络第二层的特征图引入引导滤波,可以有效提高小血管分割精度。该网络使用DRIVE数据集(digital retinal images for vessel extraction)和CHASEDB1数据集(combined healthy and diabetic retinopathy database 1)进行实验,在精确度、灵敏度等参数上有较大的提升,并且血管分割图中正确分割出更多细小血管,总体表现出较好的效果。

心脏左心室分割临床应用要求是分割的左心室保持凸形且包含左心室腔、小梁和乳头肌,提出一个包含改进距离正则项和非零水平集保凸项的心脏核磁共振成像分割模型,其利用水平集轮廓的曲率来保持凸性,从而使轮廓最终演化为凸形。使用ACDC MICCAI 2017数据集进行模型评估,该模型在心脏舒张末期和收缩末期阶段的平均Dice系数分别为0.961和0.936,平均豪斯多夫距离分别为4.89和5.79。同时该模型无需对训练数据进行人工标注和学习,分割精度和鲁棒性均可以达到与基于深度学习的左心室分割模型相同的分割性能。

利用图论知识定义社会群体的网络结构,构建树形疫情新发地风险传播网络,结合风险评估模型,将疫情新发地的区域分为高、中、低三个风险等级,通过数据仿真验证划分方法的合理性。构建的树形区域风险传播网络能较好的描述疫情新发地社会网络关系中的疫情传播情况,利用确定区域节点之间的相关函数和节点风险值构建的疫情分类模型,刻画发生疫情区域的周边区域的风险等级,为疫情防控工作主动性、精准性及系统性提供理论依据。

传统的概念仅包含对象和属性之间的关系,忽略了对象与对象之间的邻接关系,导致推荐效果不佳。为了解决这一问题,本文基于网络形式背景提出邻接网络(adjacency network, AN)概念,并设计了AN概念集构造方法和基于该概念集的推荐算法。设计AN概念由外延对象、邻接内涵和内涵属性组成,其中邻接内涵为外延对象的邻接节点。提出启发式构造算法,利用概念的容积作为启发式信息,生成AN概念集。采用不同的推荐策略,为外延对象和邻接内涵对象进行预推荐,通过推荐次数阈值判断实现最终推荐。本文在11个真实数据集上进行了实验,并将结果与经典的协同过滤算法和基于形式概念的推荐算法进行了比较。结果表明,本文提出的算法具有较好的推荐效果。

将自适应动态图技术和标签流形集成到改进后的线性映射学习框架中,提出了具有标签流形和动态图约束的多标签特征选择算法。该算法基于特征自表示的改进矩阵分解技术,改进了线性映射模型,对特征和标签之间以及不同标签之间的相关性进行解耦。设计了一种具有拉普拉斯秩约束的自适应动态图技术,学习高质量的特征相似图。构建了基于标签相关性的标签流形,将标签信息充分的纳入模型的训练中。验证了自适应动态图技术可以有效的提高图矩阵的质量,以及所提算法在解决多标签特征选择问题上的有效性。

提出一种基于图互信息的池化算子——图互信息池化(graphical mutual information pooling, GMIPool)。GMIPool利用互信息神经估计度量节点及其对应的支撑图之间的图互信息(包括特征互信息和结构互信息),利用图互信息识别并保留图中的关键节点,构建更为紧凑的粗图。为确保原图和粗图在结构上的一致性,该方法利用节点之间的邻域关联性对粗图的结构进行修正。该方法在多个节点分类任务数据集上进行实验,验证了图互信息池化的有效性。

提出了一种基于邻域粒度与三支决策理论的知识表示学习方法,该方法采用2阶段的框架式增强算法,第1阶段通过知识表示学习方法拟合知识图谱中的节点与关系,映射其中蕴含的语义信息进入低维向量空间;第2阶段,通过划分低维向量表示的邻域粒度,捕捉和利用语义信息中的潜藏相似关系,并辅以三支决策对邻域粒度所挖掘的相似语义信息进行精准的划分,再将所挖掘出的潜藏信息对模型进行重训练,提升知识表示学习方法的准确性与鲁棒性。本文选定5种经典的知识表示学习模型,并在4个公开的大型知识图谱数据集上进行实验,通过实验结果验证了本方法的有效性。

为了实现支持向量回归算法的高效性和鲁棒性,本文将多粒度粒球计算融合到支持向量回归算法中,提出了一种基于粒球计算的多粒度粒球支持向量回归算法。该算法将粒球中的半径信息加入到约束条件中,将原本基于样本点的支持向量算法替换为基于粒球的支持向量回归算法。同时,本文研究了多粒度粒球支持向量回归机的对偶模型。实验结果表明,采用人工数据集和加州大学欧文分校(University of California-Irvine, UCI)公开数据集时,多粒度粒球支持向量回归机的计算效率和鲁棒性均得到提升。

提出FT-粗糙集下构建知识结构的方法,讨论如何对学习者进行技能评估和学习路径选择。在模糊近似空间中,利用FT-粗糙集的上逆和下逆模型构建知识结构并研究了知识结构的性质。在已知学习者的知识状态的情形下对学习者的技能的掌握情况进行评估,并给出学习路径图及其算法,通过教学实例说明算法的有效性和可行性。

引入一种新型变精度(*,·)-模糊粗糙集,结合多粒度思想,提出了包含乐观、悲观和折中3个基本模型的多粒度变精度(*,·)-模糊粗糙集,研究了模型的代数性质和拓扑性质,证明了模型满足包含性、幂等性、对偶性等性质,并且能诱导模糊拓扑、模糊余拓扑结构。