摘要:岩石薄片图像的分析往往依赖于专业人员在显微镜下观察并给出鉴定结果,不但费时费力,并且受设备影响较大。近些年,针对薄片图像的自动识别方法已经被提出。然而,这些方法大多采用监督学习与深度学习相结合的方式,由于需要大量人工标注而受到限制,为方法的推广与应用带来巨大困难。此外,模型在不同的地层、岩性等目标应用时,由于不同地质环境中岩石的差异性,其泛化性也受到极大限制。本文针对该问题提出了一种简单线性迭代聚类算法(simple linear iterative cluster,SLIC)与半监督自训练结合的方法,仅依靠6%的人工标注便能够实现岩石图像的自动化分割与组分识别,极大地增强岩石图像自动识别方法在实际应用中的价值。该方法首先使用超像素算法SLIC对岩石图像进行预分割,随后基于分割片的颜色特征进行粗合并,并根据最小外接矩形进行切割;切割下来的岩石组分分割图像作为后续处理的基础数据集,这里仅需要人工标注6%的岩石组分数据;随后,这些数据通过一个改进的半监督自训练方法,以改进的VGG16模型作为主模型、ResNet18模型作为评判模型,不断生成高置信度的伪标签,利用迭代优化调整,将其扩展到整个数据集,最终获得一个具有较高的稳定性、准确性及一致性的组分识别模型。实际数据的测试与分析表明,本文所提出SLIC和半监督自训练结合的方法,对6类岩石组分的识别准确率可达到96%。该方法能够在数据差异不大的条件下,帮助用户基本实现自动化的组分识别。而当数据集产生较大差异时,仅需标注小部分样品即可实现自动组分识别。本方法具有较高的泛化性和可靠性,能够在实际应用提供足够的准确性与便利性。
摘要:利用脑电图信号,结合深度学习方法进行抑郁症辅助诊断目前仍存在特征提取不足及模型诊断准确率不高的问题。为了提取更具抑郁症表征的特征,提高抑郁症辅助诊断的准确率,本文从特征提取和网络框架两个方面进行改进,提出一种结合改进VGG–16(visual geometry group–16)和基于压缩激励网络的通道注意力机制(modified VGG–16 network based on SE–NET,SEMod–VGG)的抑郁症辅助检测模型。首先,提取脑电图信号中α(Alpha)、θ(Theta)和β(Beta)频段的微分熵特征,与对应通道的功率谱密度特征相融合,构成一种同时具有时频属性和能量属性的4维融合特征;其次,针对该4维特征,改进现有的VGG–16模型,同时采用5×5和7×7两种不同尺度的卷积核,在提取脑电信号的时频信息和功率信息的同时,提高特征的泛化表征能力;再将基于压缩激励网络的通道注意力机制与改进的检测模型相结合,对电极通道的权重进行2次标定;最后采用10折交叉验证使得最小二乘支持向量机取得最佳检测准确率。对所提模型在准确率,召回率以及网络性能这3个方面进行实验评估,在MODMA数据集上的结果表明:当使用4维融合特征作为输入时,SEMod–VGG可达到最佳检测性能,其抑郁症检测准确率在3通道、16通道及128通道分别为92.21%、93.47%和95.76%;检测召回率在3通道、16通道以及128通道分别为91.57%、92.46%和96.80%。相较于现有的抑郁症辅助检测模型,本研究所提出的融合特征对抑郁症的表征性更强,且所提出的模型在检测准确率,召回率以及模型效率上均取得明显提升。
摘要:水库防洪调度中,设计洪水的推求对于水库防洪安全至关重要,而在其实际的推求过程中存在着诸多不确定性因素影响。本文针对设计洪水洪峰、洪量以及洪水过程线多重不确定性,提出了一种水库防洪风险调度模型并进行求解,探求设计洪水不确定性下的水库防洪调度过程。应用Copula函数建立洪峰与最大3日洪量的联合分布模型,采用蒙特卡洛重抽样方法,获取一系列峰量联合设计值;针对传统设计洪水过程线选择的单一性问题,对水库实测洪水过程进行了分类,并对不同类型的洪水过程线进行随机模拟,生成多维不确定性下的设计洪水过程;引入经济学指标条件风险值(conditional value at risk,CVaR)来衡量水库防洪调度过程中超过调洪最高洪水位的风险,建立了考虑CVaR的水库防洪调度模型,通过不同的风险系数取值获得不同的水库防洪调度过程。以安康水库洪水过程为例,二次重现期标准下百年一遇设计洪水联合设计值存在着较大的不确定性;采用K-means聚类法把洪水过程分成了3类,并应用蒙特卡洛法对不同类型洪水过程进行随机模拟,获取了考虑不确定性的大量水库设计洪水过程,推求了安康水库不同风险系数下水库防洪调度规则。本文所建立的考虑设计洪水不确定性的水库防洪风险调度模型可为不确定性条件下水库调度规则的制定提供指导。