乳腺癌病理图像的自动分类具有重要的临床应用价值。
基于人工提取特征的分类算法，存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。
为此，采用一种改进的深度卷积神经网络模型，实现了乳腺癌病理图像的自动分类;同时，利用数据增强和迁移学习方法，有效避免了深度学习模型受样本量限制时易出现的过拟合问题。
实验结果表明，该方法的识别率可达到91%，且具有较好的鲁棒性和泛化性
基于人工提取特征的分类算法，存在需要专业领域知识、耗时费力、提取高质量特征困难等问题。
为此，采用一种改进的深度卷积神经网络模型，实现了乳腺癌病理图像的自动分类;同时，利用数据增强和迁移学习方法，有效避免了深度学习模型受样本量限制时易出现的过拟合问题。
实验结果表明，该方法的识别率可达到91%，且具有较好的鲁棒性和泛化性
2024/8/3 5:11:41
632KB
1
数理统计练习与解答（邵军）数理统计:问题与解答经典之作记得统计里面，对于教学而言，一个常见的假设检验就是说，某个教材，或者某种教学方法是否显著地有效应。
那这本书也许就是最容易出第一类错误的辅导书了。
因人而异吧，而且样本量小，偏误也大，不好判断。
不过还是那句话，书有没有用，取决于看书的人是怎么读的。
在数学类学科的学习中，尤其是博士阶段，做题除了检验理解，更多的是打磨你的大脑，让反应更敏锐一些，也就是，聪明一点。
那这本书也许就是最容易出第一类错误的辅导书了。
因人而异吧，而且样本量小，偏误也大，不好判断。
不过还是那句话，书有没有用，取决于看书的人是怎么读的。
在数学类学科的学习中，尤其是博士阶段，做题除了检验理解，更多的是打磨你的大脑，让反应更敏锐一些，也就是，聪明一点。
2023/10/9 16:24:17
2.28MB
1
在做深度学习时，如果样本量不够，可以采取对图片做随机裁剪，翻转等一系列调整，增加样本量。
这个程序可以实现对文件夹中的图片做批处理，你要做的只是修改路径。
这个程序可以实现对文件夹中的图片做批处理，你要做的只是修改路径。
2023/6/6 15:36:54
2KB
1
如何有效校正随人群崎岖很大的人眼像差，提高视网膜高分辨率成像技术的人群适用范围是临床应用面临的最大难题。
现有的单一波前校正器无法同时清除高阶和低阶视觉像差。
针对人眼高阶像差校正需求，研制成功了169单元3mm极间距分立式压电变形镜，并与大行程Bimorph变形镜组合，建立了一套双变形镜的人眼视网膜成像系统。
系统可实现对离焦小于±4.5D、散光小于±3.0D的低阶像差及前8阶Zernike像差的有效校正，极大地提高了系统的人群适用范围和成像质量。
以低阶像差大小作为入选标准，进行小样本量人眼视网膜成像实验，获得了近衍射极限的视网膜图像。
该系统适用范围明确，便于后续临床应用。
现有的单一波前校正器无法同时清除高阶和低阶视觉像差。
针对人眼高阶像差校正需求，研制成功了169单元3mm极间距分立式压电变形镜，并与大行程Bimorph变形镜组合，建立了一套双变形镜的人眼视网膜成像系统。
系统可实现对离焦小于±4.5D、散光小于±3.0D的低阶像差及前8阶Zernike像差的有效校正，极大地提高了系统的人群适用范围和成像质量。
以低阶像差大小作为入选标准，进行小样本量人眼视网膜成像实验，获得了近衍射极限的视网膜图像。
该系统适用范围明确，便于后续临床应用。
2023/2/22 15:40:20
5.57MB
1
中介变量的使用和检验是管理研究中的主流趋势。
介绍了一种分析中介效应的新方法——基于bootstrap的结构方程模型分析，该方法可以克服逐步检验法和Sobel检验法在处理小样本量，小中介效应值，或者中介效应值不呈正态分布的情况下统计功效不高的缺点，并且能有效处理变量的测量误差以及多重中介模型的问题。
在对该方法的原理进行介绍之后，通过一个示例说明了这种方法在管理研究中的应用。
介绍了一种分析中介效应的新方法——基于bootstrap的结构方程模型分析，该方法可以克服逐步检验法和Sobel检验法在处理小样本量，小中介效应值，或者中介效应值不呈正态分布的情况下统计功效不高的缺点，并且能有效处理变量的测量误差以及多重中介模型的问题。
在对该方法的原理进行介绍之后，通过一个示例说明了这种方法在管理研究中的应用。
2023/2/8 10:16:51
1.31MB
1
BP神经网络适用于大样本数据的预测，至于小样本还有灰色理论、最小二乘支持向量机、广义回归神经网络、灰色神经网络，不同的数据需要根据其本身特点选择不同的预测方法。
在很多次实验之后，我比较钟情于BP神经网络和组合预测，组合预测是大趋势，客观上有道理，主观上有更大的操作可能性。
下面给出广义回归神经网络（包含交叉验证过程的GRNN）用于小样本量预测的代码，包括BP神经网络预测结果的对比。
在很多次实验之后，我比较钟情于BP神经网络和组合预测，组合预测是大趋势，客观上有道理，主观上有更大的操作可能性。
下面给出广义回归神经网络（包含交叉验证过程的GRNN）用于小样本量预测的代码，包括BP神经网络预测结果的对比。
2021/7/14 15:13:28
6KB
1
植物分类是植物科学研究领域和农林业生产运营中重要的基础性工作，植物分类学是一项具有长远意义的基础性研究，其主要的分类依据是植物的外观特征，包括叶、花、枝干、树皮、果实等。
因此，花卉分类是植物分类学的重要部分，利用计算机进行花卉自动种类识别具有重要意义。
本文从常见的观赏花卉入手，探索了基于花朵数字图像对花卉进行种类识别的方法。
在己有研究的基础上，针对花朵的生长特点定义了颜色、纹理、形状等方面的特征，并使用分级SVM分类器对花卉图像进行了识别。
论文提出了分区域特征提取以及极坐标系下的灰度共生矩阵适于描述放射状生长的花朵纹理特征，对提高系统的识别准确率具有重要意义，此外，所设计的分级SVM分类器有效降低了分类器对样本种类数量的敏感性，克服了SVM分类器对大样本量识别准确率低的问题。
本文构建了基于数字图像的花卉种类识别系统，并用五十种花卉对系统进行了测试，达到了95.72%的识别准确率。
实验结果表明，本文所实现的花卉种类识别系统具有较高的识别准确率和稳定性。
因此，花卉分类是植物分类学的重要部分，利用计算机进行花卉自动种类识别具有重要意义。
本文从常见的观赏花卉入手，探索了基于花朵数字图像对花卉进行种类识别的方法。
在己有研究的基础上，针对花朵的生长特点定义了颜色、纹理、形状等方面的特征，并使用分级SVM分类器对花卉图像进行了识别。
论文提出了分区域特征提取以及极坐标系下的灰度共生矩阵适于描述放射状生长的花朵纹理特征，对提高系统的识别准确率具有重要意义，此外，所设计的分级SVM分类器有效降低了分类器对样本种类数量的敏感性，克服了SVM分类器对大样本量识别准确率低的问题。
本文构建了基于数字图像的花卉种类识别系统，并用五十种花卉对系统进行了测试，达到了95.72%的识别准确率。
实验结果表明，本文所实现的花卉种类识别系统具有较高的识别准确率和稳定性。
2022/9/4 7:01:48
6.39MB
1
本文实例讲述了Python实现的随机森林算法。
分享给大家供大家参考，具体如下：随机森林是数据挖掘中非常常用的分类预测算法，以分类或回归的决策树为基分类器。
算法的一些基本要点：*对大小为m的数据集进行样本量同样为m的有放回抽样；
*对K个特征进行随机抽样，构成特征的子集，样本量的确定方法可以有平方根、自然对数等；
*每棵树完全生成，不进行剪枝；
*每个样本的预测结果由每棵树的预测投票生成（回归的时候，即各棵树的叶节点的平均）著名的python机器学习包scikitlearn的文档对此算法有比较详尽的介绍:http://scikit-learn.org/stable/modules/en
分享给大家供大家参考，具体如下：随机森林是数据挖掘中非常常用的分类预测算法，以分类或回归的决策树为基分类器。
算法的一些基本要点：*对大小为m的数据集进行样本量同样为m的有放回抽样；
*对K个特征进行随机抽样，构成特征的子集，样本量的确定方法可以有平方根、自然对数等；
*每棵树完全生成，不进行剪枝；
*每个样本的预测结果由每棵树的预测投票生成（回归的时候，即各棵树的叶节点的平均）著名的python机器学习包scikitlearn的文档对此算法有比较详尽的介绍:http://scikit-learn.org/stable/modules/en
2016/7/18 17:32:02
84KB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB