观点分析对于社交媒体这一关键的网络舆论阵地有着重要的现实意义。该文基于非参数模型的文本聚类技术,将社交媒体文本根据用户主张的观点汇总,直观呈现用户群体所持有的不同立场。针对社交媒体文本长度短、数量多、情感丰富等特点,该...观点分析对于社交媒体这一关键的网络舆论阵地有着重要的现实意义。该文基于非参数模型的文本聚类技术,将社交媒体文本根据用户主张的观点汇总,直观呈现用户群体所持有的不同立场。针对社交媒体文本长度短、数量多、情感丰富等特点,该文提出使用情感分布增强(Sentiment Distribution Enhanced,SDE)方法改进现有基于狄利克雷过程混合模型的短文本流聚类算法,以高斯分布建模文本情感,并推导相应的坍缩吉布斯采样算法推断参数。该方法在捕获文本情感特征的同时,能够自动确定聚类簇数量并实现观点聚类。与现有先进方法在Tweets、Google News数据集上的对比实验显示,该文提出的方法在标准化互信息、准确度等指标上取得了超越现有模型的聚类表现,并且在主观性较强的数据集上具有更显著的优势。展开更多
目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学联合血细胞参数在鉴别管腔上皮型(Luminal)和非管腔上皮型(Non-Luminal)乳腺癌中的价值。材料与方法回顾性分析227例经病理证...目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学联合血细胞参数在鉴别管腔上皮型(Luminal)和非管腔上皮型(Non-Luminal)乳腺癌中的价值。材料与方法回顾性分析227例经病理证实的乳腺癌患者的DCE-MRI图像,按照7∶3的比例随机分为训练集(n=162)和验证集(n=65)。根据免疫组化结果将病灶分为Luminal型和Non-Luminal型。勾画DCE-MRI图像中肿瘤的瘤体作为感兴趣区进行影像组学特征提取。分析影像组学特征、临床病理特征及血细胞参数,构建了3个模型,用于鉴别Luminal和Non-Luminal,分别为模型1(影像组学)、模型2(血细胞参数)、模型3(影像组学+血细胞参数)。利用受试者工作特征曲线评价模型在二者之间鉴别诊断中的效能。采用决策分析曲线评价不同风险阈值下模型的净获益情况。结果模型3训练集的曲线下面积(area under the curve,AUC)值、敏感度、特异度分别为0.840(0.774~0.893)、87.9%、71.4%,验证集对应的值分别为0.818(0.703~0.903)、87.5%、68.0%。在训练集及验证集中,模型1的AUC均高于模型2(0.817 vs.0.636,0.838 vs.0.515,P=0.001和P<0.001),同时模型3的AUC均高于模型2(0.840 vs.0.636,0.818 vs.0.515,P值均<0.001)。决策曲线示三个模型在鉴别Luminal和Non-Luminal亚型均有明确临床获益,并且模型3、模型1优于模型2。结论联合DCE-MRI影像组学和血细胞参数的模型能帮助鉴别Luminal和Non-Luminal亚型,有助于准确制订乳腺癌的治疗方案。展开更多
为了提高比例积分微分(proportional integral differential,PID)控制器的性能,提出了一种基于子空间模型的PID控制器参数优化方法。首先,利用子空间矩阵等式推导出控制器性能关于PID控制器参数的显式表达。然后,利用具有设定值激励的...为了提高比例积分微分(proportional integral differential,PID)控制器的性能,提出了一种基于子空间模型的PID控制器参数优化方法。首先,利用子空间矩阵等式推导出控制器性能关于PID控制器参数的显式表达。然后,利用具有设定值激励的闭环数据,分别对过程模型和随机扰动模型对应的子空间矩阵进行辨识,并且将估计的动态矩阵直接应用在最优性能的计算中,得到最优的控制器参数值。最后,通过数值仿真和工业实例验证了该方法的有效性。展开更多
文摘观点分析对于社交媒体这一关键的网络舆论阵地有着重要的现实意义。该文基于非参数模型的文本聚类技术,将社交媒体文本根据用户主张的观点汇总,直观呈现用户群体所持有的不同立场。针对社交媒体文本长度短、数量多、情感丰富等特点,该文提出使用情感分布增强(Sentiment Distribution Enhanced,SDE)方法改进现有基于狄利克雷过程混合模型的短文本流聚类算法,以高斯分布建模文本情感,并推导相应的坍缩吉布斯采样算法推断参数。该方法在捕获文本情感特征的同时,能够自动确定聚类簇数量并实现观点聚类。与现有先进方法在Tweets、Google News数据集上的对比实验显示,该文提出的方法在标准化互信息、准确度等指标上取得了超越现有模型的聚类表现,并且在主观性较强的数据集上具有更显著的优势。
文摘目的探讨动态对比增强磁共振成像(dynamic contrast-enhanced magnetic resonance imaging,DCE-MRI)影像组学联合血细胞参数在鉴别管腔上皮型(Luminal)和非管腔上皮型(Non-Luminal)乳腺癌中的价值。材料与方法回顾性分析227例经病理证实的乳腺癌患者的DCE-MRI图像,按照7∶3的比例随机分为训练集(n=162)和验证集(n=65)。根据免疫组化结果将病灶分为Luminal型和Non-Luminal型。勾画DCE-MRI图像中肿瘤的瘤体作为感兴趣区进行影像组学特征提取。分析影像组学特征、临床病理特征及血细胞参数,构建了3个模型,用于鉴别Luminal和Non-Luminal,分别为模型1(影像组学)、模型2(血细胞参数)、模型3(影像组学+血细胞参数)。利用受试者工作特征曲线评价模型在二者之间鉴别诊断中的效能。采用决策分析曲线评价不同风险阈值下模型的净获益情况。结果模型3训练集的曲线下面积(area under the curve,AUC)值、敏感度、特异度分别为0.840(0.774~0.893)、87.9%、71.4%,验证集对应的值分别为0.818(0.703~0.903)、87.5%、68.0%。在训练集及验证集中,模型1的AUC均高于模型2(0.817 vs.0.636,0.838 vs.0.515,P=0.001和P<0.001),同时模型3的AUC均高于模型2(0.840 vs.0.636,0.818 vs.0.515,P值均<0.001)。决策曲线示三个模型在鉴别Luminal和Non-Luminal亚型均有明确临床获益,并且模型3、模型1优于模型2。结论联合DCE-MRI影像组学和血细胞参数的模型能帮助鉴别Luminal和Non-Luminal亚型,有助于准确制订乳腺癌的治疗方案。
文摘为了提高比例积分微分(proportional integral differential,PID)控制器的性能,提出了一种基于子空间模型的PID控制器参数优化方法。首先,利用子空间矩阵等式推导出控制器性能关于PID控制器参数的显式表达。然后,利用具有设定值激励的闭环数据,分别对过程模型和随机扰动模型对应的子空间矩阵进行辨识,并且将估计的动态矩阵直接应用在最优性能的计算中,得到最优的控制器参数值。最后,通过数值仿真和工业实例验证了该方法的有效性。
