期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于多任务NR-DenseNet网络的航班延误预测模型
被引量：
2
1
作者
屈景怡
肖敏
+1 位作者
李佳怡
解文凯
《信号处理》
CSCD
北大核心
2023年第3期550-560,共11页
不同于目前大多数只倾向于研究单一的分类或回归任务的航班延误预测方法,该文提出一种基于多任务NR-DenseNet网络的航班延误预测模型,旨在同时实现航班延误等级分类预测与延误时间回归预测。首先,预处理相关数据;其次,建立多任务学习特...
不同于目前大多数只倾向于研究单一的分类或回归任务的航班延误预测方法,该文提出一种基于多任务NR-DenseNet网络的航班延误预测模型,旨在同时实现航班延误等级分类预测与延误时间回归预测。首先,预处理相关数据;其次,建立多任务学习特征提取共享层,使用NR-DenseNet网络提取任务之间的共享参数,深度挖掘任务之间的相关特征;然后,建立多任务学习特定任务层,通过回归器与分类器分别输出特定任务的预测结果;最后,采用损失加权方法对两个任务损失函数进行优化,平衡任务间的收敛速度,提高模型泛化性。将模型应用在宁波机场数据集中,与单任务模型相比回归任务平均MSE降低了23.4%,平均MAE降低了14.2%,分类平均准确率提升了2.7%。实验结果表明,该文方法提升了分类任务的准确率降低了回归任务的误差,可以有效提升模型性能。
展开更多
关键词
航班延误
多任务学习
回归
预测
分类预测
非线性回归密集连接网络
在线阅读
下载PDF
职称材料
基于深度高斯过程回归的术中失血量和血红蛋白损失量估计
2
作者
钟坤华
陈芋文
+4 位作者
秦小林
张力戈
李雨捷
胡小艳
易斌
《计算机应用》
CSCD
北大核心
2023年第S02期306-311,共6页
动态、准确地估计失血量对围手术期管理非常重要,但测量术中失血量是一项困难的任务,特别是当血液被医用纱布吸收时。针对上述情况,以浸血医用纱布图像为研究对象,提出一种基于密集连接卷积网络(DenseNet)的深度多任务高斯过程回归(DMG...
动态、准确地估计失血量对围手术期管理非常重要,但测量术中失血量是一项困难的任务,特别是当血液被医用纱布吸收时。针对上述情况,以浸血医用纱布图像为研究对象,提出一种基于密集连接卷积网络(DenseNet)的深度多任务高斯过程回归(DMGPR)方法,以估计术中失血量和血红蛋白(Hb)损失量。DMGPR方法包括两部分:用于自动特征提取的密集连接卷积网络(DenseNet)和用于失血量及Hb损失量估计的多任务高斯回归过程(MGPR)。在手术室正常光照条件下,采集了569张浸血纱布图像,并对这些图像进行在线扩充,构建实验数据集。以决定系数(R2)、均方误差(MSE)和平均绝对误差(MAE)为性能指标,对DMGPR方法进行评估和对比。在失血量估计方面,DMGPR方法的R2、MSE和MAE分别为0.971、0.080和0.151;而在Hb损失量估计方面,DMGPR方法的相应结果分别为0.950、0.217和0.292。实验结果表明,DMGPR可以动态、准确地估计术中失血量和Hb损失量,并且比其他对比方法具有更好的性能,更适合于主要使用医用纱布和小到中度失血的手术。
展开更多
关键词
术中失血量
密集
连接
卷积
网络
深度高斯过程
回归
特征提取
血红蛋白
在线阅读
下载PDF
职称材料
题名
基于多任务NR-DenseNet网络的航班延误预测模型
被引量：
2
1
作者
屈景怡
肖敏
李佳怡
解文凯
机构
中国民航大学天津市智能信号与图像处理重点实验室
中国民用航空青岛空中交通管理站
出处
《信号处理》
CSCD
北大核心
2023年第3期550-560,共11页
基金
国家自然科学基金联合基金(U1833105)
天津市自然科学基金(19JCYBJC15900)。
文摘
不同于目前大多数只倾向于研究单一的分类或回归任务的航班延误预测方法,该文提出一种基于多任务NR-DenseNet网络的航班延误预测模型,旨在同时实现航班延误等级分类预测与延误时间回归预测。首先,预处理相关数据;其次,建立多任务学习特征提取共享层,使用NR-DenseNet网络提取任务之间的共享参数,深度挖掘任务之间的相关特征;然后,建立多任务学习特定任务层,通过回归器与分类器分别输出特定任务的预测结果;最后,采用损失加权方法对两个任务损失函数进行优化,平衡任务间的收敛速度,提高模型泛化性。将模型应用在宁波机场数据集中,与单任务模型相比回归任务平均MSE降低了23.4%,平均MAE降低了14.2%,分类平均准确率提升了2.7%。实验结果表明,该文方法提升了分类任务的准确率降低了回归任务的误差,可以有效提升模型性能。
关键词
航班延误
多任务学习
回归
预测
分类预测
非线性回归密集连接网络
Keywords
flight delay
multi-task learning
regression prediction
classification prediction
densely connected neu‑ral networks for nonlinear regression
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
TP393 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于深度高斯过程回归的术中失血量和血红蛋白损失量估计
2
作者
钟坤华
陈芋文
秦小林
张力戈
李雨捷
胡小艳
易斌
机构
中国科学院重庆绿色智能技术研究院
中国科学院成都计算机应用研究所自动推理实验室
陆军军医大学第一附属医院麻醉科
出处
《计算机应用》
CSCD
北大核心
2023年第S02期306-311,共6页
基金
重庆市自然科学基金面上项目(CSTB2022NSCQ-MSX0894)
中国科学院青年创新促进会人才项目(2020377)
+1 种基金
“打仗型”医院军事医学科技创新专项(2023DZK77006)
国家自然科学基金(62371438)。
文摘
动态、准确地估计失血量对围手术期管理非常重要,但测量术中失血量是一项困难的任务,特别是当血液被医用纱布吸收时。针对上述情况,以浸血医用纱布图像为研究对象,提出一种基于密集连接卷积网络(DenseNet)的深度多任务高斯过程回归(DMGPR)方法,以估计术中失血量和血红蛋白(Hb)损失量。DMGPR方法包括两部分:用于自动特征提取的密集连接卷积网络(DenseNet)和用于失血量及Hb损失量估计的多任务高斯回归过程(MGPR)。在手术室正常光照条件下,采集了569张浸血纱布图像,并对这些图像进行在线扩充,构建实验数据集。以决定系数(R2)、均方误差(MSE)和平均绝对误差(MAE)为性能指标,对DMGPR方法进行评估和对比。在失血量估计方面,DMGPR方法的R2、MSE和MAE分别为0.971、0.080和0.151;而在Hb损失量估计方面,DMGPR方法的相应结果分别为0.950、0.217和0.292。实验结果表明,DMGPR可以动态、准确地估计术中失血量和Hb损失量,并且比其他对比方法具有更好的性能,更适合于主要使用医用纱布和小到中度失血的手术。
关键词
术中失血量
密集
连接
卷积
网络
深度高斯过程
回归
特征提取
血红蛋白
Keywords
intra-operative blood loss
densely connected convolutional network
deep Gaussian Processes(GP)regression
feature extraction
Hemoglobin(Hb)
分类号
TP183 [自动化与计算机技术—控制理论与控制工程]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于多任务NR-DenseNet网络的航班延误预测模型
屈景怡
肖敏
李佳怡
解文凯
《信号处理》
CSCD
北大核心
2023
2
在线阅读
下载PDF
职称材料
2
基于深度高斯过程回归的术中失血量和血红蛋白损失量估计
钟坤华
陈芋文
秦小林
张力戈
李雨捷
胡小艳
易斌
《计算机应用》
CSCD
北大核心
2023
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
