摘要：若小样本数据预测误差较大,会直接影响数据应用效果,为提升小样本数据预测精度,提出基于多元统计分析的小样本数据预测模型设计方法。将小样本数据放入SPSS软件中,结合自助法完成小样本数据的经验分布分析。基于样本数据经验分布特征,结合具备学习能力的Fisherface算法对小样本上数据实施预分类,建立测试样本类别标签,实现小样本数据的特征提取。通过多元统计分析数据特征的主元成分,确定模型回归函数,结合支持向量机构建数据预测模型,通过上述模型完成小样本数据的精准预测。实验结果表明,使用上述方法开展小样本数据预测时,预测误差较低,效率较高,说明其预测效果较好。

摘要：脑肿瘤的语义分割是一项基本的医学图像分析任务,可以协助临床医生诊断患者,并持续关注病灶部分的变化情况。得益于深度学习的发展,医学图像自动分割取得了很大的进步。然而,现有的深度学习分割模型依赖于庞大的训练数据支撑,在临床上,医学数据通常数据量较小。为了改善这些问题,本文提出了一种新的深度医学图像分割框架,称为Residual Mulitse Transunet (RM Transunet),以提高小样本医学图像的语义分割质量。本文提出的RM Transunet遵循了Transunet的设计,融合了CNN和Transformer,并引入了Residual Block和MuilSE,有效地在不同尺度的特征之间建立全局依赖关系,以便充分利用这些获得的多尺度特征表示。针对医学图像分割的实验证明了RM Transunet的有效性,并表明我们的方法明显优于当下的方法。本研究的贡献不仅在于提供了一种新的思路来解决医学图像领域小样本数据的挑战,同时也为临床决策和治疗优化提供了有益的参考。

摘要：在实际工程中,数据量小、且无评估标准的系统可信度评价问题一直是困扰工程人员的难题。针对该问题,提出了一种将聚类算法和云模型相结合的小样本数据可信度评估方法。利用聚类算法先确定小样本中的聚类中心值,基于此建立云模型。通过云模型产生小样本的扩充数据。根据云滴的置信度分布可进一步计算小样本数据的可信度。将聚类算法与云模型相结合,可以充分挖掘小样本数据中的潜在信息,增加评估的有效性。通过算例分析及仿真证明了所设计方法的合理性和有效性。

摘要：设计一种基于融合聚类算法的电梯故障预测模型,该模型应用粒子群算法、聚类算法、集成学习等人工智能技术完成电梯小样本数据故障预测。首先利用社区电梯系统历史维保数据进行数据聚类。结合聚类结果,利用聚类后具有可类比性的历史电梯故障数据集,分别在每个数据集进行集成学习回归故障预测。

摘要：目的针对小样本数据的错标记问题,本文在CL-stability算法的基础上提出一种加权的错标记样本识别算法(UCL-stability)。方法在UCL-stability算法中,根据样本标记翻转后数据所能选出的差异特征数目,定义了一个投票权值用于衡量翻转不同样本标记对分类的影响。结果两组癌症基因表达数据的实验结果表明,UCL-stability与CL-stability算法均能有效识别数据中的可疑样本。通过人为错标记样本的进一步实验,显示UCL-stability算法相比于无投票权的CL-stability算法可取得较高的precision和recall值。结论本文提出的UCL-stability算法不仅考虑了小样本数据中单个样本的标记错误对分类器设计造成的影响,更进一步考虑了不同样本的标记错误对分类结果影响的差异。通过引入特征信息衡量该差异,UCL-stability取得了较好的结果。

摘要：当前公安业务工作信息化、数字化飞速发展，在公安工作中产生了大量执法办案数据，但是其文本种类较多、信息量较大，导致一线民警在阅卷工作中常面临阅读效率低、信息难以聚合等问题。为更进一步利用执法办案文本，需要对其进行智能分析、知识抽取，但受限于公安专业执法办案文本的专业性、数据敏感性、保密性，以及公安数据出网要求等，仅能获取到少量学习训练样本，使用传统的深度学习模型抽取效果不尽如人意。因此提出使用较少资源和数据构建垂直领域大语言模型，实现模型对公安专业适配的方法，利用知识编辑技术MEMIT、低资源微调技术LoRA、提示模板，提高模型对警务术语、警务常识等公安知识的理解能力。为进一步提高模型的知识抽取效果，设计小样本执法办案文本数据抽取流程，以更好结合模型中的相关案别专业知识。实验结果表明，融合抽取流程的公安专业垂直领域大语言模型在各类知识抽取任务中准确率较之传统方法显著提高，有助于帮助一线民警快速、客观、准确分析执法办案文本，挖掘案件潜在信息，支撑公安工作智能化发展。

摘要：互联网和计算机技术的快速发展,使得在人口老龄化的今天发展智慧康养服务成为可能。然而,养老领域的数据问题严重地制约着该领域的智慧化进程。真实数据的缺失、脏数据的干扰以及标准样本过少等问题层出不穷。针对数据集缺失问题,在收集了某市社区康养的小样本数据基础上,提出了一种基于机器学习的三阶段数据生成模型:第一阶段,使用基于树形结构的生成策略,按照原始数据的分布生成了数据集的基础属性;第二阶段,使用朴素贝叶斯算法生成样本的基础行为能力评估指标;第三阶段,在前两个阶段的基础上采用多元线性回归的方法生成高阶行为能力指标以及评估阶段。此外,为验证该模型生成的数据集对下游任务的有效性,在生成数据基础上,利用神经网络设计多个康复训练计划推荐模型,实现5个多分类任务和2个多标签分类任务。通过对实验结果的分析以及专家知识的注入,验证了生成数据的真实性和有效性。

摘要：复杂产品有限元分析(Finite Element Analysis,FEA)费用很高,给多目标优化(Multi-ObjectiveOptimization,MOO)带来很大困难.提出一种人工神经网络(Artificial Neural Network,ANN)辅助的多目标粒子群优化算法(Multi-Objective Particle Swarm Optimization,MOPSO)处理这类计算密集的设计问题:以基于噪声的虚拟样本丰富ANN的训练样本集,通过虚拟样本的控制参数和ANN模型参数的协同优化提高ANN泛化能力;以此ANN为代理模型支持多目标粒子群算法的进化,并采用基于网格邻域信息的拥挤指标提高Pareto前沿的收敛性、多样性及均匀性.最后,以航空发动机高压涡轮盘(High Pressure Turbine Disc,HPTD)多目标优化案例验证该策略的有效性和可用性.试验证明,这种面向成本的MOO方法降低了复杂产品多目标优化的工程应用难度,提高了设计质量.

摘要：根据“半监督学习”方法,利用已经标注好的训练样本和无标注的训练样本一起训练分类器。在标准SVM分类器训练方法中融入这种思想,给分类面附近加入混合数据,提出了一种新的基于SVM的分类器设计方法,并将这种方法应用于小样本数据的分类问题中。实验表明,新的基于SVM的分类器与传统SVM相比较,在分类准确率上有很大提高,同时偏差有所降低。

摘要：目前监测驾驶员视线区域的算法通常采用深度学习端模型直接对图像特征分类,此方法依赖固定座舱视角下采集的驾驶员视线区域数据,但由于驾驶员外形特征差异、坐姿习惯差异和摄像头安装位置差异的影响,难以获取大量且全面的数据,导致分类精度降低的问题,如何仅采用小样本数据集提升视线区域识别精度成为难题。本文将基于半监督学习理论设计一种自适应的视线区域标定方法。首先采用L2CS模型回归小样本数据中驾驶员视线角度二维向量,再通过统计分析挖掘驾驶员视线角度和视线区域映射的泛化先验知识,利用该知识进行视线区域标定,剔除非待检区域的无效视线落点,并以滑动窗口方式完成针对驾驶员个人的视线区域精细化分类。经试验证明,该方法解决了端模型数据跨域能力低下的问题,准确率和召回率分别提升22.4%和10.3%,且标定结果具有自适应修复能力。