摘要：使用微博等短文本信息,识别判断用户的消费意图,对于电商以及数据分析者而言具有积极的意义。因此,借鉴Co-Class算法框架,借鉴微博特有特征信息,提出文本特征选择方法,设计语义距离计算方法,基于期望最大化算法(EM),使用SVM设计分类器,最终提出一种基于语义距离的迁移学习算法。通过实验,验证了算法的有效性,给出结论。

摘要：目的:基于迁移学习算法,研究胎儿丘脑横切面的识别方法。方法:提出一种直接作用于二维超声图像丘脑横切面的识别方法,通过改进深度网络的结构逻辑关系,设计并构建一种基于深度卷积神经网络VGGNet源网络和ImageNet源数据集的迁移学习算法结构VGG-19-GAP-TR预训练模型,用于胎儿丘脑横切面的识别。结果:设计的网络尽管深度不同,迁移学习算法能够有效提高胎儿丘脑水平横切面的识别效果,其识别准确率达到93.9%。结论:迁移学习算法将有助于医学计算界解决数据集有限的问题,促进深度学习在医学领域的应用发展。

摘要：目的利用迁移学习算法设计、开发一种人工智能脑积水影像诊断工具,并评价其应用颅脑CT平扫影像诊断脑积水的效果。方法收集河南科技大学第一附属医院正常成人及脑积水的颅脑CT影像DICOM数据各1250例,按6∶2∶2随机分为训练集、验证集和测试集。应用Python开发标记工具对数据进行预处理并标注特征变量,建立自主研发的逐像素ForrestNet-CNN算法模型,并对特征变量进行提取和深度学习。选取影像学住院医师、主治医师、副主任医师各2名对250例脑积水和250例正常影像进行测试,并与人工智能模型的测试结果进行比较。结果人工智能模型、住院医师、主治医师、副主任医师诊断脑积水的敏感性分别为94.4%、92.8%、95.2%和96.4%,特异性分别为93.6%、94.0%、96.0%和97.6%,准确率分别为94.0%、93.4%、95.6%和97.0%。虽然人工智能模型诊断脑积水的敏感性、特异性、准确率明显低于副主任医师(P<0.05),但是与住院医师、主治医师均无统计学差异(P<0.05)。结论本研究开发的人工智能模型可有效地识别脑积水的CT影像特点,具有较高的准确率。

摘要：传统系统在并行化大数据流组件不变情况下的吞吐量会随着并发数增多而减少,影响数据流传输效率。为了解决这一问题,提出基于迁移学习的并行化大数据流传输系统。系统硬件由FPGA核心控制器、XC7K325T-2FFG 900芯片、DCM时钟组成,用于实时传输数据流。系统软件是在STORM平台上引入迁移学习算法。软、硬件结合,完成基于迁移学习的并行化大数据流传输系统设计。实验分别测试了两个系统在并行化大数据流组件不变情况下的吞吐量。将并行化大数据流分类组件设置为(5.5),(5.6),(5.7),(5.8),从实验结果可知,所设计的系统吞吐量会随着并发数、线程增多,呈上升趋势,能够有效提升并行化大数据流传输效率。

摘要：针对传统检测设备对金属板材凹凸表面、边缘面等特殊部位缺陷检测困难、识别率低等问题,课题组提出并设计了金属板材表面缺陷自动检测系统。通过CCD相机获取待检测部位图片,使用以Inception-V3模型为主的迁移学习算法实现对缺陷的检测。实验结果表明该系统能够准确、高效地检测出金属板材一般及特殊表面缺陷,能够满足工业生产需求。

摘要：为缩短数据校验时间,本文设计一种基于迁移学习的网络传输异构数据一致性校验系统。首先对系统存储器展开优化,选用tms320lf2407芯片作为通讯控制器接口电路的核心芯片。再根据系统硬件优化结果,对核心电路进行重组,提出基于迁移学习的数据分类方法,并根据函数依赖原理结合处理后数据,实现网络传输异构数据一致性校验,再构建系统测试环节,经测试结果表明此系统的基础功能与性能均符合当前要求,可投入使用。