近年来频繁发生的褐潮污染给沿海地区经济带来巨大损失。准确、高效地识别褐潮藻对预防海洋环境污染意义重大。采用三维荧光光谱、梯度提升决策树(GBDT)和逻辑回归(LR)相结合的方法,实现了对褐潮藻的准确辨识。为解决LR模型对非线性数据的特征组合能力较弱的问题,引入GBDT算法,充分利用集成学习算法在处理非线性数据上的优势。将GBDT的预测结果作为新特征代替原来的特征输入LR模型,建立了一种将GBDT与LR相融合的褐潮藻辨识模型(GBDT-LR)。针对复杂海洋环境中其他门类藻的干扰,实验引入小球藻、细长聚球藻等5种不同门类的海藻作为对比,并对处于不同生长周期的褐潮藻辨识情况进行分析。相同条件下通过将所提模型与LR、支持向量机(SVM)和反向传播(BP)神经网络等模型进行对比。结果表明,GBDT-LR在分类准确率、召回率和F1分数等评价指标上均优于其他模型,处于指数生长期的藻类荧光光谱最为稳定,这一时期的褐潮藻辨识结果最好。

Recently, research has been conducted to assist in the processing and analysis of histopathological images using machine learning algorithms. In this study, we established machine learning-based algorithms to detect photothrombotic lesions in histological images of photothrombosis-induced rabbit brains. Six machine learning-based algorithms for binary classification were applied, and the accuracies were compared to classify normal tissues and photothrombotic lesions. The lesion classification model consisting of a 3-layered neural network with a rectified linear unit (ReLU) activation function, Xavier initialization, and Adam optimization using datasets with a unit size of 128 × 128 pixels yielded the highest accuracy (0.975). In the validation using the tested histological images, it was confirmed that the model could identify regions where brain damage occurred due to photochemical ischemic stroke. Through the development of machine learning-based photothrombotic lesion classi- fication models and performance comparisons, we confirmed that machine learning algorithms have the potential to be utilized in histopathology and various medical diagnostic techniques.

子宫内膜癌是一种常见的妇科癌症。 实验将Logistic回归作为一种建模方法引入到子宫内膜癌分类诊断模型中。 77个样本通过主成分判别分析和支持向量机判别分析进行降维, 应用拉丁配分方法选择训练集和测试集并确定Logistic回归模型参数。 结果表明, Logistic回归模型不仅能够对样本进行正确的分类, 而且能将样本的分类归属趋势与临床诊断结果很好的一致。 主成分判别分析结合Logistic回归有望发展为一种近红外光谱检测癌症组织的新方法。

如果使用激光金属直接成形方法制备金属零件时，能够通过最优的工艺参数来有效地控制金属成形件内部的不同区域及成形件与基板间的温度梯度和能量分布，使成形件内部产生缺陷的几率减小，会极大地提升成形件的力学性能。针对激光金属直接成形方法制备金属零件内部是否存在缺陷的二分类问题，通过使用正交旋转实验设计的方法进行工艺实验，得到不同参数下的钛合金激光金属直接成形试样是否存在内部缺陷情况。对实验结果进行Logistic回归建模，使用Logistic回归模型计算的工艺参数进行验证实验，样件内部未发现内部缺陷，说明Logistic回归模型结果与实际结果有较高的一致性。Logistic回归模型对激光金属直接成形工艺参数的选择具有积极的指导意义。