课程文献中心 更多>>

关键词： 皮肤癌预测   高维多目标优化   张量分解   局部张量分解  

摘要： 随着分子生物学和皮肤癌预测技术的交叉协同发展,皮肤癌的早期诊断得到了长足的进步。微型核糖核酸分子(mi RNAs)作为潜在的无创预测和疾病诊断工具,使得预测mi RNAs与皮肤癌之间的关联成为有效的皮肤癌预测方法,虽然,其早期的二元关联预测具有较高的精度,但在面临高维数据时难以捕获不同类型皮肤癌中mi RNAs的高阶特征差异。为在保护数据完整性的同时提升预测性能,张量分解技术将高维数据完整地保存为张量形式并填补其中的缺失值,从而达到预测的目的。现有基于张量分解的mi RNAs与皮肤癌之间关联预测的研究主要集中在利用全局张量分解模型作为内核并结合相似性约束来学习数据的整体结构。然而,全局张量分解模型难以精确捕获张量的局部结构,同时忽略了数据之间普遍存在的局部相似性,并且大多数研究忽略了实际应用中患者和医生对预测结果可信度和多样性的需求。针对上述问题,本文旨在探寻准确、全面,可信的张量分解方法,提出了高维多目标局部张量分解方法,设计高效的高维多目标优化算法对模型进行求解。全文主要贡献为: (1)考虑到全局张量分解模型难以精确捕获张量的局部结构和数据的局部相似性,本章设计了维度分片策略,对全局张量进行切片再重组来构造高维多目标局部张量分解模型,同时优化准确性、全面性、可信度和多样性四个目标。针对该模型的求解,提出了一种修正策略,以修正进化过程中出现的不适用于模型的个体,对比多个基线张量分解方法验证本文所设计的模型在四个预测目标上具有更好的性能表现。 (2)维度分片只考虑了单一维度上的相似信息,为了充分利用数据局部相似性进而提升局部张量分解性能,本章设计了灵活分块策略驱动的高维多目标局部张量环分解模型,通过对全局张量的3-模态纤维聚类再重组,改善了维度分片重组的局部子张量未能充分捕获数据局部相似性的问题。此外,TR分解能通过灵活的环状结构极大程度的捕获高阶张量的低阶特征,因此本文第三章采用TR分解代替传统局部张量分解方法中的CP分解。为增强模型对局部张量结构的表示能力,本章引入了类内相似性目标,并同时优化准确性、全面性、可信度、多样性和类内相似性五个目标。在真实数据集上验证了该模型的有效性。 (3)在求解上述高维多目标优化模型的过程中,遗传算法由于目标空间维度的增加逐渐丧失选择压力,导致解集的收敛性与多样性难以保障。本文针对这一问题,提出了一种多种群高维多目标粒子群优化算法,通过融合螺旋搜索策略和麻雀警戒策略改进粒子群优化算法,并将其与协同多种群多目标框架相集成,使该算法在高维多目标问题上具有较好的寻解能力。实验结果表明,该算法在基准测试集上有显著优势,且在求解本文提出的高维多目标局部张量分解模型时也有更好的表现。

关键词： 时空交通流数据补全   比例-积分-微分控制法   交替方向乘子法   隐特征分析   张量分解  

摘要： 在当今物联网时代,交通传感器遍布各个路段,持续记录着海量的交通流数据。智能交通系统的有效运作,离不开完整且准确的交通流数据。然而在实际采集交通流数据过程中,常常会因设备故障、天气等原因导致数据的丢失或出现异常值,那么这将会极大程度降低了数据的有效性,制约了智能交通系统的发展。 而基于张量隐特征分析方法可以利用交通流数据的长时间周期相关性和复杂的空间相关特性,是有效补全缺失的交通流数据的最优选择。针对现有的张量隐特征分析模型对于交通流数据中的异常值敏感,缺失数据补全精度不高等问题。因此,本文提出基于Tucker分解的张量隐特征分析方法并结合比例-积分-微分控制算法(Proportional Integral Derivative,PID)等优化框架构建面向交通流数据的张量隐特征分析模型,深入挖掘不完备数据中时空模式,实现对城市路网历史交通流数据缺失信息的补全,为后续数据综合分析提供强力支持。 本文的主要研究内容如下: (1)提出了一种基于张量CP分解的张量隐特征分析模型。该模型基于张量的CP分解采用柯西损失(Cauchy Loss)构建鲁棒的目标函数,通过交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)设计高效的参数学习方案,模型表现了较强的鲁棒性和获得了较高的补全精度。 (2)提出了一种基于张量Tucker分解的张量隐特征分析模型。该模型根据密度导向原则,基于张量的Tucker分解构建损失函数,通过核心张量拓宽了该模型的表示空间,采用PID控制原理设计学习方法,加快模型收敛速度,以达到精确补全缺失数据,且保持较高的计算效率的目的。 (3)通过在全球不同城市的交通路网平均车速数据集上进行实验,实验结果表明,与现有模型相比,本文所提的基于Tucker分解的张量隐特征分析方法并结合PID控制算法等优化框架构建面向交通流数据的张量隐特征分析模型在精度和计算效率方面都有显著提高。

关键词： 磁共振成像   生成模型   低秩矩阵   高维张量  

摘要： 磁共振成像(Magnetic Resonance Imaging,MRI)作为一种无辐射的、非侵入性的活体成像技术,能够提供更好的软组织对比以及丰富的解剖信息,在临床医学中起着举足轻重的作用。然而,它的一个主要缺点是采集时间长,这会导致空间分辨率不理想、患者不舒服等,阻碍了在时间紧迫的诊断中的应用。为了解决这一缺陷,研究者们提出了许多方法来缩短数据的采集时间,同时保证图像质量。这些方法大多都依赖减少数据的采集量来实现。近年来,随着深度学习的发展,特别是生成模型的广泛应用,磁共振成像的速度得到了进一步的提升。但是,目前的生成模型普遍存在对训练数据集需求量较大以及生成模型输入数据的维数对估计数据的梯度分布具有关键影响等问题。为了缓解生成模型存在的上述问题,我们提出了一种低秩张量辅助下的K空间生成模型(Lowrank Tensor Assisted K-space Generative Model,LR-KGM)来探索小样本下高维分布的先验信息,用以进一步提升磁共振的成像效率。研究主要内容如下: (1)提出的LR-KGM将矩阵的低秩信息纳入基于得分随机微分方程(Stochastic Differential Equation,SDE)的生成模型中来重建欠采样的磁共振图像。首先,LR-KGM将多通道的线圈数据转化成巨大的Hankel矩阵,由于Hankel矩阵存在冗余和低秩特性,便可以从中提取较多的块状信息,之后便可将这些块状信息作为SDE生成模型的训练样本,这在一定程度上减少了初始多通道线圈数据的使用数目并降低了模型计算的复杂程度。此外,为了有效避免生成模型中内部维数对分数估计的影响,该模型将包含低秩的块状信息组合成高维张量用于生成模型先验信息的学习。 (2)在图像的重建过程中,通过交替传统迭代和生成迭代来更新解决方案,其中低秩张量迭代与扩散生成迭代的交替构成了整个迭代过程,有利于进一步提高图像的重构性能。 通过大量实验结果的验证表明,该算法在减少K空间样本使用量和保证生成模型内部的有效估计上取得了一定的进展。相较于传统算法,本方法在无完整采样图像数据的情况下能够实现精准的重建,并且展现了良好的可实施性效果。