导读:本文包含了密度分类论文开题报告文献综述及选题提纲参考文献，主要关键词:支持向量机,不平衡数据集,局部密度,分布不均匀
密度分类论文文献综述
刘悦婷,张燕,孙伟刚[1]（2019）在《基于局部密度改进的SVM不平衡数据集分类算法》一文中研究指出针对不平衡数据集数据分布不均匀及边界模糊的特点,提出基于局部密度改进的SVM不平衡数据集分类算法.该算法先将多数类划分成多个子类,并依据子类内每个样本的局部密度选出边界区域、靠近边界区域的与少数类数目相等的样本,与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器进行迭代优化.结果表明,与WSVM,ALSMOTE-SVM和基本SVM算法相比,该算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能.(本文来源于《宁夏大学学报(自然科学版)》期刊2019年03期）
陈志伟,刘宇涵[2]（2019）在《基于密度聚类算法的照片分类技术》一文中研究指出随着智能手机越来越多的成为人生活的部分,拍照作为智能手机的功能,也越来越多被使用。以此生产出来了数以亿计的照片。这些成千上万照片往往存在手机相册、SD卡这样的内置存储中或者以移动硬盘、NAS(网络附属存储)为代表的外置存储中,用户因为照片的数量太多,很难找到自己想要的照片。如何管理与组织巨大数量的照片成为了用户一个比较麻烦的问题。通过观察包括聚会、旅行、体育比赛、踏青、婚礼等不同活动,对于同一活动,不同照片的元特征(GPS、对焦距离、光圈、体积大小、时间戳等)以及视觉内容(灰度、色调、明暗等)有着很多相似程度,利用照片的视觉与元特征相似程度来进行照片的聚集归类。本文提出了一个方法,将图片的元特征和视觉特征的参数量化,使用利用密度聚类算法(DBSCAN算法),与照片与照片之间的相似性对照片分类。本文提出的算法也满足可扩展性的要求,以便添加新的照片的时候将自动完成分类。(本文来源于《科学技术创新》期刊2019年23期）
景瑞,金鑫,高洁,吴芳,张璐璐[3]（2019）在《不同密度早期肺腺癌的影像特征与病理学分类》一文中研究指出目的探讨不同密度早期肺腺癌影像特征与病理学分类的关系。方法回顾性分析CT表现为孤立性肺结节,手术后经病理证实为肺腺癌,且TNM分期为T1N0M0病例175例,共179处病变。男性74例,女性101例,年龄36～82岁,平均年龄(57.55±9.86)岁。病变按其实性密度出现的比例和分布,分为纯磨玻璃密度(Ⅰ组)、实性成分小于50%的混合密度(Ⅱ组)、实性成分大于等于50%的混合密度(Ⅲ组)、散在实性密度(Ⅳ组)及实性密度(Ⅳ组)。图像评估内容包含:病变位置、病变大小、病变边缘(光滑、分叶、毛刺)、瘤-肺界面、内部及周边征象(空泡征、空气支气管征、血管集束征、胸膜凹陷征)。病变大小在不同密度组的差异采用单因素方差分析;性别、位置分布、影像表现及病理类型在不同密度组的差异采用χ~2检验。P<0.05认为差异有统计学意义。病理类型与病变实性密度比例相关性采用Spearman等级相关检验,病理类型对病变实性密度比例的影响采用有序Logistic回归分析,P<0.01为差异有统计学意义。结果病变大小在不同密度病变中差异有统计学意义(P=0.002,P<0.05),Ⅰ组病变大小小于其他四组。分叶征,空泡征在不同密度结节间存在差异(P<0.05),Ⅰ组分叶征出现率低于其他四组,Ⅴ组空泡征出现率低于其他四组。不同病理类型间病变密度存在差异,对每两组分别进行比较,浸润前病变与浸润性腺癌病变密度类型不同(P<0.01);微浸润病变与浸润性腺癌病变密度类型不同(P<0.01)。结论不同密度病变在患者年龄、病变大小、影像学表现及病理类型中存在差异,病变中出现实性成分的比例和分布对早期肺腺癌中浸润性腺癌的诊断有一定帮助。(本文来源于《医学影像学杂志》期刊2019年06期）
刘悦婷,孙伟刚,张发菊[4]（2019）在《一种新的近邻密度SVM不平衡数据集分类算法》一文中研究指出针对不平衡数据集数据分布不均匀及边界模糊的特点,提出一种新的近邻密度SVM(NNDSVM)不平衡数据集分类算法。该算法先计算多数类中每个样本K近邻范围内的密度值,依据该密度值分别选出边界区域、靠近边界区域的与少数类数目相等的样本与少数类完成SVM初始分类;用所得的支持向量机和剩余的多数类样本对初始分类器迭代优化。人工数据集和UCI数据集的实验结果表明,与SVM、ALSMOTE-SVM和WSVM算法相比,本文算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能。(本文来源于《贵州大学学报(自然科学版)》期刊2019年03期）
范龙飞,姜子政,李海丰,陈新伟[5]（2019）在《基于局部密度分类的人数统计算法》一文中研究指出针对人数统计的准确性受人群密度影响较大的问题,提出一种基于局部密度分类的人数统计算法。首先,采用基于滑动窗口的子人群分割方法完成人群的分割;其次,对分割后的子人群进行高低密度分类,利用高低密度子人群在特征上的不同,通过实验方法离线地选取大小、形状、边缘、特征点和纹理5种常用特征任意组合,分别对高低密度子人群进行训练,选出适应高、低密度子人群的特征组合和支持向量回归模型;最后,采用离线阶段选择的特征和训练好的回归模型分别对高、低密度子人群进行识别。与目前主流的人数统计算法相比,该算法的平均估计误差降低了18.9%,证明了算法的有效性。(本文来源于《控制工程》期刊2019年06期）
房振兵,汪本福,田永宏,陈波,范兵[6]（2019）在《基于着粒密度的湖北省水稻穗型分类及其与产量和品质的关系研究》一文中研究指出采用2017年湖北省中稻区试汇总报告中74个品种的产量构成因素、产量、稻米品质等数据,选用着粒密度进行聚类分析,并参考前人的分类标准,确定出着粒密度的穗型划分标准;进一步通过回归分析和方差分析探究着粒密度与产量的关系,并对穗型与稻米品质的相关性进行了分析。结果表明,74个水稻(Oryza sative L.)品种的穗部性状存在差异,变异系数从大到小依次为着粒密度、千粒重、穗粒数、有效穗、结实率、穗长,着粒密度的变异系数超过10%;74个品种按照着粒密度划分为3类穗型,着粒密度大于7.96粒/cm的为密穗型,小于6.85粒/cm的为稀穗型,介于两者之间的为中穗型;这3种穗型的品种在穗长、穗粒数、结实率、千粒重、着粒密度等指标上存在显着差异;产量与着粒密度呈典型抛物线关系(F=17.83,P<0.01),着粒密度为7.5～8.5粒/cm时产量达到峰值;中穗型的外观品质(垩白粒率、垩白度)、加工品质(出糙率、精米率、整精米率)、蒸煮品质(胶稠度、碱消值)均优于稀穗型和密穗型。因此,为保证选育高产且优质的水稻品种,应把着粒密度控制在7.5～8.0粒/cm。(本文来源于《湖北农业科学》期刊2019年11期）
贾田菊[7]（2019）在《基于深度学习的乳腺数字化X线BI-RADS密度分类和目标检测的研究》一文中研究指出第一部分基于深度学习的乳腺数字化X线BI-RADS密度分类的研究目的:为了确保基于ACR BI-RADS乳腺X线密度评估的一致性和准确性,本研究构建基于深度学习的乳腺数字化X线密度的自动分类模型,使之达到对乳腺密度的精准分类。方法:在研究中,构建并优化基于深度学习的卷积神经网络(CNN)的经典模型Res Net50。收集本院于2015年8月至2018年2月间行全数字化乳腺摄影图像18152幅,由两位有经验的放射科医师根据ACR BI-RADS标准对图像的乳腺密度进行评估。各自经微调的分类模型分别在小数据集(4000幅)和原始数据集(18152幅)对乳腺密度的分类进行评估,得到相应的分类准确性,以受试者工作特性曲线和曲线下面积评估模型的分类性能。结果:CNN模型在小数据集训练时,各类的分类准确性分别为a类91%、b类86%、c类84%、d类90%;当在原始数据集训练时,a类和d类的分类准确性无明显变化,b类和c类的准确性分别为89%、88%,随着数据量的增加,准确率明显提高,比较AUC发现分类性能明显改善。结论:基于深度学习的卷积神经网络(CNN)分类模型能以较高的准确率对乳腺密度进行分类,在临床工作中,可协助放射科医师对乳腺密度进行准确、一致的分类。第二部分基于深度学习的乳腺数字化X线目标检测的初步研究目的:为了提高乳腺X线图像上乳腺病灶的检出及诊断的准确率,本研究构建基于深度学习的乳腺X线病灶的目标检测模型,初步探讨基于深度学习的目标检测算法在全数字化乳腺摄影检查中对乳腺病灶的检测定位和分类价值。方法:本研究回顾性分析在我院术前行FFDM检查的患者2218例,由放射科医师根据病理结果对病灶进行标注分类,采用结合了Resnet网络模型和YOLO算法构建的目标检测模型,训练经人工标注的1775例病例构成的训练数据集,得到优化的目标检测模型,443例病例构成测试数据集,用于测试优化后的模型定位及分类准确性,测试数据集包括892个病灶,其中良性病灶562个和恶性病灶330个。采用IOU评价病变检测定位的精确性,采用AUC评价病变分类的准确性,使用m AP评估目标检测模型对乳腺病灶良恶性分类的性能。结果:目标检测模型定位精确度评价指标IOU为87%,分类的灵敏度为89.1%,特异度为87.9%,分类性能AUC值为89.2%。m AP值为90.4%,表明我们构建的目标检测模型对乳腺病灶的良恶性的分类性能较好。结论:基于深度学习的目标检测算法能以较高的准确率对乳腺X线图像上的病灶进行检测定位并进行分类,为放射科医师的病灶识别及分类提供了辅助诊断,并为深度学习在医学图像病变检测的进一步应用做了初步探索。(本文来源于《山西医科大学》期刊2019-05-20）
NGUYEN,XUAN,HIEN[8]（2019）在《基于灰度密度分布特征的肺结节良恶性分类》一文中研究指出CT图像中肺结节良恶性鉴别是肺癌计算机辅助诊断研究中的关键。为了提高计算机辅助诊断系统中肺结节良恶性诊断准确性,提出一种基于密度分布特征的肺结节良/恶性判断方法。首先,从肺部肿瘤图像中随机提取图像小单元集并计算其自相关矩阵,然后通过K-means算法对该矩阵实现无监督聚类。特征提取时遍历计算肺结节图像每一像素的灰度密度分布等级,并统计、归一化得到10维特征向量,最后通过卷积方法对特征进行优化。同时,利用随机森林分类器进行模型训练,进而判断肺结节良/恶性水平,提出算法的验证数据为LIDC-IDRI。实验结果表明,最大AUC可达0.955 8。对比分析,该特征表达方法具有更优分类效果和更高鲁棒性。(本文来源于《软件导刊》期刊2019年05期）
周磊[9]（2019）在《最大径≤1 cm的纯磨玻璃密度肺腺癌病理分类及CT征象特点分析》一文中研究指出目的:分析最大径≤1 cm的纯磨玻璃密度肺腺癌病理分类及CT征象特点。方法:选取210例经手术病理证实为肺腺癌的患者作为研究对象,均是最大径≤1 cm的纯磨玻璃密度肺腺癌,其中包含94个浸润性腺癌、74个微浸润腺癌以及33个浸润前病变(同时包含28个原位腺癌与5个不典型腺瘤样增生),将其分为叁组,对其病理进行分析,同时研究其CT征象特点。结果:各病理亚型间形状、瘤-肺界面差异无统计学意义(P>0.05)。浸润前病变、MIA与IP病变密度、病变大小差异有统计学意义(P<0.05)。叁组患者出现胸膜凹陷征、血管改变、空气支气管征、空泡征的差异均有统计学意义(P<0.05);病变浸润试纸越大,所显示出的均匀度也将越低;对比MIA与浸润前病变,IPA患者的毛刺或毛刺+分叶征象更明显。结论:在最大径≤1 cm的纯磨玻璃密度肺腺癌患者中,其病变的大小、瘤肺界面及血管变化均能有效鉴别浸润性病变及浸润前病变。(本文来源于《中国民康医学》期刊2019年09期）
贾田菊,马彦云,李延涛,武慧慧,宁艳云[10]（2019）在《基于深度学习的乳腺数字化X线BI-RADS密度分类的研究》一文中研究指出目的为了确保基于ACR BI-RADS乳腺X线密度评估的一致性和准确性,本研究构建基于深度学习的乳腺数字化X线密度的自动分类模型,使之达到对乳腺密度的精准分类。方法在研究中,构建并优化基于深度学习的卷积神经网络(CNN)的经典模型ResNet 50。收集本院于2015-08～2018-02间行全数字化乳腺摄影图像18 152幅,由两位有经验的放射科医师根据ACR BI-RADS标准对图像的乳腺密度进行评估。各自经微调的分类模型分别在小数据集(4 000幅)和原始数据集(18 152幅)对乳腺密度的分类进行评估,得到相应的分类准确性,以受试者工作特性曲线和曲线下面积评估模型的分类性能。结果 CNN模型在小数据集训练时,各类的分类准确性分别为a类91%,b类86%,c类84%,d类90%;当在原始数据集训练时,a类和d类的分类准确性无明显变化,b类和c类的准确性分别为89%和88%,随着数据量的增加,准确率明显提高,比较AUC发现分类性能明显改善。结论基于深度学习的卷积神经网络(CNN)分类模型能以较高的准确率对乳腺密度进行分类,在临床工作中,可协助放射科医师对乳腺密度进行准确、一致的分类。(本文来源于《山西医科大学学报》期刊2019年04期）
密度分类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着智能手机越来越多的成为人生活的部分,拍照作为智能手机的功能,也越来越多被使用。以此生产出来了数以亿计的照片。这些成千上万照片往往存在手机相册、SD卡这样的内置存储中或者以移动硬盘、NAS(网络附属存储)为代表的外置存储中,用户因为照片的数量太多,很难找到自己想要的照片。如何管理与组织巨大数量的照片成为了用户一个比较麻烦的问题。通过观察包括聚会、旅行、体育比赛、踏青、婚礼等不同活动,对于同一活动,不同照片的元特征(GPS、对焦距离、光圈、体积大小、时间戳等)以及视觉内容(灰度、色调、明暗等)有着很多相似程度,利用照片的视觉与元特征相似程度来进行照片的聚集归类。本文提出了一个方法,将图片的元特征和视觉特征的参数量化,使用利用密度聚类算法(DBSCAN算法),与照片与照片之间的相似性对照片分类。本文提出的算法也满足可扩展性的要求,以便添加新的照片的时候将自动完成分类。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
密度分类论文参考文献
[1].刘悦婷,张燕,孙伟刚.基于局部密度改进的SVM不平衡数据集分类算法[J].宁夏大学学报(自然科学版).2019
[2].陈志伟,刘宇涵.基于密度聚类算法的照片分类技术[J].科学技术创新.2019
[3].景瑞,金鑫,高洁,吴芳,张璐璐.不同密度早期肺腺癌的影像特征与病理学分类[J].医学影像学杂志.2019
[4].刘悦婷,孙伟刚,张发菊.一种新的近邻密度SVM不平衡数据集分类算法[J].贵州大学学报(自然科学版).2019
[5].范龙飞,姜子政,李海丰,陈新伟.基于局部密度分类的人数统计算法[J].控制工程.2019
[6].房振兵,汪本福,田永宏,陈波,范兵.基于着粒密度的湖北省水稻穗型分类及其与产量和品质的关系研究[J].湖北农业科学.2019
[7].贾田菊.基于深度学习的乳腺数字化X线BI-RADS密度分类和目标检测的研究[D].山西医科大学.2019
[8].NGUYEN,XUAN,HIEN.基于灰度密度分布特征的肺结节良恶性分类[J].软件导刊.2019
[9].周磊.最大径≤1cm的纯磨玻璃密度肺腺癌病理分类及CT征象特点分析[J].中国民康医学.2019
[10].贾田菊,马彦云,李延涛,武慧慧,宁艳云.基于深度学习的乳腺数字化X线BI-RADS密度分类的研究[J].山西医科大学学报.2019