论文部分内容阅读
面向智能招聘的数据挖掘方法及其应用
【机 构】
：
中国科学技术大学
【出 处】
：
中国科学技术大学
【发表日期】
：
2021年期
【基金项目】
：
其他文献
结合图论分析方法对功能磁共振图像进行研究,已经发现了许多精神疾病的大脑功能连接存在异常,但是在脑网络分析中还存在一些问题亟需解决。首先,目前基于图论的分析方法存在一些阈值选择问题,结果很容易受其影响而出现不一致性。其次,之前的研究假设磁共振扫描期间功能连接是静态的且不会随时间变化,但是脑网络是动态变化的,由此可能忽略一些随时间变化的重要信息。最后,遗传因素也会对阿尔茨海默病患者(Alzheimer
学位
甲状腺是人体最大的内分泌腺,大多数相关的疾病与甲状腺的形状、大小息息相关,常规超声检查甲状腺的组织大小也是评估甲状腺疾病的诊断依据,因此甲状腺组织的分割与体积重建对临床病理诊断有重大意义。而对于超声序列图像逐张切片人工标注获取目标组织再分析病理的任务来说,其人工成本较大并且受人为主观因素的影响较大,导致标注的图像存在较大误差。因此,需要设计一个能够自动分割超声甲状腺组织的计算机辅助诊断系统,这对临
学位
随着人工智能技术以及计算机设备的快速发展,人机交互技术已成为当今生活中不可或缺的一部分。手势以其简单、灵活的特点,使手势识别成为人机交互技术中的热门研究方向。传统的手势识别算法存在精度低、鲁棒性差等问题。近年来,深度学习在图像分类、目标检测等计算机视觉领域取得了巨大的成就,为手势识别的研究提供了新的方向。本文主要研究基于深度学习的手势识别,主要研究工作包括以下几点:1)采用深度学习网络模型对手势识
学位
网络空间威胁和风险日益增多,网络异常流量是目前主要的网络安全威胁之一,也是网络安全监测的关键对象。近年来,机器学习技术凭借优秀的特征学习能力被广泛应用于基于网络异常流量的入侵检测领域,但仍然存在一些问题,比如流量分类性能非常依赖于特征设计、网络流量入侵检测数据集类别不平衡、少数类识别精度差等。针对上述问题,本文从网络流量入侵检测特征集的表征形式,类别不平衡问题的处理方法以及分类器的选择等方面展开研
学位
对MRI影像进行分析属于腹部疾病诊疗的重要手段之一,高分辨率MRI影像有助于医生良好地把握患者病情,但其对于成像设备精密程度的要求会导致昂贵的硬件成本,利用超分辨率技术从软件方向提高影像质量能够有效降低高分辨率影像获取成本。基于深度学习的超分辨率算法通过输入大量数据进行训练,能够有效利用图像自身的领域先验知识,重建出细节丰富、纹理清晰的超分辨率影像,与基于传统方法的超分辨率算法相比,效果有显著提升
学位
遥感图像中对地物的检测一直是研究热点,其中人类主要活动场所就是建筑物,因此对该类目标实现检测显得十分重要,根据建筑物颜色、纹理及形状等来提取简单物体的特征的传统目标检测算法已不再适用,而基于深度学习的目标检测算法对于背景复杂度高的环境有很强的适应能力,可以提取更多细节特征,适用于遥感图像场景,在鲁棒性方面表现良好。本文主要研究基于深度学习的遥感建筑物检测,采用基于区域的Mask RCNN的目标检测
学位
时间序列是随时间观测和变化的一系列实值,是一类重要的时间数据对象,在科学研究和金融领域中被广泛应用,针对时间序列的研究和开发也已经成为数据挖掘领域的一个重要分支,其中时间序列的分类和预测是该领域的两大主要研究方向。随着数据规模的不断扩大,传统时间序列分析方法的弊端逐渐显现出来,不仅算法的普适性不高,分析过程中更是需要付出巨大的时间开销。基于shapelet的时间序列分类方法是一种目前较为热门时间序
学位
随着社会的发展进步,无人机(Unmanned aerial vehicles)在智慧城市中扮演着越来越重要的角色。无人机通常用于货物运送、交通管理和救灾行动。开放无人机自组网(UAV Ad-Hoc Networks)指由一组空间分布的机载无人机组成的开放无线网络。通常,多个无人机合作才能完成复杂的任务。一个无人机组由多个组织者共享以降低使用成本。节点由不同的组织制造,也由不同的所有者使用。同时,由
学位
在传统的聚类算法研究中,大多数经典的聚类算法往往只能处理静态数据。但是,在现实世界中,数据往往会随着时间的推移而发生变化,这类数据称为动态数据。动态数据相较于传统的静态数据的不同之处在于,它增加了额外的时间维度,在随时间推移的演化过程中,经常会发生数量以及特征上的变化,因此无法直接通过传统的静态聚类算法来实现对动态数据的聚类。此外,在静态数据的聚类中,人们为了避免聚类的歧义性以及提高聚类的准确率,
学位