简介:摘要:超固结比是衡量土的固结状态的重要参数。地震波孔压静力触探(SCPTU)能够同时给出剪切波速测试与孔压静力触探(CPTU)测试。基于SCPTU黏土数据,建立基于BP神经网络的黏性土OCR预测模型,发现BP神经网络模型准确率高于传统经验公式,并分析了输入参数的选择对BP神经网络模型准确性的影响,最终筛选出最利于模型准确率的输入参数组合。
简介:摘要:计算机软件测试技术是为检测程序运行的缺陷,帮助软件安全运行。我国计算机软件在日常生活的使用当中发挥着巨大作用,计算机没有软件的配置无法正常运行,而计算机软件的安全性、稳定性等都是为了满足使用者的需求。为了加深计算机的运行多样化,方便进行相关操作,计算机的软件程序要进行精准的测试,确保软件运行程序的准确性,帮助检查软件运行的错漏,并进行程序的优化。除此之外,对计算机软件进行检测还可以解决其中存在的病毒,保证软件安全。因此进行其软件的深度开发,可以确保其运行的安全稳定,提升计算机的使用价值,否则计算机就只是一个空壳,该文从计算机软件测试技术与深度开发模式来分析。
简介:软件的图形用户界面(GUI)的视觉设计影响着用户的使用体验.在没有既定标准的情况下,测试人员对GUI评分的主观性和大量的重复性工作,会造成GUI测试的评分偏差和效率低下.针对上述问题,本研究工作构建了基于云平台的软件GUI自动测试系统,分别使用HOG+SVM模型和AlexNet模型对GUI图像进行特征提取并分类.考虑到软件GUI数据样本量小,提出利用迁移学习策略改善AlexNet网络的性能.针对用户的多样性和算法对计算性能的需求,GUI自动测试系统部署在云平台上,用户可以对软件GUI进行实时评估.实验证明,系统用于GUI自动测试具有良好的性能,并且可以避免主观因素的影响以及减轻软件测试员的工作量.
简介:摘要:深度学习是机器学习的一个分支,它是一种使用由非线性变换创建的复杂结构或处理层的数据处理方法。近年来,深度学习在计算机视觉,语音识别,自然语言处理,生物信息学等领域取得了进展。由于其在数据分析方面的巨大潜力,深度学习被选为十大技术进步之一。深度学习技术将人类神经网络与多层非线性处理相结合,逐层抽象原始数据,从不同数据层提取抽象特征,并将其用于可预测的分类。深度学习的优点是有效的函数学习算法和分层函数学习被非控制或半控制的函数学习所取代。创建支持人类决策的智能影像诊断平台,提高影像诊断的效率和水平。影像智能诊断通过将深度学习算法与人工智能相结合来实现。搭建智能影像诊断平台,实施智能影像诊断,减少误诊频率和误诊频率,改善医院应用程序的智能影像诊断,使用其平台来对医院的诊断能力和效率提高。
简介:摘要目的建立基于卷积神经网络的人工智能烧伤深度识别模型并测试其效果。方法在本诊断试验评价研究中,收集中南大学湘雅医院(下称笔者单位)2010年1月—2019年12月收治的符合入选标准的221例烧伤患者伤后48 h内创面照片484张,采用随机数字编号。采用图像查看软件圈出目标创面,由笔者单位烧伤整形科3名具有5年以上专科工作经验的主治医师判断烧伤深度,用不同颜色标记浅Ⅱ度、深Ⅱ度或Ⅲ度烧伤后,按224×224像素的尺寸切割得到完整大小的图像块5 637张。采用图片生成器将3种深度烧伤图像块均扩充至10 000张后,将每种烧伤深度图像块按7.0∶1.5∶1.5比例分为训练集、验证集和测试集。在Keras 2.2.4 Python 2.8.0版本下,采用卷积神经网络中的残差网络ResNet-50构建人工智能烧伤深度识别模型,输入训练集进行训练,利用验证集对模型进行调整、优化。利用测试集测试构建的模型识别各类烧伤深度的准确率,计算精确率、召回率及F1指数;通过降维工具tSNE将测试结果降维可视化生成二维tSNE云图,观察各类烧伤深度分布情况;根据模型对3种烧伤深度识别的敏感度及特异度,绘制出相应受试者工作特征(ROC)曲线,计算ROC曲线下面积。结果(1)经测试集测试,人工智能烧伤深度识别模型识别浅Ⅱ度、深Ⅱ度、Ⅲ度烧伤的精确率分别为84%(1 095/1 301)、81%(1 215/1 499)、82%(1 395/1 700),召回率分别为73%(1 095/1 500)、81%(1 215/1 500)、93%(1 395/1 500),F1指数分别为0.78、0.81、0.87。(2)tSNE云图显示,人工智能烧伤深度识别模型测试集测试结果中不同烧伤深度之间总体重叠较少,其中浅Ⅱ度与深Ⅱ度、深Ⅱ度与Ⅲ度烧伤之间重叠相对较多,而浅Ⅱ度与Ⅲ度烧伤之间重叠相对较少。(3)人工智能烧伤深度识别模型识别3种烧伤深度的ROC曲线下面积均≥0.94。结论采用ResNet-50网络建立的人工智能烧伤深度识别模型可较准确地识别烧伤患者早期创面照片中烧伤深度,特别是浅Ⅱ度与Ⅲ度烧伤,有望用于临床烧伤深度辅助诊断,提高诊断准确率。