《表1 本文和文献[6]的算法对宫颈癌细胞识别错误率》
图3a和b分别表示采用文献[6]和本文改进的算法识别成假阴性和假阳性的错误率,由图3的结果可以看出本文改进的算法在假阴性和假阳性的识别错误率上都比文献[6]要低,图4是使用文献[6]和本文改进的算法对宫颈癌细胞整体的识别率,从图4的结果可以看出,本文改进的算法得到的识别率优于文献[6]的结果,由于文献[6]的算法每次只处理一个样本,在每次更新参数前对相似的样本进行梯度重复计算,所以在大数据集上会产生冗余计算,存在很大噪声干扰,在解空间搜索范围内波动较大,导致识别率低。本文提出改进的残差神经网络训练算法在识别率方面有一定的改善,通过引入动量参数,动量设置为负梯度的指数平均衰减,使参数更新不完全依赖于之前的梯度;每次训练时迭代b组样本,保证最终参数训练的准确率,实现对宫颈癌细胞更准确的识别。
图表编号 | XD0016133500 严禁用于非法目的 |
---|---|
绘制时间 | 2018.05.05 |
作者 | 夏为为、夏哲雷、徐良、魏新秀 |
绘制单位 | 中国计量大学信息工程学院、中国计量大学信息工程学院、中国计量大学信息工程学院、中国计量大学信息工程学院 |
更多格式 | 高清、无水印(增值服务) |