数据集：本实验使用 Plant Village 公开数据集。本实验中的数据集共用 38个类别名称，代表38类病害。
代码：包含resnet50\ATT-ResNet\VGG等多个模型
实现环境：Python3.6.5、keras2.2.4、tensorflow1.12
2022-02-21 09:28:55
502.58MB
224个病种临床路径（2019年版）
224个病种临床路径（2019年版）
224个病种临床路径（2019年版）
224个病种临床路径（2019年版）
224个病种临床路径（2019年版）
224个病种临床路径（2019年版）
2022-02-09 09:50:18
4.65MB
1
从数据中学习贝叶斯网络结构是一个NP-hard问题，提高网络结构学习算法精度是研究的重难点。基于Pearl的因果理论，提出了一种贝叶斯网络结构学习方法，提升了现有算法的准确率。利用改进的Pearl因果效应和BDe评分，学习网络节点优先次序，利用K2算法学习初始网络，并通过BDe评分反向调节、互信息和BDe评分删除边以修正学习结果。实验在贝叶斯网络标准数据集ASIA、ALARM上进行，在样本量为2000~20 000的20组实验中，学习准确率较MMHC算法平均提升16%，准确率标准差较MMHC算法平均缩小17%。实验表明，基于因果效应的方法较MMHC算法有更好的性能。
2022-02-09 03:16:00
1.03MB
1