随着数据驱动的机器学习研究的发展，各种各样的预测问题得到了解决。探索如何利用机器学习，特别是深度学习方法来分析医疗数据已经变得至关重要。现有方法的一个主要局限性是专注于网格数据; 然而，生理记录的结构通常是不规则的和无序的，这使得很难把它们作为一个矩阵来概念化。

搭建实验平台,把26个字母的图像传入光纤,并在输出端采集散斑图。把散斑图展开到HSV色彩空间中,单使用V分量进行分类能达到不错的分类准确率,且能缩减训练时长。在预处理后,分别使用具有不同层数卷积结构的神经网络、卷积神经网络和支持向量机(CNN+SVM)算法、SVM算法对散斑图进行分类。测试结果发现,使用4420张散斑图作为训练集,3层卷积结构的神经网络的识别准确率为88%,4层卷积结构的神经网络的识别准确率为95%,CNN+SVM算法的识别准确率为98%,而SVM算法的识别准确率达到了100%。实验结果表明,把机器学习算法应用在光信号上,同样可以对多模光纤散斑图进行分类,当图像特征相对明显时,直接使用SVM算法对光纤输出散斑进行识别,可以大大提升多模光纤输出散斑图的识别准确率。

python知识点汇总 思维导图，条理清晰，简单明了，还可以用作笔记查询

图神经网络论文的介绍，包括多种Graph Embedding、GCN、序列方式的处理。

GGNN和GCN的几篇论文笔记，介绍常用的两种图神经网络。个人笔记。