文摘

随着人民生活水平的逐步改善,各种食品的生产和饮用正在增加。人们的疾病率增加了与之前相比,导致越来越多的医学图像处理。传统医学技术无法满足大部分需求。目前,使用混沌递归卷积神经网络(CNN)算法对角模型有很大的优势在医学图像处理和已成为大多数医院不可缺少的一部分。简要介绍了近年来医学科学技术的使用。CNN的混合算法混沌递归对角模型主要用于技术研究,和该技术在医学图像处理中的应用进行了分析。CNN算法利用混沌递归对角模型进行了优化。结果表明,混沌递归对角模型可以改善传统神经网络的结构和原来的CNN算法的效率和准确性。然后,医学图像处理的应用研究和比较执行根据美国有线电视新闻网CNN算法和优化算法。实验结果表明,CNN混沌递归算法优化的对角模型可以帮助医学图像自动处理和病人情况分析。

1。介绍

随着神经网络的发展,我们也关注算法的动力学和nondynamics。目前,动态神经网络算法已成为代表系统模型的映射函数(1]。为了弥补静态神经网络算法,它不能解决停滞问题[2,3]。我们研究对角递归模型基于神经网络算法大趋势。这个模型是最简化神经网络的动态模型。它是基于多级网络结构(4]。通过内部转换机制、网络通信可以用来处理数据和图像,可以有效地解决动态信息功能(5]。因此,递归对角模型方便构建模型的非线性动力学和模拟控制的数据信息(6- - - - - -8]。虽然对角递归模型有一些优势与神经网络算法相比,它可以简化整个结构。然而,很容易面临的问题不完整的神经元结构模型的选择;也就是说,它是限制在学习和培训的模式。这种情况并未完全消失(9]。目前,我们关注的更新和替换对角递归网络结构模型。与遗传算法的基本原理逐渐被越来越多的人,自然选择和遗传算法的消除也可以优化算法在计算网络。作为一种快速、简单、适应性强的神经网络算法,遗传算法获得了一些优势合作与任何结构(10]。目前,遗传算法用于优化神经网络结构,和更科学的选择更合适的数据源和初始状态。混沌是非线性问题的解释系统,具有普遍性的特点和自然随机性(11]。我们混沌算法引入到神经网络,构建一个优秀的算法结构包括混乱蔓延和神经网络的体重,也就是说,混沌递归对角模型结构(12,13]。本文使用这种结构的优良性能来提高图像处理在医学环境的缺陷。

图像处理技术已成为现代医疗技术的重要手段之一。一些学者常常判断病人的条件根据图像处理的结果(14]。由于医学图像处理技术的不断进步,不仅医学图像的总数迅速增加,但医学图像的内部能力也呈指数增加(15,16]。然而,没有许多医务人员判断和解释医学图像和医学图像的数量增加迅速占据了大部分的医务人员的时间。医务人员花了时间信息的图像分析沉闷地,没有太多的时间去处理其他的事情(17]。因此,医学成像可以直接成为医学研究的首要任务(18]。随着科学技术的快速发展,CNN算法的使用已成为一种有效的助手在医学图像处理。机器学习能力是一个很大的进步发明人工智能算法。这个模型可以反映智能和仿真属性(19,20.]。通过学习和培训能力,机器学习为每个字段可以做建筑模型和相应的分析和判断可以基于问题(21]。根据判断,整个研究分析和处理,后续处理是预测和评估。随着计算机技术的发展,CNN技术已经取得了很大的进步在速度和精度在整个神经网络算法。这种方法在医学图像处理的性能是最突出的22]。首先,CNN技术不仅省略了复杂特性收集和数据设置在传统的算术也处理的问题太复杂的数据通过视觉层和强大的公共机构的一部分。根据描述的优势透光,CNN算法不仅在医学图像处理中快速发展,而且显而易见的结果(23]。在深入学习算法,CNN的发展有利于当前图像处理方面的进步。该算法提供了一种有利的方式对医疗工作基于自动分析。随着计算机领域的发展,软件和硬件设备更新和替换。CNN算法在处理医学图像显示自己的优势的问题。整体的速度和准确度计算和分析过程有明显增加24]。处理方面的医学常识,它可以避免太多的复杂特征点的条件会导致参数不稳定。CNN算法有时会导致数据丢失的神经网络算法。近年来,随着CNN和医疗技术的结合,它在图像处理了。它可以帮助许多医务工作者研究医学问题,不能直接过去,分析和模拟,建立医学图像解决病人的问题(25]。

在这篇文章中,医学图像的缺陷和缺陷解决简要讨论。根据医学图像处理问题,混沌递归对角模型分析,和整个医学图像处理技术是研究和分析结合CNN算法(26]。首先,分析了混沌递归技术对角模型神经网络结构和使用自己的混沌属性来避免缺陷的搜索精度,结合神经网络算法。然后,医学图像处理的机器学习模型构造根据CNN。传统算法的优缺点和改进CNN算法进行了分析,该算法在医学图像处理的应用进行了分析。

2。方法

2.1。研究混沌递归对角线的结构模型

混沌递归对角模型改进传统的对角递归算法的结合。混合学习算法结合遗传网络是用来获取和分析全局最优的结果。混乱的神经网络结构递归对角模型如图1。

根据网络结构,整个网络结构包括三个部分:第一部分是输入数据层的信息,它的主要任务是接受传入的消息;第二部分是逐渐隐层,它是由两部分组成的。这两个部分是神经单位和基于混沌递归模型。参数的功能将混沌机制与神经网络相结合。的功能将收到的反馈信息和处理它。逐渐隐藏层的输入数据的总和两个参数变量的神经单位;输出的输出参数数据信息层线性神经单元的功能照明层和渐层。渐层和输出层的函数公式如下:

我们设置了两个变量,和 。这两个变量代表的功能单元衰减层和输出层的功能单元,分别。

根据前面提到的公式,神经网络的输入数据参数计算。它包括个别参数变量的输出数据信息在特定的时间,和比较计算整个输入数据之间的连接权值神经单元和多层次的逐渐隐层神经单元。每个参数变量分析作为一个变量阈值范围在逐渐隐层神经网络的结构。其余的参数是混沌神经网络的连接权重单位和反馈数据神经网络单位在每个级别。每一层的单元值的神经网络计算由混沌机制和输出反馈。作为输入数据值和输出数据值的神经网络算法与混沌递归对角模型相结合,分析可以表示如下:

的参数变量前面提到的公式是一个常量值大于0。是活跃的神经单元的功能逐渐隐层。该算法使用单行极值函数。整个计算过程代表输入数据和输出数据的关系关系下的组合神经网络结构和混沌递归对角模型。因为神经单元的可变参数在整个渐层计算根据激活函数,可以生成映射混沌机制的内容。因此,整个网络结构被称为混沌轮回对角神经网络模型。

由于遗传算法的基本属性,它可以产生随机算法基于遗传机制,及其使用不依赖于任何梯度计算。全局最优结果只能由仿真模型结构进行了分析和计算。在整个神经网络,我们确定网络结构和使用参数据CNN算法。CNN算法可用于整个网络结构的调整参数。混乱的结构周期性对角神经网络是一个简单的网络模型。这个模型的识别方法是确定整个神经单元的数量渐层和网络的初始分配数据。然后,CNN算法进行了优化。最后,整个网络的拓扑结构简化,和实际的输出误差也被认为是作为一个妥协。整个神经网络的优化过程主要包括多变量参数编码、初始值的变量定义,健身设置,复制模拟、交叉操作、变异操作,等等。在编码的过程中,主要是使用二进制方法。 Compile by adjusting the number of floating points in the parameter range. In the chaotic recurrent diagonal model neural network, the vector of the whole structure is defined initially. Each variable corresponds to a gradually hidden layer neural unit. The specific variable structure is shown in Figure2。

在初始值的变量的定义,单位的价值逐渐隐藏层的神经网络是假定,和初始值的范围是根据人口变量的数量,调整在[0,1]随机生成的。在健身环境,因为神经网络训练的结果是考虑准确性和复杂性的程度。因此,下面的公式用于计算适应度函数:

经过计算的准确性和复杂性,错误数据的神经网络进行了研究。具体计算公式如下:

实际的输出数据值和预期的输出数据值中定义公式。在交叉操作,全球搜索功能的力量决定根据个人代模式。概率计算的过程中,转换为计算对象是随机选择的,和一个新的基因生成值是根据基因的交叉计算变量。计算公式如下:

在变异操作中,突变的具体方法是根据所选的位置控制变量。基因变异位置的数量可以捕获值范围。变异操作后,新基因值计算公式如下:

根据计算公式,它可以表示,[0,1]之间的概率是。做一个规划随机数处理整个网络计算范围。前面提到的通过统一的操作公式,可以获得预期的分析价值,网络结构和参数变量的混沌递归对角模型可以获得自行车后数据接近期望值。

2.2。研究基于CNN算法的医学图像处理技术

CNN算法模型是基于人工神经网络技术,不断更新。卷积结构用于解决数据丢失的问题,当大量的数据计算。卷积是整个CNN算法的核心结构。它有当地工会的性质和重量计算。根据卷积运动,整个数据信息处理得到特征点的数据源。与非线性激活函数的计算模型,模型的整个状态发生了变化。目标处理和表达的能力增加。根据卷积算法的池模式,整个处理特性数据,这不仅增加了传感范围,也使得该模型有很好的稳定性。然后,它减少了技术难度和量的计算整个造型技术。

CNN神经网络算法的发展,其优化已被许多研究人员关注。激活函数和优化方法的进步在CNN的模型已经改变了整体结构。模型架构的改变有很大的影响,整个神经网络的性能。在医学图像处理,CNN算法使三年来统计处理过的图片,和统计图表如图3。

从图可以看出3年的增加,CNN算法在医学图像处理领域的逐渐上升。证明了CNN算法可以提供方便的图像处理技术。本文提出一种基于原始CNN混沌递归对角模型方法的算法。

然后,我们进一步收集和处理整个医学领域的图像信息。文章的数量分类的具体内容获得医学图像如图4。

深加工的CNN算法模型的整体框架可以提高整个模型的抽象能力。模型中特征提取,特征点信息可以获得更好的优化。我们扩大整个宽度改变模型的特征点信息,也就是说,每一层的数量,直接影响特征点的规模。常用方法是调整通道计算数据量和形成multibranch网络模型。CNN模型可以解决松散的数据源的问题通过深度学习技术和数据迁移。学习转移到分析数据共享和转移训练模型处理函数未经训练的模型。形成一个固定的参数变化。在医学图像处理,传输数据模型学习函数可以丰富图像数据资源。迁移数据的使用也可以帮助医学图像处理来提取特征点的过程稳定,仿真后得到最终的形状。CNN算法在医学图像处理的应用历史图所示5。

构建的结构CNN算法之前,我们首先需要分析整个深度学习模型的基本形式。CNN的基本形式是卷积层和数据采集层。通过传感本地数据的变化,体重值共享,数据收集和分析实现基于时间和空间的变换。卷积的算法,计算每个神经单元的输入数据是根据形式:

整个层数的公式,被定义为变量,代表输入层数据。设置相应的偏移变量参数。在数据收集、计算从整个收集的数据量特性图。输出特征点的范围大小设置为源数据的大小。收集数据的计算公式如下:

在CNN算法的使用,我们可以进一步优化处理。优化方法不仅反映在结构,而且在整个生产过程中神经网络结构的学习和培训。我们提高学习和训练方法,可以提高准确性和CNN算法在医学图像处理的效率。模型可以避免过度拟合的过程中图像处理。我们可以提高神经网络的性能通过优化整个算法。优化的具体过程如图6。

第一是改善整个网络模型的准确性。在CNN的评价模型中,是否校准算法的缺陷。该算法根据消除指数提高。我们减少像素的影响因素问题根据超级轮廓图像处理方法。然后,提出了一种分层检测方法来处理整个医学图像。在模型训练过程中,我们需要注意培训学习配件。根据这种情况,数据更新方法提出了基于级联的数量。整个CNN算法模型的训练,和冗余无用的神经元计算概率。根据该算法,神经单元的数据逐渐隐藏层安装。

3所示。CNN算法基于混沌递归分析对角模型在医学图像处理

3.1。参数分析混沌对角递归神经网络混合算法模型

参数变量设置为代表多个培训与学习模式,并根据计算函数值的错误。计算公式如下:

根据动态变量神经网络算法,整个网络结构参数的调整和修改。重量值和阈值计算如下:

基于前面提到的公式,改进了计算方法,和体重增加数据的反馈非线性方程。修改后的公式如下:

的公式,是一个非线性函数的混沌属性机制反馈数值操作:

公式中包含的参数可以调整变量,可以生成和混沌机制因素根据参数值的增加。图7是输出曲线公式的函数的参数是在[0,1]。它可以表达混乱的因素变化的反应时混乱的状态参数值增加从0。

当参数范围是[0,30],系统的分岔图如图8。

对于这个混沌模型,我们可以用仿真技术来实现。当混沌模型用于停滞微分计算,计算公式如下:

当整个系统的参数在一定范围内,系统混乱的表现。10当参数2,17日,和1.2,一组时间序列的变化可以获得关于混沌机制。混乱的复发对角模型神经网络用于预测时间序列,和大量的样本数据选择的信息支持。训练数据和测试数据是有区别的,分别输入值向量规划是根据复发对角混沌神经网络进行。模拟预测输出值和整个网络的混沌序列曲线参数识别阶段后如图9。

预测结果和实际结果之间的误差的整个网络图所示10。根据两条曲线,我们可以知道,混沌递归对角模型用于预测和分析神经网络的实验结果和误差值相对较小。换句话说,该模型具有较高的精度比普通模式。

从图可以看出10混乱,混乱的机制因素的递归对角模型可以改变算法的计算方法。传统的神经网络算法优化来提高整个算法在图像处理的准确性和减少误差系数。因此,它可以极大地确保医学图像处理的有效性和准确性,促进医生诊断图像。

4所示。结果分析

医学图像是一个基于图像记录技术在人体外部干预。其目的是诊断疾病和指导操作。医学图像处理包括图像重组、病理分类、疾病rejudgment,可视化的三维现实,等等。CNN算法提供了一个很大的帮助在最初的医学图像的处理。CNN在医学图像处理的应用结果如表所示1。

让我们以脊髓的形象在医学为例。CNN比较医学图像与图像处理算法,我们可以发现脊髓曲率的程度和分析疾病的原因。CNN算法在脊髓的处理结构图像如图11。

首先,整幅图像的特征点选择根据形态学算法,轮廓的特征点,然后根据CNN神经网络分类算法模型。最后,根据数据源,分析是获得高精度和高精度值从数据源。CNN模型也可以帮助医学图像处理分析的区域特征细分功能。根据设计卷积核心,不同尺度的规模明显。根据获得的复杂的数据信息处理路径。然后,根据CNN模型,添加其他图像处理路径作为输出数据源。CNN算法可以自动区分整个特征点提取整个图像特性集。不同尺度的图像模块处理提取特征,最后,整个连接通道拼接。CNN模型可以用于医学图像处理更好,所以应用程序过程可以实现模型从零基础的设计不需要特定的图像数据。

一般来说,CNN算法可以直接接受原始图像输出操作,数据源的自动学习培训和特征提取。参数定义的复杂过程避免了传统算法,特征点数据必须存在。

5。结论

神经网络算法的不断发展,对角递归模型也是优化。摘要神经网络算法,是有别于传统的对角模型,使用。根据混沌机制和神经网络算法,基于混沌轮回对角神经网络检测模型组成。结果表明,该模型具有较高的精度和数据处理的效率。CNN算法一直是相关领域的深入学习。我们分析美国有线电视新闻网(CNN)的基本结构,介绍CNN优化算法的发展和应用在整个医学图像处理。根据目前的研究结果,CNN算法可以自动分析和检测医学图像基于原始数据。图像处理技术的基础上,结合混沌递归的对角模型和CNN算法可以使医学判断和分析条件下的高精度和原始图像。

数据可用性

数据共享不适用本文没有生成数据集或分析在当前的研究中。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究支持了“浙江省自然科学基金委员会共同基金和浙江社会的数学医学、中国(没有。LSY19F010001)”和“基础科学研究专项资金从浙江均大学省级重点大学(2021)。”