35、基于深度学习的COVID - 19检测与物联网云计算融合研究

基于深度学习的COVID - 19检测与物联网云计算融合研究

一、深度学习在COVID - 19检测中的应用

1. 模型架构
   • Google研究团队利用ImageNet数据集开发了包含Inception - v3和残差连接的混合架构InceptionResNetV2。在Inception架构中使用残差连接，借助批量归一化技术，显著提高了速度。该技术用残差短连接取代了Inception的滤波器串联，在保持计算效率的同时，兼具了深度和广度的优势。不过，当滤波器数量超过1000时，残差变体开始出现不稳定情况，网络在训练早期就可能“死亡”，即经过数万次迭代后，平均池化前的最后一层开始输出全零，且降低学习率或添加额外的批量归一化层都无法避免这一问题。
2. 特征选择
   • 主成分分析（PCA）的基本目标是在尽可能保留数据集方差的前提下，最小化由多个相互关联特征组成的数据集的维度。它通过将变量转换为一组新的变量（主成分）来实现这一目标，主成分按其保留原始变量变异范围递减的顺序排列，因此主成分保留了原始成分中的最大方差，且由于主成分是协方差矩阵的特征向量，所以主要成分是正交的。
3. 分类方法
   • 为测试架构性能，考虑了多种基于机器学习的分类器，包括随机森林（RF）、多层感知器（MLP）、K近邻（KNN）、支持向量机（SVM）、随机梯度下降（SGD）和朴素贝叶斯（NB）。采用k折交叉验证策略进行训练和测试，具体步骤如下：