基于多层感知器网络的过度医疗防治绩效评价研究

目的通过多层感知器网络的构建评价过度医疗防治的效果,为进一步完善过度医疗防治体系提供参考。方法基于多层感知器网络,构建了具有3层神经网络、9个隐含层节点数的过度医疗绩效评价模型。结果多层感知器网络的训练结果与专家评价(期望结果)两者评价是完全一致的。结论该多层神经网络及其评价指标的选取能够很好地应用于医疗服务中的过度医疗防治绩效评价。

多层感知器网络内部判决模式的研究

人工神经网络 ( ANN)内部行为的研究 ,无论是对生物神经系统内部工作机理、ANN理论 ,还是对 ANN应用都有重要意义。本文在作者原有工作基础上加以发展 ,针对多层感知器网络应用于模式识别、分类、函数逼近与参数估计的内部行为 ,作出了明确解释 ;以单隐层结构为典型 ,定义了隐层神经元输出为网络输出量的“(正、负 )内部分量”,隐层权重分布为网络求解问题的“内部判决模式”;并给出了应用这一理论分析的实例。

基于多层感知器网络的农作物疾病诊断系统

农作物疾病的人工诊断效果常受到个人诊断经验和能力的限制,无法达到最令人满意的诊断结果。将丰富的植物病理学诊断经验和知识编入专家系统,利用模式识别算法,对农作物常见疾病进行诊断,可以大大提高诊断准确率,有效地提高其产量和质量。主要研究了基于一种人工神经元网络—多层感知器网络的模式识别技术在大豆疾病诊断中的应用。MLP神经网络通过模拟生物神经元细胞对外部刺激而产生的反应,构成一种前向神经网络,可以有效地解决非线性不可分问题。首先对大豆常见19种疾病症状进行了收集和整理,构建试验样本集。然后,利用反向传播算法对该网络进行训练和测试。测试结果表明,该模型具有较高的农作物疾病诊断正确率和良好的泛化能力。

基于等级式多层感知器网络的特定人汉语词组识别系统

本文主要讨论多层感知器网络￣［１，２］在特定人的汉语词组识别系统中的应用。提出简单的语音特征参数规整方法。针对多层感知器网络在分类模式增加时，网络结构增大，学习时间冗长，识别率下降；增加新的模式需要重新训练网络的缺点，提出了等级式多层感知器网络及其新的分类算法。基于语音知识建立了一个中等词汇量的特定人的汉语词组识别系统，提出了语音知识的矩阵表达方式，基于前向概率和后向概率的最佳匹配推理算法。该系统的音节识别率为９０％，根据知识推理，词组的识别率为９３．５％。

多元线性回归模型与多层感知器神经网络在铀矿测井泥质含量预测中的应用

在铀矿资源勘探工作中,泥质含量的测定对于确定地下岩层的性质和砂岩型铀矿床的分布具有重要意义。文章旨在避免常规测井解释计算方法受到希尔奇系数选取准确性的限制,提出了利用多元线性回归模型和多层感知器(MLP,Multilayer Perceptron)神经网络对测井数据进行分析与预测的方法。通过选取某地区的测井数据,采用多元线性回归模型和MLP神经网络进行了泥质含量关系模型的构建和验证。结果显示,多元线性回归模型在泥质含量低层位出现过拟合现象,而MLP神经网络则表现出更高的预测准确性,MLP神经网络在泥质含量预测中优于传统多元线性回归模型,为铀矿勘探中泥质含量的准确预测提供了有效工具,并有望改进现有的泥质含量评价方法。这些研究成果可显著提升测井解释的效率和准确性,对后续铀矿勘探开发工作的开展具有积极影响。

基于多层感知器神经网络的小微企业信贷风险研究

文章以多层感知器神经网络算法为基础,对某小贷公司的小微企业信贷数据库中的信贷记录进行了信贷评估,并将该结果与决策向量机、线性判别、二次判别和逻辑回归等数据挖掘方法进行了比较。分析结果表明,从总体上看,多重感知器神经网络算法优于传统的基于参数的分类方法,即多层感知器神经网络算法拥有相对较高的ROC曲线下面积和较低的预期错误分类成本。更进一步,在研究所采用的4种MLP算法中,基于BFGS Quasi-Newton训练算法的MLP表现最为出色,可以作为金融机构进行小微信贷风险评估的辅助决策模型。

基于径向基—多层感知器神经网络联合的复杂岩相智能识别与表征

苏里格气田东二区二叠系石盒子组盒8段(以下简称盒8段)为典型的河流相致密砂岩储层,其强非均质性及复杂的储层结构导致该区面临“甜点”储层优选困难等关键技术瓶颈。为此,在分析盒8段储层岩相类型及组合特征、岩相约束下测井数据特征的基础上,建立了一种契合岩相及其组合特征、测井数据特征、人工智能算法原理的径向基—多层感知器神经网络联合模型,并开展了储层岩相的精确识别与表征研究。研究结果表明:(1)盒8段发育块状层理砾岩相、槽状交错层理粗砂岩相、板状交错层理粗砂岩相、板状交错层理中砂岩相、平行层理中砂岩相、交错层理细砂岩相、波状层理粉砂岩相、块状层理泥岩相8种岩相类型;(2)盒8上亚段曲流河相储层岩相密度偏小、岩相频率偏高、对应测井数据分布较分散,盒8下亚段辫状河相储层岩相密度偏大、岩相频率偏低、对应测井数据分布较集中;(3)建立的径向基—多层感知器神经网络联合模型识别准确率可达89.06%,相较于单一神经网络模型、交会图、主成分分析和决策树等方法识别准确率明显提高。结论认为,建立的径向基—多层感知器神经网络联合模型不仅克服了现有岩相识别方法准确率低且难以推广的缺陷,而且对实现河流相强非均质性致密砂岩储层高效开发具有重要意义。

基于多层感知器神经元的空间柔性机器人位置跟踪控制

针对基体位置及姿态均不受控的自由漂浮柔性空间机器人轨迹跟踪问题,提出了一种前馈多层感知器(MLP)神经网络控制策略.建立了末端柔性的自由漂浮基机器人的耦合动力学模型,再利用MLP神经网络良好的逼近能力来自适应补偿非线性柔性臂的逆动力学模型,其误差代价函数由PID控制器提供,权重及阀值的调整采用改进的BP反传算法.最后通过仿真比较详细分析了所提方案的工作机理及对非线性强耦合系统控制的有效性.

PCA-MLP神经网络模型在黄河宁夏段径流预测中的应用

为提高短时间尺度的月径流量预测效果并简化神经网络模型结构,将主成分分析(PCA)和多层感知器神经网络(MLP)相结合,构建PCA-MLP神经网络模型预测汛期月径流量。模型首先采用主成分分析法确定影响径流量的主要影响因子,再将主要影响因子数据输入MLP神经网络模型,预测月径流量数据。将宁夏青铜峡水文站2010—2019年汛期的月径流量和影响因子数据作为训练样本训练神经网络模型,以2020—2022年汛期月径流量和影响因子数据作为检验样本进行对比分析。预测结果表明:目前影响汛期径流量的因素主要是历史径流和气候特征,检验集预测结果确定性系数为0.851,模型可为宁夏汛期月径流量预测提供相应指导。

北京松山自然保护区森林群落物种多样性及其神经网络预测

物种多样性是群落结构和功能复杂性的一种度量,物种多样性的空间分布格局受许多环境因子的影响。运用多样性指数,多层感知器网络,分析了松山保护区森林群落物种多样性与群落类型、结构和生境之间的关系。结果表明:(1)大果榆+山杨混交林、油松+青杨混交林物种丰富度、多样性和均匀度均较高,而大果榆林、华北落叶松林的各项指数值均较低。Patrick指数和Shannon-Weiner指数在森林群落中均表现为草本层>灌木层>乔木层;Pielou指数在榆林中表现为草本层>乔木层>灌木层,而在其他森林群落中表现为灌木层>草本层>乔木层。(2)功能层物种多样性在海拔梯度上的变化趋势不同,在乔木层,丰富度、多样性和均匀度随海拔的升高逐渐降低;在灌木层,丰富度、多样性和均匀度均呈比较明显的单峰曲线变化趋势;在草本层,丰富度和多样性随海拔的升高都呈下降趋势,而在草本层,均匀度变化不大。(3)用多层感知器网络预测功能层多样性效果很好,结果发现坡向对乔木层和灌木层物种多样性的影响最大,而海拔高度对草本层物种多样性的影响最大。

基于贝叶斯网络的脑胶质瘤恶性高低度的自动诊断

贝叶斯网络(B ayes ian N etw ork)可以把统计学和图论有效地结合起来,近年来成为数据挖掘中的研究热点,其优点可以综合先验信息和样本信息,适于处理不完整数据集。本文采用280例病例作为训练数据,利用B ayes ian netw ork进行大脑胶质瘤高低度的自动诊断,利用严格的B ayes规则进行推理,在推理过程中采用了D分离来简化过程,其诊断正确率达到80%以上,达到了领域专家的要求,而且在可理解性方面要比多层感知器和决策树要好。

基于LASSO回归和多层感知的癌组织RNA-Seq数据分类算法研究

目的:为了解决癌症基因RNA-Seq(RNA-Sequencing,转录组测序技术)技术每次测序过程产生海量高分辨率、高维、高冗余的数据,给基因表达数据分类带来困难的问题。方法:提出了一种基于LASSO(Least Absolute Shrinkage and Selection Operator,LASSO)回归和多层感知的癌组织RNA-Seq数据分类算法。首先,从TCGA数据库获取十个疾病的基因数据集并对原始RNA-Seq的基因表达谱基因数据进行数据清洗和标准化处理,去除重复的基因,选取表达量最大的基因并将数据做标准化处理。其次,采用LASSO回归的方法对处理后的数据进行降维和特征提取,获得与疾病标签最相关的特征基因集。最后,运用多层感知器神经网络(Multilayer Perceptron,MLP)模型对特征基因进行学习和训练,实现有效地识别和分类。实验结果:实验表明,该算法在10种癌细胞基因测试数据集中分类总准确率达到99.8%,高于LASSO-CNN分类模型的总准确率98.9%和LASSO-BP神经网络分类模型的总准确率99.4%。结论:该算法克服了转录组测序数据量大、特征多、数据差异大的缺陷,是一种有效的癌症基因表达测序分类新算法。

多模型小波网络非线性动态系统辨识

由于许多复杂的工业系统具有非线性特性 ,难以建立确切的数学模型 ,因此提出用多模型小波网络辨识非线性动态系统 ,并给出了辨识结构和训练算法 .仿真实验比较了多模型小波网络与单小波网络在辨识非线性系统时性能上的差异 ,验证了该方法收敛速度快 ,抗干扰能力强 。

SSA-MLP模型在岩质边坡稳定性预测中的应用

岩质边坡的力学参数量化及稳定性分析对岩质边坡灾害的防治具有重要意义。Hoek-Brown(H B)准则是一种用于确定岩体力学参数的经典方法,能反映出边坡岩体变形和位移的非线性破坏特征。在此基础上,首先,提出一种麻雀搜索算法(Sparrow Search Algorithm,SSA)改进多层感知器(Multi-Layer Perceptron,MLP)的神经网络模型,并用于边坡稳定性预测、指标敏感性分析及参数反演。其次,将收集的1085组岩质边坡的几何参数和H B准则参数等作为输入变量,极限平衡理论Bishop法求解的安全系数作为输出变量,对SSA MLP模型进行训练学习和性能评估。最后,将该模型运用于25个边坡实例,验证模型的有效性。结果显示,该模型收敛速度快、精度高,为边坡稳定性分析和参数量化提供了一种新思路。

基于神经网络的非线性系统自校正控制

基于神经网络的自适应学习和强容错能力,研究了用多层感知器网络构成的非线性自校正控制系统结构和学习算法。仿真研究结果证实了这种结构的有效性。

公立医院床位利用效率及配置合理性评估研究

目的分析上海市某三级甲等公立医院各科室床位利用效率,为评估床位资源配置合理性提供方法学依据。方法以上海市某三级甲等医院2023年的医疗运营数据为基础,利用床位利用模型进行可视化呈现,评价床位资源的利用效率。运用床位评价指标测算各科室床位的合理区间,得出床位调整方案。采用多层感知器神经网络模型评估床位调整方案的准确性、合理性、可行性。结果床位利用模型显示,11个(25.00%)科室属于床位效率型,11个(25.00%)科室属于床位周转型,16个(36.36%)科室属于床位闲置型,6个(13.64%)科室属于压床型。床位评价指标显示,8个科室床位数不需改变,16个科室床位数需要适当减少,20个科室床位数需要结合实际情况增加。利用多层感知器神经网络搭建床位不变、床位减少、床位增加模型。床位不变模型的受试者工作特征曲线下面积(area under curve,AUC)=0.719,灵敏度为100.00%,特异度为40.63%。床位减少模型的AUC=0.875,灵敏度为83.33%,特异度为85.00%。床位增加模型的AUC=0.913,灵敏度为100.00%,特异度为72.22%。结论医院整体床位利用效率较低且不同科室间床位的利用效率存在差异,通过多层感知器神经网络建立的床位增加模型评估结果与床位利用模型和床位评价指标的结果具有较好的一致性,能够为医院床位资源配置管理提供方法学依据,进而实现医院床位精细化管理。

基于气味信息和活性成分的三七产地溯源研究

目的基于气味信息和活性成分对三七Panax notoginseng(Burk.)F.H.Chen进行产地溯源研究。方法采集4个产地的三七样品,测定其活性成分(人参皂苷R1、Rg1、Rb1、Rd)和气味信息并进行多元统计分析和神经网络分析。结果方差分析结果表明,三七产地对其皂苷含量、电子鼻传感器特征响应信号影响显著;典则判别分析和聚类分析可实现三七产地的判别,多层感知器神经网络分析对三七产地的判别准确率均在87%以上;结合偏最小二乘回归分析、多元线性回归分析、多层感知器神经网络分析构建皂苷含量的预测模型,气味信息与皂苷含量间存在相关关系(0.42<r<0.95)。结论基于电子鼻和高效液相色谱法对三七产地判别具有可行性,可为三七开发利用、产地追溯、真伪鉴定提供科学依据。

基于多层感知器神经网络的双相障碍早期识别研究

多层感知器(MLP)神经网络属于多层前馈神经网络,具有高度智能化的特征与能力,其可以通过网络自身学习来实现复杂的非线性映射。双相障碍是一种严重的精神疾病,具有高复发率、自残率和自杀率。大多数双相障碍以抑郁发作起病,容易被误诊为单相抑郁症而延误治疗,影响预后。双相障碍的早期识别对双相障碍患者非常重要,由于该过程的非线性特点,本文探讨了MLP神经网络应用于双相障碍早期识别的效果。样本数据分为两组,包括复发抑郁组143例及双相障碍组107例;通过对两组间的临床特征进行统计学分析,筛选出具有显著差别的42个变量作为神经网络的输入变量;本研究通过选取不同的神经网络内部结构,随机抽取部分案例作为学习样本,其它作为测试样本,对于双相障碍的识别均获得了较好结果,说明MLP神经网络可应用于双相障碍的早期识别中。

基于多层感知器神经网络对遥感融合图像和TM影像进行土地覆盖分类的研究

８０年代以来，人工神经元网络（ＡＮＮ）技术的应用不断向广度和深度发展．用不同空间分辨率的ＴＭ和ＩＲＳ遥感图像进行融合，综合了不同传感器数据所提供的信息，增强了图像的清晰度，改善了解译效果。用多层感知器神经网络对遥感融合图像进行分类，分类精度达９５％，比用多层感知器神经网络对ＴＭ图像进行分类（分类精度达７３％）效果要好．

电液伺服系统的神经网络建模方法研究

针对电液伺服系统固有的流量-压力特性等非线性因素使得采用传递函数等传统方法难以获得电液伺服系统的精确模型的问题,详细研究了电液伺服系统的神经网络建模方法。研究了两种最常见的神经网络,即多层感知器神经网络和径向基函数神经网络,采用5种典型学习算法构造了3种多层感知器神经网络和2种径向基函数神经网络,并结合自动定深电液伺服系统的工程实例,详细分析了这5种神经网络在电液伺服系统中的建模性能。研究结果表明,采用正交最小二乘算法的径向基函数神经网络最适合电液伺服系统的建模。