基于文本挖掘构建肺癌风险症状搜索推荐库

肺癌潜在患者在症状表现前期通过搜索引擎进行自我诊断的过程中,由于搜索关键词缺乏或不准确容易导致误诊现象,从而错过最佳治疗期。为降低肺癌潜在患者利用搜索引擎自我诊断的误诊率,结合TF-IDF文本挖掘技术与聚类的统计方法,在关键词筛选过程中创新地采用剔除与匹配相结合的方法,构建了基于专业医疗词汇的肺癌风险症状搜索推荐库。采用弹性网络回归拟合“肺癌早期症状”的搜索指数,结果显示肺癌早期症状搜索指数可被该类团内关键词搜索指数较好地拟合。研究证明,“肺癌早期症状”类团内的关键词可在搜索引擎中互为补充推荐词条,该类团内越多症状共现,检索到肺癌早期症状的可能性越大。

基于WKNN-UKF算法的超宽带技术在车辆定位的应用

为实现车辆的准确跟踪定位,本文首次将WKNN算法与UKF算法相结合,运用超宽带技术研究车辆跟踪定位问题。针对某停车场内的监控数据,利用WKNN算法正确识别视距和非视距误差,剔除含有较大非视距误差的测量值;利用UKF算法对筛选后的测量值进行计算,得到精确位置坐标。相较于Chan定位算法,本文提出的WKNN-UKF定位算法具有更高精度,能够实现复杂场景下车辆的准确定位。

BP神经网络在CESM强化密度及乳腺癌诊断中的研究分析

将穿刺活检或手术病理结果分析得到的乳腺肿瘤性质作为对比标签值,在χ^(2)检验的基础上,采取交叉验证确定超参数、独热编码处理输入信号等方法,使用Tensorflow深度学习框架建立两个BP神经网络,分别为不剔除交叉列联分析中χ^(2)值最小的强化密度属性的三输入信号网络与剔除该属性的两输入信号网络,利用两个网络分别对乳腺肿瘤性质进行诊断研究。通过对两个网络准确度、敏感度以及特异度的对比研究,发现强化密度对恶性肿瘤的检出率较高,引入强化密度的三输入信号网络模型为最佳模型;最佳模型与CESM检查技术结合的诊断精度可达95.77%;乳腺良、恶性肿瘤诊断最佳模型中敏感度与特异度的ROC曲线显示,最佳诊断参考点为(0.978,0.949)。

基于GM(1,1)-马尔可夫模型的山东省货物运输保险市场需求预测分析

近几年,在互联网背景下货物运输行业蓬勃发展,但货车侧翻、自燃等意外事故导致货物受损的事件也频繁发生。购买货物运输保险是一种降低此类风险的有效途径。本文通过对2005—2019年山东省货物运输保险需求相关指标数据的收集,运用多元线性回归与灰色GM(1,1)相结合的方式,建立货物运输保险需求预测模型,并利用马尔可夫过程对预测误差进行优化处理,得到预测效果较好的货物运输保险需求预测模型。