基于CMCP和余弦间隔交叉熵的深度神经网络及其应用

二分类问题在经济领域十分常见,深度神经网络(DNN)是现有最为常用的分类方法之一。然而在处理高维特征数据时,DNN仍然面临着巨大的挑战。为此,本文基于CMCP和余弦间隔交叉熵损失建立了一个新的深度神经网络(CMCP-CMDNN),它既实现高维输入特征的筛选,又改进分类预测能力。其中,CMCP方法用于压缩输入特征到第1隐藏层的权重,通过融合权重的组结构,能够剔除无关特征以及不重要的连接。余弦间隔交叉熵损失函数可以增大判别边界的间隔,提高分类准确率和稳健性。为了求解模型,本文基于局部线性近似(LLA)和近端梯度下降算法估计参数。模拟分析表明,对比已有DNN和分类方法,所提出的方法具有良好的特征选择性能和预测表现。信用贷款违约风险实证研究表明,该方法能够有效选择风险指标并进行违约风险预警。本文拓展了深度神经网络的理论研究,为高维复杂交互作用的大数据建模提供新思路,为解决金融、管理、生物等领域的分类问题提供有力的分析工具。

基于Logistic回归惩罚函数的遗传位点分析

探讨将基于惩罚函数的变量选择方法应用到遗传位点分析。以2016年9月16日的全国研究生数学建模竞赛B题的数据为例,首先对每个位点的碱基对(A、T、C、G)编码方式数值化处理,最后用数值化后的数据进行建模,并将单变量选择LogisticSCAD、组变量选择LogisticGroupSCAD模型和双层变量选择LogisticcMCP模型定位到与遗传性疾病显著相关的遗传位点,分别与出题者提供的标准答案进行对比,结果显示双层变量选择LogisticcMCP模型能够准确的定位到与遗传性疾病显著相关的遗传位点。因此将其运用到具有遗传性疾病和性状的遗传位点分析是值得研究的。

药物合剂根管内封药的临床疗效观察

目的 观察药物合剂在根管内封药治疗慢性根尖周炎的临床疗效。方法 选择了 386例慢性根尖周炎的患者 ,随机分成两组 ,一组为药物合剂封药者 ,一组为传统药物CMCP封药者。结果 两组成功率分别为 98.5 6 %、85 .39%。结论 根管内封药药物合剂优于CMCP。

庆大霉素、地塞米松、糜蛋白酶混合注射液根管内封药治疗慢性根尖周炎58例疗效观察

目的观察庆大霉素、地塞米松、糜蛋白酶注射液根管内封药治疗慢性根尖周炎的临床疗效。方法选择116例慢性根尖周炎的患牙,随机分成二组,根管治疗过程中分别采用庆大霉素、地塞米松、糜蛋白酶混合注射液和传统的根管内消毒药物樟脑对氯酚(CMCP)根管内封药,对疗效结果进行比较。结果庆大霉素、地塞米松、糜蛋白酶混合注射液根管内封药组总有效率(93.10%)优于对照组CMCP根管内封药(68.97%),二组疗效比较差异有统计学意义(P<0.05)。结论庆大霉素、地塞米松、糜蛋白酶注射液根管内封药对于病程长,长期渗出、疼痛、根尖炎症较大的病例较CMCP能更有效的控制症状。