基于机器学习的结直肠癌血清标志物筛选及早期诊断模型评估

目的提高结直肠癌患者的早期诊断率,帮助结直肠癌患者及早发现病情获得最佳治疗效果(治疗早期直肠癌能达到超过90%的五年存活率)。方法在机器学习理论和实践的基础上,提出了采用向前法作逐步逻辑回归(Logistic Regression,LR)分析筛选出最具有诊断参考性的血清标志物,并利用支持向量机(Support Vector Machine,SVM)与后向传播(Back Propagation,BP)神经网络等模型建立结直肠癌早期诊断模型的方法。结果实验结果显示CEA、CA1724、CA242、CA153和HSP60这5种肿瘤标志物对结直肠癌均有一定的诊断价值,该五种肿瘤标志物LR模型联合检测效果明显高于五种肿瘤标志物任一指标。结论联合检测有助于提高结直肠癌检测的灵敏度,而且基于LR建立的结直肠癌检测模型相较于基于SVM建立的模型具有更高的诊断价值。

人工增雨有利条件的神经网络识别与估价

运用人工神经网络研究人工增雨的天气条件的识别，并选取一组标样作为研究对象，预测准确率为１００％，结果表明，该方法性能良好，可望成为对人工增雨作业天气条件分析、识别的有效手段。

电子舌分析山西老陈醋固态发酵过程及主要有机酸的预测

山西老陈醋是我国著名的传统食醋之一,主要采用固态发酵工艺,在醋酸发酵过程中产生的有机酸赋予了老陈醋独特的口感和风味。采用HPLC和电子舌的方法对山西老陈醋醋酸发酵阶段的样品进行分析,发现乙酸和乳酸是醋酸发酵阶段的主要有机酸,占总酸的60%以上,利用电子舌结合主成分分析和聚类分析可以明显区分不同发酵时间的醋醅样品。进一步,采用BP神经网络建立了发酵过程中乙酸和乳酸的定量预测模型,测试样品预测值和实测值相关系数分别为0.961 5和0.994 2,均方根误差分别为54.4 mg/100 g和59.0 mg/100g,表明该模型可用于发酵过程中乙酸和乳酸的定量预测。该文提供了利用电子舌对发酵过程中的关键代谢产物的含量进行预测的方法,为食醋规模化生产提供了现场快速分析的智能质量监控手段。

基于神经网络方法的季节性冻土Kostiakov入渗模型参数预测

以提高季节性冻土区农业冬春储水灌溉质量为研究目的,基于田间冻土入渗试验资料,建立了以冻融土壤基本理化参数为输入变量,Kostiakov累积入渗量模型参数为输出变量的BP预测模型。所建参数模型对入渗系数K和入渗指数α预测值的平均相对误差在4%以下,在可接受范围之内。结果表明,选择土壤黏粒量、体积质量、体积含水率、地表土壤温度和灌溉水温作为冻融土壤入渗参数BP预报模型的输入因子是合理的,建立的冻融土壤入渗参数BP预报模型是可靠的。

基于ANN模型的内冷型溶液除湿器性能研究

溶液除湿器因可被低品位热能驱动,且具有除湿效率高等优点而受到广泛关注,但其传质性能的预测准确度还有待提高.本文搭建了单通道内冷型溶液除湿实验平台,研究了不同参数对于除湿过程中传质性能的影响,同时,建立了基于MATLAB平台的人工神经网络(ANN)模型用于预测传质性能,并用上述实验数据对该ANN模型进行了验证.结果表明,ANN模型预测得出的Sh与实验Sh平均绝对相对偏差(MARD)为4.07%.与现有经验公式相比,建立的ANN模型预测精度更高.此外,还利用ANN模型研究了不同参数变化下的Sh的变化趋势,从而分析不同参数对除湿性能的影响.