基于径向基函数(RBF)神经网络的红鳍东方鲀体质量预测

为解决基于表型性状预测红鳍东方鲀体质量时,由于不同表型性状间的自相关、部分性状和体质量之间的非线性关系以及线性回归方法自变量间的共线性,导致根据表型性状预测体质量误差过大的问题,本研究根据人工神经网络(artificial neural networks,ANN)建模原理,采用径向基函数(radial basis function,RBF)神经网络模型,利用72个红鳍东方鲀样本的表型数据,通过最近邻聚类算法,构建了基于RBF神经网络的红鳍东方鲀体质量预测模型,并采用线性回归检验法对所构建模型的可信度进行检验。结果显示,基于RBF神经网络预测模型的确定系数R^2为0.992,接近于1,而线性回归模型的确定系数为0.949,比线性回归预测模型的确定系数提高4.53%;此外,线性回归共线性检验显示,模型自变量间存在一定的共线性,性状体周长1和体高的自相关性较大。研究结果表明,通过RBF神经网络方法构建的预测模型,消除了线性回归分析中自变量的共线性问题,预测精度显著高于线性回归方法构建的预测模型,对红鳍东方鲀体质量的预测效果优于线性回归模型。基于RBF神经网络体质量预测模型的构建,为利用表型性状精确评估红鳍东方鲀的体质量提供了一种新的方法。

岩体质量等级分类预测方法及其工程应用

为准确地预测前方岩体质量,提出基于隧道地震波勘探系统和可拓理论的岩体质量等级分类预测方法。通过对数百例典型地震波探测数据的系统收集与归类分析,遴选出隧道地震波勘探系统可有效识别的、可表征岩体质量等级的物理力学参数作为分类预测指标,并根据隧道地震波场响应特征,提出岩体质量分类预测指标体系的分级标准,建立隧道岩体质量等级分类预测的物元可拓模型。通过TSP探测技术获取预测指标取值,对其进行无量纲化处理,并利用简单关联函数法确定预测指标的权重。研究结果表明:岩体质量分类预测结果与属性识别模型、GA_SVM评价结果及现场情况具有较好的一致性,验证了该方法的可行性和准确性,提供了一种可应用于施工阶段的岩体质量等级预测方法。

Osaka超声多参数公式与改良公式预测胎儿体质量的临床分析

目的分析导致Osaka超声多参数预测胎儿体质量公式误差的因素及其改良方程。方法回顾性分析本院519例足月单胎孕妇在超声测量后3d内分娩的正常体质量儿的出生体质量、各项胎儿生物指标,用相关分析及多元线性逐步回归的方法新建的3个回归方程,与Osaka University公式一起应用于199例前瞻性验证,分别进行了预测符合率、绝对误差与相对误差的比较。结果胎儿腹部面积及腹围对胎儿体质量的影响最显著,胎儿肱骨长在预测胎儿体质量上优于股骨长。结论胎儿腹部面积、腹围及胎儿肱骨长是胎儿体质量较敏感的指标。

超声测量预测胎儿体质量的影响因素分析

目的 探讨产前超声测量预测胎儿体质量的影响因素。方法 以在我院出生的1 452例新生儿出生体质量为对照,对产妇分娩前0~7d内超声测量预测胎儿体质量的资料进行回顾性分析。结果 新生儿出生体质量与超声测量预测值相差≤250g为符合,本组超声预测胎儿的临床符合率为69.70%。巨大儿的预测偏小率（86.21%）大于正常儿（17.15%）,差异有统计学意义（χ2=100.277,P〈0.001）。超声测量胎儿双顶径、头围、腹围、股骨径与新生儿出生体质量均呈正相关,其中腹围与出生体质量相关性最好（r=0.620 6）。检测时限间隔越长,B超预测的胎儿体质量越小于实际出生体质量,差值近似于：体质量差（g）=20.11×检查后时限（天）。结论 腹围和检测时限间隔是影响孕晚期超声测量预测胎儿体质量的最重要因素。

MRI三维体积预测足月胎儿体质量的准确性分析

目的研究磁共振成像(MRI)三维体积预测足月胎儿体质量的准确性。方法选取2015年2月至2017年2月于封丘县人民医院行超声检查及MRI检查后1周内分娩的63例胎儿作为研究对象,行MRI三维重建,同时测量体积,超声预测体质量使用Haldlock方程,MRI预测体质量使用Baker方程。比较两种检查方法的胎儿体质量预测值与实际出生体质量之间的误差。结果两种检查方法检出体质量预测值比较,差异无统计学意义(P>0.05);MRI检查的绝对误差及绝对误差绝对值小于超声检查,差异有统计学意义(P<0.05)。结论 MRI三维体积预测足月胎儿体质量具有一定可行性,且误差较超声检查小。

预测胎儿体质量实用进展

产前能否准确预测胎儿体质量,及早发现巨大儿,对选择分娩方式、避免母亲软产道损伤,减少产后出血,减少感染,减少胎儿产程中肩难产、臂丛神经损伤、锁骨骨折、颅内出血、新生儿窒息等具有十分重要的意义。及早发现胎儿生长受限,可以减少围生儿病死率、降低胎儿出生缺陷发生率、可早诊断、早干预减少新生儿后遗症的发生。现对对胎儿体质量估计的众多的测量方法进行综述。

基于池塘圈养条件的大口黑鲈生长特征与模型构建

为掌握池塘圈养条件下大口黑鲈养殖周期的生长特征变化规律,测定体质量为(16.3±4.9)~(424.9±27.2)g生长周期内大口黑鲈的体长、全长、吻长、眼径、头长、尾柄长、头高、体高、尾柄高、体宽和体质量生长特征参数,分析其生长特征参数之间的相关性,分别建立基于支持向量回归(SVR)、径向基神经网络(RBF)和随机森林回归(RF)的体质量预测模型,将预测值与实测值拟合确定最佳模型;并运用模型拟合的方法建立各个生长特征参数的最佳生长模型。结果显示:体质量与生长特征参数均呈极显著相关性;基于支持向量回归(SVR)的体质量预测模型预测效果最佳,预测模型的决定系数R^(2)为0.996,均方根误差为9.004,平均绝对误差为6.598;体质量与体长呈幂函数关系W=0.0127×L^(3.224),决定系数R^(2)为0.977;全长、体长、吻长和头长的最佳生长模型为Logistic模型,头高、体高、眼径和体宽最佳生长模型为Von Bertalanffy模型,体质量、尾柄长和尾柄高最佳生长模型为Gompertz模型;在养殖周期内大口黑鲈肥满度在2.26%~2.93%波动。以上结果表明,可以利用生长模型和体质量预测模型预测掌握圈养条件下大口黑鲈的生长过程,并通过精准投喂达最佳养殖效果。