神经节苷脂M_1介导神经生长因子对运动神经元再生的影响

目的 研究神经生长因子 (NGF)、神经节苷脂M1 (GM1 )及NGF和GM1 混合液对桥接面神经的硅胶管腔中面神经管状化移植再生的影响。方法 选择成年大白兔 40只 ,4只作正常对照 ,其余 3 6只随机分为A、B、C三组 ,将其双侧面神经下颊支与腮腺前缘相同平面造成 8mm长缺损 ,用 1 5mm的硅胶管进行桥接 ,然后作以下处理 :A组 ,左侧硅胶管内加入NGF ,右侧加入生理盐水 ;B组 ,左侧加入NGF +GM1 ,右侧加入NGF ;C组 ,左侧加入NGF +GM1 ,右侧加入GM1 。于术后 2 0周进行电生理及组织学观察。结果 A组左右侧神经传导速度差异无显著性 ;B、C两组左右侧间差异有显著性 (P <0 0 5 )。且两组左侧再生神经有髓纤维数目、直径、髓鞘厚度、轴突直径均高于对侧 ,差异有显著性 (P <0 0 5 ) ,但A组以上指标均无差异。光镜及电镜观察试验各组均有较明显的神经再生。结论 ①NGF能够促进运动神经元再生 ,但这种能力有限 ;②GM1 能够介导NGF促进运动神经元再生 ,表现出良好的生物学效应。

扩展GM(1,M)模型混沌优化及其在边坡监测中的应用

基于GM(1,1)与常规GM(1,M)模型缺陷的分析,给出了扩展GM(1,M)模型(E-GM)及其响应递推式,进而指出了背景值生成因子的双重约束特性。扩展模型采用最新历史数据作为响应值初始条件,并提出以模型精度与法矩阵病态程度为准则引入混沌优化方法搜索最佳生成因子。工程实例计算表明,扩展模型预测精度及可靠性优于GM(1,1)及常规GM(1,M)模型。

多变量非等间距GM(1,m)模型及其应用

对于多变量非等间距数据序列,建立了一类GM(1,m)预测模型。基于灰色模型的指数特性和积分定义,提出了构造多变量非等间距序列的GM(1,m)模型背景值的方法。该方法可以提高GM(1,m)模型的拟合精度和预测精度,拓广了灰色模型的应用范围。应用该方法,建立了中国农村青少年生长水平的灰色预测模型,结果理想可靠,有较好的实际意义。

用改进GM(1,m)多变量模型预测变压器故障

针对传统GM(1,m)预测模型进行了改进,将原始数据序列进行变换,改变其数据生成方式,使变换之后的数据序列具有更加近似指数的变化性质,满足了灰色模型对序列光滑性的要求,能够进行波动序列的预测。用改进的GM(1,7)预测模型对变压器多种特征气体体积分数进行预测,同传统GM(1,1)和GM(1,7)的预测结果相比其对原始数据序列有良好的逼近效果,表明了模型的有效性。

灰线性加权非等距GM(1,1)形变预测模型

结合加权非等距GM(1,1)模型与线性回归理论,构建灰线性加权非等距GM(1,1)预测模型,并给出对模型预测精度起决定性作用的灰指数v和参数m的优化方法。与加权非等距GM(1,1)模型和线性回归预测模型相比,灰线性加权非等距GM(1,1)预测模型的精度更高,预测有效时间更长,模型的稳定性更好。优化v和m后,灰线性加权非等距GM(1,1)预测模型的实用性、稳定性进一步提高。

改进灰色GM(1,m)模型在变压器故障预测中的应用

针对灰色模型在预测变压器故障时对波动数据序列的预测误差较大的问题,提出了一种灰色GM(1,m)预测模型改进方案:对原始数据序列进行处理,使其具有更好的指数规律,以满足预测模型对光滑性的要求;对处理过的原始数据序列进行灰关联度分析,以得到各变量之间的关系;优化预测模型的背景值并用其建模;采用等维新息模型预测数据。采用改进的灰色GM(1,m)模型预测某变压器油中7种特征气体的体积分数,所得预测数据的平均残差和后验相对误差均小于GM(1,1)模型和传统GM(1,m)的预测结果,表明其具有更好的预测精确度。

GSM(m,1)(m=1,2)模型的结构及数值解

本文用样条函数对GM（m，1）（m=1，2）模型的残差序列进行插值拟合，然后作用于二阶线性微分方程，并以此修正原模型，得到了GM（m，1）（m=1。

基坑开挖引起的建筑物沉降多点灰色预测模型

基坑开挖引起周边建筑物的沉降变形是一个复杂的系统过程,单点模型GM(1,1)不能考虑各变形监测点间的相关性,必须建立多点灰色模型M-GM(1,n)进行预测。利用Matlab语言编写的预测程序,经实例计算表明M-GM(1,n)模型预测精度高。

宿州春季重旱发生年份的灰色神经网络预测模型

宿州春季严重干旱序列数据偏少,可用传统GM(1,1)模型进行预测,但由于序列变化幅度较大,预测效果不理想。本文利用灰色与BP神经网络组合模型对宿州春季重旱发生年份进行预测,即首先弱化序列变化幅度,并改进GM(1,1)模型导数信息处理方式,构建可逼近精度目标的m-GM(1,1)预测模型,然后应用BP神经网络对m-GM(1,1)模型的残差进行拟合,对m-GM(1,1)预测模型进行修正。结果表明,灰色神经网络组合模型的精度(|Q|=0.0045)比单一的1.7-GM(1,1)模型(|Q|=4.18)和传统的单一GM(1,1)模型精度(|Q|=9.36)提高许多。预测2005年后的下一个宿州市春季严重干旱发生年份为2009年,可以作为预报当地春季干旱时的参考,并结合其他方法作进一步预测,为当地防灾减灾提供科学依据。

基于中心逼近式灰色神经网络模型的水质预测

对时间序列建立中心逼近式GM(1,1)模型,通过优选模型的m值弱化序列变幅,利用BP神经网络对该模型残差值进行拟合修正,以此构建一个基于中心逼近式GM(1,1)模型的灰色神经网络预测模型。应用实例的计算结果表明,该模型可提高水质预测精度。

高层建筑物沉降变形的灰线性预测

本文以高层建筑物沉降变形预测为主要研究目的,讨论了GM(1,1)方法适用于单一指数增长模型、对预测序列数据异常情况难以准确预测的局限性,利用线性回归适用短期预测的特点,提出了基于GM(1,1)与线性回归组合预测高层建筑物沉降变形的方法;对组合模型预测精度起决定性作用的灰指数v和参数m进行了分析,给出了求解灰指数v和参数m的最优值算法,最后利用组合模型对某高层建筑物沉降变形数据进行了解算,应用结果表明,该方法使预测结果更为可靠、准确。