利用人工神经网络预测电离层f_0F_2月中值

提出了利用人工神经网络技术预测电离层临界频率月中值的方案．在利用人工神经网络技术研究电离层月中值隔月变化规律的基础上，考虑足够的周年和黑子周期变化的数据训练网络，使 ｆ０Ｆ２月中值预测值与实测数据比较平均误差为 ０．３４ＭＨｚ，预测精度有了较大改进．最后采用分形学的基本理论得到电离层 ｆ０Ｆ２月中值的分数维为 ３，选用 ３个输入量，分别预测高、低年 ｆ０Ｆ２月中值，与实测数据比较平均误差为 ０．３ＭＨｚ．

利用平均影响值和概率神经网络的步态识别

为了实现对智能下肢假肢进行有效控制,下肢步态(包括平地行走、上下楼梯和上下坡等)的有效识别是关键。先从提取不同步态下的特征值入手,利用平均影响值(MIV)来实现变量的筛选,并针对膝上截肢者的特点确定了6个特征值,分别为髋关节角度的最大值、支撑前期均值、支撑中期均值、支撑中期标准差、摆动期标准差(即Mh、ISh、MSh、SWh、MSV、SWV),然后利用概率神经网络(PNN)对本实验系统的5种步态进行准确识别,并与BP神经网络(BPNN)识别步态进行比较,试验结果表明将特征值用平均影响值方法筛选后,用概率神经网络进行步态识别,具有较好的识别率和识别速度,其识别率与BP神经网络相比提高了10%以上,验证了该方法的有效性和可行性。

人工神经网络模型预测药物性肝损伤的临床转归及影响因素MIV值评价

目的:利用人工神经网络方法,对药物性肝损伤(DILI)的转归建立人工神经网络反向传播(Back propagation-Artificial Nerual Network,BP-ANN)预测模型,预测DILI患者的临床转归并对相关影响因素进行平均影响值(mean impact value,MIV)评价。方法:收集某三甲医院全部科室2014年6月1日~2017年6月1日以"药物性肝损害"、"药物性肝损伤"、"药物性肝炎"、"药物性肝病"、"药物性肝衰竭"、"药物性肝硬化"其中之一为主要诊断的266例住院患者资料。符合纳排标准的,对其临床各项指标与转归情况之间的关联性进行Spearman相关性分析,筛选出具有相关性的指标将其作为输入神经元,将转归情况作为输出神经元,构建BP-ANN模型。模型构建训练完毕后,从2017年7月1日起收集70例符合纳入排除标准的DILI住院患者进行临床转归预测,并监测其实际转归情况,将预测结果与实际结果进行对比。进一步用已经训练好的BP-ANN预测模型对有相关性的指标即影响因素进行MIV评价,分析各影响因素对于DILI影响的重要性大小。结果:266例住院患者中,最终符合纳入排除标准的有190例。Spearman相关性分析结果显示共有17项指标有统计学意义,提示有相关性。预测结果显示70例患者中有64例的预测转归与实际转归相符,模型预测的符合率为91.43%。经BP-ANN分析,根据MIV值,直接胆红素首次异常值、血清白蛋白含量、γ-谷氨酰转肽酶首次异常值、体重指数、天冬氨酸转氨酶首次异常值是对DILI患者临床转归影响最大的5个相关指标。结论:人工神经网络模型预测药物性肝损伤临床转归符合率较高,药物性肝损伤的临床转归大部分趋于痊愈或好转。