Forecasting model for the incidence of hepatitis A based on artificial neural network

AIM: To study the application of artificial neural network (ANN) in forecasting the incidence of hepatitis A, which had an autoregression phenomenon. METHODS: The data of the incidence of hepatitis A in Liaoning Province from 1981 to 2001 were obtained from Liaoning Disease Control and Prevention Center. We used the autoregressive integrated moving average (ARIMA) model of time series analysis to determine whether there was any autoregression phenomenon in the data. Then the data of the incidence were switched into [0,1] intervals as the network theoretical output. The data from 1981 to 1997 were used as the training and verifying sets and the data from 1998 to 2001 were made up into the test set. STATISTICA neural network (ST NN) was used to construct, train and simulate the artificial neural network. RESULTS: Twenty-four networks were tested and seven were retained. The best network we found had excellent performance, its regression ratio was 0.73, and its correlation was 0.69. There were 2 input variables in the network, one was AR(1), and the other was time. The number of units in hidden layer was 3. In ARIMA time series analysis results, the best model was first order autoregression without difference and smoothness. The total sum square error of the ANN model was 9 090.21, the sum square error of the training set and testing set was 8 377.52 and 712.69, respectively, they were all less than that of ARIMA model. The corresponding value of ARIMA was 12 291.79, 8 944.95 and 3 346.84, respectively. The correlation coefficient of nonlinear regression (R(NL)) of ANN was 0.71, while the R(NL) of ARIMA linear autoregression model was 0.66. CONCLUSION: ANN is superior to conventional methods in forecasting the incidence of hepatitis A which has an autoregression phenomenon.     

BP神经网络在餐厨垃圾处理厂适宜性评价中的应用

在调研武汉市餐厨垃圾处理厂基础上,以CJJ 184-2012餐厨垃圾处理技术规范作为餐厨垃圾处理厂选址适宜性评价模型指标选取依据,选取规划适宜、交通运输、环境保护、建场条件和社会经济效益5个方面13个指标,采用BP神经网络构建模型,并以此模型对武汉市2个已建成的餐厨垃圾处理厂选址进行适宜性评价.结果表明,2个已建成的餐厨垃圾处理厂的选址为合格选址.评价模型较客观反映了武汉餐厨垃圾处理厂的实际情况,具有较强的适用性和可靠性.     

多元非线性回归与BP神经网络在香菇多糖提取工艺研究中的应用

目的 探讨多元非线性回归与BP神经网络在香菇多糖提取工艺研究中的应用;方法 使用香菇多糖提取工艺中提取时间、提取温度、料液比、醇析乙醇量和多糖提取率的实验结果,分别建立多元非线性回归方程和BP神经网络;结果 多元非线性回归拟合mse为0.1483,预测误差为1.44%;BP神经网络拟合mse为0.1474,预测误差为1.29%;结论 多元非线性回归与BP神经网络均可用于多因素的非线性模型建立.     

基于神经网络法反求耳结构弹性模量

目的通过耳结构的位移反算耳结构弹性模量。方法基于Patran软件建立耳结构有限元模型,使用Mat-lab建立计算耳结构反问题的BP神经网络。对耳结构有限元模型进行频率响应分析,得到鼓膜凸和镫骨足板的位移响应;把位移作为BP神经网络的输入、相对应的结构弹性模量作为输出,对网络进行训练。结果利用训练成熟的BP网络反算出耳结构的弹性模量,相对误差非常小。结论反算结果表明,所使用的反问题方法求解耳结构弹性模量是可行的,可为临床提供确定生物结构力学参数简捷有效的方法。     

基于直方图的纹理度量在超声乳腺肿瘤识别中的应用

探讨纹理特征在超声乳腺肿瘤诊断中的价值。提取超声图像中乳腺肿瘤的纹理度量,得到由均值、标准差、平滑度、三阶矩、一致性和熵组成的特征矢量,最后用反向传播人工神经网络（BP）对96幅乳腺肿瘤的良恶性进行分类识别。BP 神经网络对良、恶性肿瘤的正确识别率分别为88．4％和78．6％。基于乳腺肿瘤超声图像的纹理特征建立的神经网络系统对肿瘤的良恶性具有较好的识别能力。     

基于心电信号的睡眠阶段的辨识

本研究以睡眠中的心电图信号为基础,计算出心率变异性的时域和频域参数,根据自律神经系统的变化与心率变异性的关联性,对睡眠的不同阶段进行辨识,从而实现睡眠质量监测的居家化。睡眠质量辨别算法以监督式倒传递类神经网络为核心,通过SDNN、RMSSD、SDSD、NN50、p NN50、HFnorm、VLF百分比、5 min TP等8个特征值,进行睡眠的5个阶段的辨别。实验通过686组数据测试发现,隐藏层神经元数目为30,性能目标为40,为最佳参数设定,其中对睡眠中Stage1阶段的识别率可达93.33%。     

基于小波递归神经网络的间歇过程迭代学习优化控制

针对间歇过程提出了基于小波神经网络的迭代学习优化控制算法,实现产品终点质量指标的控制。小波递归神经网络用于建立提供长期预测的间歇过程模型。由于模型误差以及未知干扰的影响,基于预测模型得到的控制变量在实际应用中得不到期望的终点质量指标。利用间歇过程的重复特性,采用迭代学习优化控制改善批次间的产品质量,根据以前批次的模型预测误差均值来修正神经网络模型预测输出,继而计算出下一个批次的控制输入。随着批次的进行,模型误差逐渐消失,控制输入达到最优控制。仿真实验结果验证了该算法的有效性。     

基于Elman神经网络的交通流量预测方法

交通流诱导系统是智能交通系统领域中一项重要的研究内容,而交通流量的预测问题则是交通流诱导系统的核心问题。因此,能够实时准确地预测交通流量成为诱导系统是否能够有效实现的关键问题。根据交通流的特性,分析交通数据采集过程中错误数据产生的原因,提出相应的处理方法,并在此基础上采用Elman神经网络对智能交通系统的流量预测进行建模。该系统采用C#并结合Matlab进行开发,通过Elman神经网络算法实现流量的预测,并采用图表的方式直观地显示预测结果。应用结果表明：该方法可以有效地对交通流量进行预测,且预测精度可以满足实际交通诱导的需要。     

生长抑素受体SSTR2在结肠腺瘤型息肉中的表达及临床意义

西方发达国家普遍采用疾病诊断相关分组(DRGs)进行医疗保险支付,从而促进有效平衡卫生资源的分配.鉴于我国医疗系统的复杂性,只能够通过多次小范围进行探索性尝试,才可以逐步推行DRGs系统.本文首先引入疾病诊断相关分组的思想,简述疾病诊断相关分组对我国医疗卫生事业的正面和负面影响.然后通过对本院子宫平滑肌瘤手术的病例进行数据分析,通过神经网络算法得出采用疾病相关属性测算住院费用的数学模型.