广义回归神经网络用于拮抗药化合物活性的模式识别

选择9个化学参数和合适的扩展系数,对一批26个拮抗药化合物的活性建立了广义回归神经网络识别模式。选择21个样本为训练集,5个样本为预测集。结果表明,该种网络具有设计简单与收敛快的优点,可用于小样本问题的学习,获得满意的预测结果。     

基于遗传算法的药物动力学参数估计

目的:将遗传算法(GA)用于药物动力学(PK)模型参数估计。方法:用MATLAB7.0所带遗传算法与直接搜索工具箱(GADS)或免费遗传算法最优化工具箱GAOT求得PK参数估计值。结果:GA与常用PK软件包(传统算法)计算比较,结果基本一致,各有优点与不足之处。     

基于深度神经网络的心电图诊断方法研究

目的 探讨基于深度神经网络的心电图诊断方法对患者心脏状况诊断的准确率。方法 复现了现有的6个典型的模型作为对比,与本文提出的新模型共同在PTB-XL数据集上进行测试,共包含6个实验,7个模型,每个实验都应用于所有模型。使用AUC值作为分类性能度量指标,观察对比每个模型应用于各个实验上的AUC值,值越大,说明模型的分类效果越好,即对心电图诊断的准确率越高。结果 本文提出的模型在all、diag、rhythm心律失常分类实验中AUC值分别达到了0.947、0.939和0.957,相比其他表现最好的模型提高了0.022、0.003和0.004;而在实验sub-diag、super-diag和form中,与表现最好的模型相比差别不大,综合实力甚至优于最近提出的专门为时间序列分类而设计的inception1d模型。结论 文中提出的方法具有较高的准确率。     

基于项目反映理论的高校标准化试题库建设的探讨

<正>在高校中考试是衡量学生能力的重要手段,为了避免每年考试难易度的不同,统一的试题库建设是非常必要的,在题库的建设过程中试题的标准化(即试题参数的等值化处理)是非常重要的部分。本研究提出了基于项目反应理论(Item Re-sponse Theory,IRT)的标准化试题库的建设思路,并通过实际数据的收集和分析给出了具体步骤,为大型标准化试题库建     

一种基于神经网络的垃圾邮件过滤方法

垃圾邮件问题日益严重,受到研究人员的广泛关注,基于各种技术的垃圾邮件过滤方法应运而生,其中神经网络技术应用广泛.现在主要采用的后向传播(BP)神经网络虽然在垃圾邮件过滤中取得很好的效果,但仍然存在局部极小点、不能适应新样本、学习效率较低等诸多问题.因此,本文将一种有导师、可在线学习的自组织神经网络--预测自适应谐振理论神经网络(ARTMAP),运用于垃圾邮件过滤,提出了一种新的基于ARTMAP的垃圾邮件过滤方法.实验表明,基于ARTMAP的邮件过滤能够对垃圾邮件进行有效的过滤,在保证正确率的同时,更能适应当前垃圾邮件特征不断变化的环境.     

基于特征提取的选择性神经网络集成方法

针对现有神经网络集成研究方法在输入属性、集成方式和集成形式上的不足,提出一种基于特征提取的选择性神经网络集成模型-NsNNEIPCABag.该模型通过Bagging算法产生若干训练子集;利用改进的主成分分析(IPCA)提取主成分作为输入来训练个体网络;采用IPCA从所有个体网络中选择出部分线性无关的个体网络;采用神经网络对选择出来的个体网络进行非线性集成.为检验该模型的有效性,将其用于时间序列预测,结果表明本文提出的方法的泛化能力优于流行的其它集成方法.     

基于BP神经网络的模式识别方法在医学检测中的应用

以血清中胆固醇含量检测问题为例,介绍基于BP神经网络的模式识别方法在医学检测中的应用,并讨论了一些相关问题。     

基于神经网络的医学图象处理

阐述一种基于神经网络的医学图象压缩方法。     

基于神经网络的医疗诊断专家系统

以肺癌诊断专家系统为例 ,阐述了基于神经网络的医疗诊断专家系统的原理、应用及特点     

一种基于模糊神经网络加权的多维稀疏模糊推理方法

在稀疏规则库条件下,经典的插值理论针对一维稀疏规则库提出了各种不同的插值方法,取得了很多很好的经验;但对多维稀疏规则条件的近似推理研究很少,不仅存在着难以保证推理结果的凸性和正规性等问题,而且没有考虑到多维变量之间的联系即对结论的影响权值,造成推理结果的误差性更大.多变量规则的模糊插值推理是插值推理研究的重要方面,为了在多变量稀疏规则条件下得到好的插值推理效果,本文提出了一种基于模糊神经网络加权的多维模糊推理方法,为智能系统中的模糊推理提供了一个十分有用的工具.     

基于神经网络的安全风险概率预测模型

网络安全风险概率预测对分布式网络环境及其内在的不确定事件进行动态分析和评价,是构建网络安全保障体系的重要环节.深入研究网络态势感知中的特征提取、聚类分析、相似性度量和预测方法,提出了一种基于神经网络的安全风险概率预测模型.采用入侵检测数据进行了实例验证,仿真实验结果验证了风险预测方法的可行性与有效性.     

指数平滑法数学模型的参数估计和预测

建立二次指数平滑法数学模型,对模型中的参数进行了估计和检验且对模型进行了预测。     

一种基于Hurst参数的SYN Flooding攻击实时检测方法

提出了一种轻量级的源端DDoS攻击检测的有效方法.基于Bloom Filter技术提取网络数据包中新的可疑源IP地址出现的次数,然后使用实时在线VTP方法进行异常检测,不仅能够实时检测出DDoS攻击的存在,而且能够避免因为网络数据流量的正常突变引起的误报.从实验结果可以看出,该方法还能够发现大流量背景下,攻击流量没有引起整个网络流量显著变化的DDoS攻击.     

基于径向基神经网络的舒必利稳态血药浓度预测

目的建立基于径向基（RBF）神经网络舒必利稳态血药浓度预测模型。方法将所收集的用于建立舒必利稳态血药浓度预测模型的数据（包括患者的性别、年龄、体重、剂量、稳态血药谷浓度、多项生理生化指标等）分为训练集、校验集和测试集,前两者用于训练RBF神经网络,后者用于测试RBF神经网络,分别利用各数据集的网络计算输出值与目标输出值之间的均方差（MSE）和相关系数（R）评价网络模型的训练效果和预测性能。结果建立以患者的性别、年龄、体重、剂量、多项生理生化指标等37项参数为输入变量,舒必利稳态血药浓度为输出变量的37—1—1结构的RBF神经网络,当网络中心宽度SP值为2．3时,训练集、校验集和测试集的MSE分别为4．50×10^-6、0．003531和0．011001,R值分别为0．99991、0．95532和0．81425。结论利用RBF神经网络所建立的舒必利稳态血药浓度预测模型的预测效果较好,但泛化能力尚待提高。     

Population Pharmacodynamic Parameter Estimation from Sparse Sampling: Effect of Sigmoidicity on Parameter Estimates

The objective of this stimulation study was to evaluate effect of simoidicity of the concentration–effect (C–E) relationship on the efficiency of population parameter estimation from sparse sampling and is a continuation of previous work that addressed the effect of sample size and number of samples on parameters estimation from sparse sampling for drugs with C–E relationship characterized by high sigmoidicity (γ > 5). The findings are based on observed C–E relationships for two drugs, octreotide and remifentanil, characterized by simple E_max and sigmoid E_max models (γ = ~2.5), respectively. For each model, C–E profiles (100 replicates of 100 subjects each) were simulated for several sampling designs, with four or five samples/individual randomly obtained from within sampling windows based on EC₅₀-normalized plasma drug concentrations, PD parameters based on observed population mean values, and inter-individual and residual variability of 30% and 25%, respectively. The C–E profiles were fitted using non-linear mixed effect modeling with the first-order conditional estimation method; variability parameters were described by an exponential error model. The results showed that, for the sigmoid E_max model, designs with four or five samples reliably estimated the PD parameters (EC₅₀, E_max, E₀, and γ), whereas the five-sample design, with two samples in the 2–3 E_max region, provided in addition more reliable estimates of inter-individual variability; increasing the information content of the EC₅₀ region was not critical as long as this region was covered by a single sample in the 0.5–1.5 EC₅₀ window. For the simple E_max model, because of the shallower profile, enriching the EC₅₀ region was more important. The impact of enrichment of appropriate regions for the two models can be explained based on the shape (sigmoidicity) of the concentration–effect relationships, with shallower C–E profiles requiring data enrichment in the EC₅₀ region and steeper curves less so; in both cases, the E_max region needs to be adequately delineated, however. The results provide a general framework for population parameter estimation from sparse sampling in clinical trials when the underlying C–E profiles have different degrees of sigmoidicity.Key words: clinical trials, PK-PD simulations, population PK-PD modeling, sparse sampling     

传染病的自组织神经网络预测研究

针对传染病发病趋势的预测需要考虑许多因素的特点,提出了用改进的自组织神经网络方法对传染病发病趋势进行预测。改进的自组织神经网络的算法用免疫克隆选择算法的克隆算子和变异算子去改进自组织神经网络算法中的邻域大小和权值调整规则,使每个神经元的权值学习率和邻域大小随神经元的亲和力发生变化,从而保证网络在很大概率上收敛到全局最优,并克服了自组织神经网络分类效果受输入次序影响的不足。最后实例分析表明了该方法的实用性和有效性。     

一种基于贝叶斯和神经网络的医学图像组合分类方法

医学图像分类是当前医学图像自动诊断和模式识别领域的一个新的研究热点,其任务是从给定的医学图像训练样本中提取能反映图像内容的特征,并根据这些特征进行图像分类,实现医学图像中病变组织的自动识别,以保证临床医学诊断更客观、准确和科学.通过对医学图像分类中的一些关键问题分析和研究,提出一种基于贝叶斯和神经网络的医学图像组合分类方法,并据此构造出医学图像组合分类器.这种组合分类器能够充分发挥各个分类器的优点,获得较好的图像分类结果.