基于径向基函数神经网络的婴儿死亡率预测模型

目的：采用径向基函数神经网络建立预测模型对婴儿死亡率进行预测。方法：采用径向基函数神经网络建立回归模型，并对全国22个省的32个县的婴儿死亡率进行预测。结果：预测值与实际值误差较小。该模型具有较高的预测精度。结论：利用径向基函数神经网络建立预测模型是一个新颖而有发展前途的方法。     

人工神经网络在医疗风险预测中的应用研究

目的建立基于人工神经网络的医疗风险预测模型,为有效预防医疗风险提供参考。方法运用SPSS 21.0统计软件,以入院方式、住院天数等变量为输入神经元,以医疗纠纷分组为输出神经元,用RBF（径向基函数）建立神经网络模型,预测医疗风险的发生,评估各因素对医疗风险的作用。结果训练样本和测试样本的预测准确率分别为83.7%和84.2%,医疗风险影响因素重要性排序前6位分别是住院费用（100.0%）、住院天数（78.2%）、四周内手术次数（61.4%）、感染（60.5%）、伤口愈合不良（54.0%）和手术并发症（47.8%）等。结论运用RBF（径向基函数）神经网络对医疗风险进行预测,不受样本分布特点及数据类型的影响,适用性较好。     

基于支持向量机建立环境和遗传因素对2型糖尿病的预测模型

目的 探讨支持向量机在环境和遗传因素对2型糖尿病预测中的应用前景.方法 建模数据库来源于2001 - 2004年中国双生子登记系统,以是否发生2型糖尿病为预测标签,以13个环境因素和5个遗传因素为预测因子,应用Matlab软件建立基于支持向量机的预测模型.结果 环境因素对2型糖尿病的预测模型中,应用线性核函数拟合模型,回代训练样本准确率和预测检验样本准确率分别为82.50％和87.50％,当考虑遗传因素共同作用后,回代训练样本准确率和预测检验样本准确率分别提高1.67％和2.88％;两个预测模型中,应用径向基核函数拟合模型,回代训练样本准确率为100.00％,但预测检验样本准确率仅为86.54％,模型均出现过度拟合现象;应用sigmoid核函数拟合模型,回代训练样本准确率为81.67％,预测检验样本准确率为86.54％,预测效果略差.在环境和遗传因素对2型糖尿病的预测模型中,应用线性核函数拟合模型时,灵敏度为93.33％,特异度为71.42％,优于基于径向基核函数和sigmoid核函数的预测模型.结论 基于线性核函数建立的模型对2型糖尿病发生的预测效果较好,并且综合环境和遗传因素共同作用对2型糖尿病的预测准确率要高于仅考虑环境因素的预测效果,应用支持向量机在解决小样本、非线性、高维模型识别问题中具有良好的应用前景.     

基于支持向量回归的5岁以下儿童死亡率预测模型

[目的]采用支持向量回归建立预测模型对5岁以下儿童死亡率进行统计预测. [方法]用支持向量回归建立回归模型,对四川省的5岁以下儿童死亡率进行预测.同时用径向基函数神经网络建立回归模型对同一数据进行预测. [结果]支持向量回归预测精度高于径向基函数神经网络. [结论]利用支持向量回归建立预测模型是一个新颍而有发展前途的方法.     

基于支持向量机的婴儿死亡率预测模型

目的将通常的回归分析方法应用于婴儿死亡率预测,结果往往不尽人意.因此,本文采用支持向量机回归算法建立预测模型对婴儿死亡率进行预测.方法采用支持向量机回归算法建立回归模型,并对全国22个省的32个县的婴儿死亡率进行预测.并用径向基函数神经网络建立回归模型对同一数据进行预测.结果预测值与实际值误差较小.该模型具有较高的预测精度.并且,支持向量机预测精度高于径向基函数神经网络.结论利用SVM回归算法建立预测模型是一个新颖而有发展前途的方法.     

支持向量机在建立2型糖尿病预测模型中的应用

目的应用支持向量机(SVM)构建2型糖尿病预测模型的方法。方法简述SVM的原理、特点,并以北京市某社区健康监测档案数据为例,应用matlab软件结合libsvm工具箱实现数据分析。结果通过对2型糖尿病队列数据的分析发现,归一化可以提高预测模型的准确性,不同核函数对预测模型的影响较大,多项式核函数拟合模型最差,5次交互验证准确率和回代训练样本准确率为92.7%,预测检验样本准确率为93.1%;sigmoid核函数拟合的预测模型5次交互验证准确率为93.7%,回代训练样本准确率达到94.0%,预测检验样本准确率为97.3%;径向基核函数拟合的预测模型最佳,5次交互验证准确率为94.5%,回代训练样本准确率为95.1%,预测检验样本准确率为98.7%。结论 SVM可以用于2型糖尿病的预测分析,得到准确率较高的预测模型。     

基于径向基神经网络的宫颈癌肿瘤标志物的诊断系统

目的建立基于径向基神经网络的宫颈癌肿瘤标志物的诊断系统。方法采集体检中心及妇科门诊、病房病例资料。统计血清肿瘤标志物水平,建立径向基神经网络的诊断系统。结果五种血清肿瘤标志物各组间有极显著差异,p<0.01;神经网络的的判别的准确率为100%。结论基于径向基神经网络的血清肿瘤标志物的诊断系统方法可行,性能良好。     

鼠密度与气象因素的响应面分析研究

目的在相关回归分析的基础上,运用响应面模型分析对影响鼠密度的复合气象因素进行研究。方法连续监测鼠密度与7种气象因子资料,进行相关和线性回归分析,建立气象因子对鼠密度影响的响应面模型。结果线性回归分析表明月平均最低气温、日照时间、降雨量对回归方程的贡献最大,线性回归方程有统计学意义（P〈0．030）,复相关系数为0．716。响应面分析表明月平均最低气温（P=0．003）、降雨量的二次方（P=O．059）、月平均最低气温与日照的交互作用（P=0．027）是影响鼠密度的气象因素,响应面模型有统计学意义（P〈0．013）,复相关系数为0．761。结论响应面分析法能够较好地应用于气象因子对鼠密度的影响,建立的响应面模型优于多元线性回归,气象因素对鼠密度的影响是多因素及交互作用的结果。     

人工神经网络在循环系统疾病死亡人数预报中的应用

目的探讨循环系统疾病死亡人数与气象条件及污染物的关系,建立基于误差反传算法(back-propagation,BP)神经网络的循环系统疾病死亡人数预报模型。方法选取南京市2004~2009年循环系统疾病死亡病例和同期的气象资料及污染资料。在对循环系统疾病死亡人数与气象因子和污染物进行相关分析的基础上,利用2004~2008年的气象和污染数据建立循环系统疾病死亡人数的BP神经网络预报模型,并用2009年的资料对该模型进行预报效果检验。结果气象因子和污染物均与循环系统疾病死亡人数密切相关。建立的循环系统疾病死亡人数的神经网络模型结果为17-16-1(即有17个输入、16个隐含节点和1个输出),训练精度为0.005,训练了487步达到目的,最终误差为0.004 999 42,预测准确率达78.62%以上。结论该方法计算简便,误差较小,对循环系统疾病死亡人数有较好的预测效果,为医疗气象预报提供了一种新方法,具有进一步的研究价值。     

C5.0决策树与RBF神经网络模型用于急性缺血性脑卒中出血性转化的风险预测性能比较

目的  比较C5.0决策树与径向基函数（radial basis function,RBF）神经网络用于急性缺血性脑卒中（acute jschemic stroke,AIS）出血性转化（hemorrhagic transformation,HT）风险预测性能。 方法  将AIS住院患者作为研究对象,收集相关资料。根据入院2周内是否发生HT分为HT组与非HT组,建立C5.0决策树与RBF神经网络模型,比较两者的预测性能。 结果  共收集460份病历资料,按照训练集与测试集7 ∶3的比例分为训练集样本和测试集样本。C5.0决策树模型的训练集与测试集准确率分别为96.5%和80.1%,灵敏度为98.1%和82.6%,特异度为94.8%和77.9%,Kappa指数是0.93和0.60,AUC是0.97和0.80。RBF神经网络模型的训练集与测试集准确率分别为72.6%和74.7%,灵敏度为87.6%和88.4%,特异度为56.9%和62.3%,Kappa指数为0.45和0.50,AUC为0.72和0.75;在训练集中,C5.0决策树模型的预测性能优于RBF神经网络模型的预测性能。在测试集中,两者预测性能的差异无统计学意义。 结论  C5.0决策树模型的预测性能优于RBF神经网络模型的预测性能。     

径向基函数神经网络在传染病发病率预测中的应用

传染病发病率的有效预测在传染病防治工作中意义重大,其预测理论和方法的研究一直是一个热点.现实中影响传染病发病的因素众多、相互关系复杂,各因素的作用机制通常不能或无法用精确的数学语言来准确描述.本文采用基于时间序列的径向基函数(RBF)神经网络模型对传染病发病率进行预测,以实现传染病发病序列的非线性逼近.在实例分析中,以某市1991-2002年乙型肝炎(乙肝)月发病率数据建模,经过网络的不断学习和训练,得到合适的预测模型后对2003年1-6月的月发病率进行预测.通过与2003年1-6月的实际发病率进行比较分析以验证建模的可靠性,并与传统的时间序列模型预测结果进行比较,结果表明应用RBF神经网络模型对乙肝发病率的短期预测精度更高、效果更好.     

腹腔镜切除术下急性阑尾炎患者住院天数预测研究

目的 考虑数据的不均衡性以及预测模型犯第一类错误和第二类错误的概率,建立腹腔镜切除术下急性阑尾炎患者住院天数预测模型。方法 随机抽取某三甲医院2016年7月 - 2017年9月的腹腔镜切除术下急性阑尾切除术患者共243例,利用向前逐步选择方法筛选关键影响因素,之后利用随机欠抽样和SMOTE过抽样方法对数据进行均衡化处理,最后分别利用Logistic回归模型及径向基神经网络模型进行住院天数预测。结果 Logistic回归模型总体精度为76.25%,第一错误概率为35.00%,径向基神经网络模型的总体精度为88.75%,第一错误概率为15.00%。结论 相比Logistic回归模型,径向基神经网络的准确性更高,第一类错误概率更低,该模型更适合住院天数的预警,能够为患者了解病情、治疗方案选择以及医保政策制定提供参考。     

广义回归神经网络在肾综合征出血热发病率预测中的应用

目的探讨广义回归神经网络(GRNN)在肾综合征出血热(HFRS)发病率预测上的优势及应用前景。方法利用1984-2002年沈阳市的气象资料(包括平均气温、相对湿度、降水量和日照)和动物疫情资料(包括鼠密度和鼠带病毒率)共6个指标作为神经网络的输入,将1985-2003年沈阳市HFRS发病率作为神经网络的输出。利用Matlab7.0软件中的神经网络工具箱分别构建HFRS发病率的GRNN预测模型和反馈(BP)神经网络预测模型,对样本进行拟合和预测并对两者的拟合和预测性能进行比较。结果GRNN的最优光滑因子为0.35;BP神经网络的隐含层数定为6。从拟合效果来看,GRNN和BP神经网络预测模型的平均误差率(MER)分别为25.42%和25.55%;两者的决定系数r2分别为0.9438和0.9729,总的来说,拟合效果比较满意,两者拟合差异不是很明显。从预测效果来看,两者的MER分别为4.90%和15.16%,GRNN的MER远远小于BP神经网络;两者的r2分别为0.9897和0.9516。结论GRNN充分体现了它在小样本预测中的优势,预测效果优于BP神经网络,对解决HFRS等流行情况影响因素复杂的问题有很好的实用价值。     

应用BP人工神经网络模型预测急性心梗死亡率与气象因素的关系

目的建立气象因素与急性心梗的智能神经网络预测模型,探索BP神经网络预测模型在气象因素与急性心梗死亡率关系的应用,为哈尔滨地区急性心梗的预防控制措施提供科学依据。方法利用MATLAB7.0软件中的神经网络工具箱及2008年的气象数据建立急性心梗死亡率的反向传播网络(BP神经网络)预报模型。结果经过11次学习和训练,神经网络模型误差为0.00763,达到允许范围内。BP神经网络模型的拟合结果显示,脑出血死亡率MAE为0.18,预测准确度为82.53%。结论 BP人工神经网络具有适应性强,对数据要求不高,自学习能力等突出优点,操作简便且易于掌握和应用。BP人工神经网络模型可以作为哈尔滨市急性心梗死亡预测的一种新方法。     

Potential assessment of a neural network model with PCA/RBF approach for forecasting pollutant trends in Mong Kok urban air, Hong Kong

The forecasting of air pollutant trends has received much attention in recent years. It is an important and popular topic in environmental science, as concerns have been raised about the health impacts caused by unacceptable ambient air pollutant levels. Of greatest concern are metropolitan cities like Hong Kong. In Hong Kong, respirable suspended particulates (RSP), nitrogen oxides (NOx), and nitrogen dioxide (NO2) are major air pollutants due to the dominant usage of diesel fuel by commercial vehicles and buses. Hence, the study of the influence and the trends relating to these pollutants is extremely significant to the public health and the image of the city. The use of neural network techniques to predict trends relating to air pollutants is regarded as a reliable and cost-effective method for the task of prediction. The works reported here involve developing an improved neural network model that combines both the principal component analysis technique and the radial basis function network and forecasts pollutant tendencies based on a recorded database. Compared with general neural network models, the proposed model features a more simple network architecture, a faster training speed, and a more satisfactory prediction performance. The improved model was evaluated with hourly time series of RSP, NOx and NO2 concentrations monitored at the Mong Kok Roadside Gaseous Monitory Station in Hong Kong during the year 2000 and proved to be effective. The model developed is a potential tool for forecasting air quality parameters and is superior to traditional neural network methods.     

人工神经网络方法在气象因素预测高血压发病中的应用

目的探讨以影响高血压发病率的气象因素建立高血压发病预测模型。方法选取银川地区1998—2000年日平均相对湿度、48h变温、日较差和日平均气压的标准化数据(以周为单位共100个样本)作为前馈型神经网络(BP神经网络)输入层的节点输入,以同期高血压发病率的标准化数据作为网络输出,经多层BP神经网络进行网络学习训练,建立高血压病发病率的人工神经网络预报模型。结果建立的高血压病神经网络模型结构为4-14-1(即有4个输入、14个隐含节点和1个输出),训练精度为0.005,训练了46步达到目的,最终误差为0.0048992。神经网络预报模型所得预报量的同一级平均拟合率为62.4%,差一级平均拟合率为99.2%,均高于统计预报方程(47.7%,98.3%);其同一级平均预报率为58.2%,差一级平均预报率为91.3%,均高于统计预报方程(50.5%,84.6%)。神经网络预报模型的平均绝对百分比误差、均方误差、绝对误差分别为25.2%,21.0%,16.2%,均低于统计预报方程(47.6%,26.2%,21.1%)。若以拟合值绝对误差小于20%为拟合正确,则统计预报方程拟合率为51.3%,而神经网络拟合率为71.2%。...     

使用最小二乘支持向量机技术预测传染病发病率的研究

目的将最小二乘支持向量机(LS-SVM)技术应用到传染病预测中,寻找更加理想的预测结果。方法以某市1991—2002年乙型肝炎(乙肝)月发病率数据建立最小二乘支持向量机预测模型,对2003年1—6月的月发病率进行预测。结果 IS-SVM预测值分别为0.709 9,0.668 1,0.502 5,0.685 1、0.578 5,0.773 7,通过与径向基函数(RBF)神经网络模型和累积式自回归动平均模型(ARIMA)预测结果进行比较,预测精度明显高于RBF网络模型和ARIMA模型,相对误差明显减少,仅为ARIMA模型的23.62%,RBF网络模型的54.69%。结论 LS-SVM模型对乙肝发病率的预测精度更高,效果更好,也验证了支持向量机方法预测能力出色的理论优点,证明了支持向量机技术在传染病预测领域同样有着良好的表现。     

基于支持向量机的肾综合征出血热疫情预测

目的探讨支持向量机（SVM）在肾综合征出血热（HFRS）发病率预测上的优势及应用前景。方法首先，利用辽宁省葫芦岛市1984～2006的气象资料（包括平均气压、平均气温、平均降雨量、相对湿度、日照时数、日照百分率）和动物疫情资料（包括鼠密度和鼠带病毒率）共8个指标作为解释变量，所有变量均进行归一化到[0，1]区间，将整个数据集分成训练集和检验集，从数据集中随机抽取1／3个体（舍人取整）组成检验集，其余样本作为训练集。其次，利用软件R2．60构造HFRS发病率预测的SVM模型，获得误差平方和。最后，与基于反馈（BP）和径向基函数（RBF）神经网络模型的预测结果进行比较。结果对于训练集，SVM拟合的误差平方和的x^-±s为（0．031±0．009），而BP和RBF神经网络拟合的误差平方和的x^-±s分别为（0．074±0．030）和（0．082±0．018）；对于检验集，SVM预测的误差平方和的x^-±s为（0．067±0．021），而BP和RBF神经网络预测的误差平方和的互±5分别为（0．073±0．022）和（0．089±0．036）。结论SVM作为近年来在统计学理论的基础上发展起来的一种新的模式识别方法，在解决小样本、非线性及高维模式识别问题中具有较高的预测精度和较强的泛化能力。该模型对于发病率的预测是可靠的，可以作为HFRS疫情预测的参考方法。