首页 > 文献资料
-
径向基人工神经网络在宫颈细胞图像识别中的应用
目的:探讨径向基(RBF)人工神经网络在宫颈细胞图像识别中的应用.方法:提取宫颈细胞和细胞核的15个形态学特征参数及12个色度学特征参数,对700个宫颈细胞按正常、低度鳞状上皮内病变(LSIL)、高度鳞状上皮内病变(HSIL)、宫颈癌进行分类识别.利用软件STATISTICA 7.0建立网络模型并训练,用VC ++.NET语言调用网络.结果:RBF网络对训练集的拟合度为97.3%,对测试集的分类准确率为95.4%.在测试集中,正常细胞的识别率为96%,LSIL细胞识别率为94%,HSIL细胞识别率为100%,癌细胞识别率为88%.RBF网络输入参数的敏感度排序与细胞病理学特征基本一致.结论:RBF人工神经网络可以很好的对宫颈细胞特别是HSIL细胞进行分类识别.
-
基于优线性组合方法的甲型病毒性肝炎发病数预测
目的：利用SARIMA、RBFNN、组合模型对2011年甲型病毒性肝炎月发病数进行预测并比较,探讨优线性组合模型在甲型病毒性肝炎发病数预测中的实用价值。方法选取2005年至2010年我国内地法定报告的甲型病毒性肝炎月发病数资料分别建立季节性求和自回归移动平均模型以及径向基神经网络模型后,将2两种模型的拟合结果与原始发病数建立线性回归模型,比较3种模型的预测精度。结果 SARIMA模型预测结果的平均绝对误差、平均相对误差以及均方误差值分别是413.667、0.154、0.392。径向基神经网络预测结果的平均绝对误差、平均相对误差以及均方误差值分别是291.833、0.118、0.344。组合模型拟合预测结果的平均绝对误差,平均相对误差以及均方误差值分别是202.333、0.082、0.286。由此得出,组合模型的拟合值及其预测值的3个指标均小,其次为径向基神经网络,SARIMA的各指标值大。结论优线性组合模型在甲型病毒性肝炎发病数预测中具有较高的预测精度,可以用于指导甲型病毒性肝炎的预防与控制。
