基于深度学习的ERCP术后并发症预测
这是一篇关于疾病预测,深度学习,邻域清理规则,CTGAN,TabNet的论文, 主要内容为经内镜逆行胰胆管造影术(Endoscopic Retrograde Cholangiopancreatography,ERCP)是诊断和治疗胆胰管疾病的重要手段,有着优异的治疗效果。ERCP手术尽管被认为是安全的,但是仍然存在着很高的并发症风险。并发症的发生和很多因素有关,一般凭借着医生的经验进行预防和诊治,容易出现误诊或者过度治疗的情况。同时,样本中发病率往往比较低,健康人群占大多数,存在着数据集不平衡的现象,使用机器学习分类模型难以识别出患病人群。因此解决数据不平衡的情况,区分出少数类样本成为了疾病预测中的首要问题。本文的研究对象是ERCP手术患者病例,数据来源于湖北省人民医院消化内科患者病历,病历中包含有患者的有关信息和手术操作记录。主要任务是根据已有的数据信息对进行了ERCP手术的患者术后并发症发生情况进行预测,构建出一个临床预测模型。针对并发症数据集不平衡的问题,本文提出了一种基于领域清理规则(Neighborhood Cleaning Rule,NCL)和CTGAN(Covnditional Tabular GAN,CTGAN)的混合采样算法。对经过预处理的患者数据集,使用NCL-CTGAN算法,清洗多数类样本的同时,对数据集中少数类样本进行扩充,得到一个患病人数和健康人数相同的数据集。在得到的均衡数据集的基础上,使用Tab Net算法并添加高危风险因素特征构建预测模型。实验表明NCL-CTGAN算法对数据集采样后提升预测模型分类性能的效果要优于其他传统的数据采样算法,在所生成的均衡数据集上构建分类模型,有助于提高模型对少数类样本的识别能力。然后将高危风险特征与原始特征进行拼接,使用Tab Net模型预测术后并发症,相比较于其他常用的分类模型有着更优异的预测结果,深度学习模型能够学习到深层次的特征,AUC和F1有所提升,且召回率较高。这说明模型能够预测出患并发症的人群,有实际的临床应用价值。另外与不添加高危风险特征的模型进行对比和对模型特征重要性的分析,结果表明融入高危风险特征对于术后并发症的预测有所帮助。
基于深度学习的降雨预测算法的研究与应用
这是一篇关于降雨预测,深度学习,机器学习,Transformer,TabNet的论文, 主要内容为降雨是影响大多数人生活的最重要的气象因素。中国的主要雨季为6月至9月,支持我国85-95%的粮食作物,农业活动和作物生产取决于全年的降雨量和降雨空间分布,因此准确的降雨预测对于作物种植计划至关重要。降雨量同样是防洪的重要因素,更快速、更准确地获取降雨信息可以有效地制定防洪策略,因此部署一个预测准确,泛化性能好的降雨预测模型具有重要意义。本文依托于国家级项目“水体污染控制与治理科技重大专项”,在充分分析和理解现有机器学习算法的基础上,开展了一系列的降雨预测研究,主要研究成果如下:(1)本文针对降雨预测任务的需求,通过可视化分析降雨预测数据之间的关系与规律,提出了一套针对降雨预测的特征工程方案。本文提出通过特征合成方法,合成传统降雨观测指标:大气可降水量(Precipitable Water Vapor,PWV)观测指标,通过合成该指标,实现了将传统降雨观测方法与机器学习算法的融合。本文还使用了生成统计特征的方法,生成了每个月份,每个测站的平均降雨量,使降雨预测模型可以更好地捕捉季节与降雨之间的关系。(2)本文提出了针对降雨概率预测任务的Rain-Attention模型。RainAttention模型在基于Transformer的Encoder结构的基础上做出了一系列的优化:门控融合机制,非侵入注意力机制。门控融合机制使模型根据损失调整特征之间融合的权重,使模型更好的解析向量包含的特征信息。非侵入式注意力机制使模型更好的解析测站ID向量与边信息向量的区别。本文通过对比实验证明了RainAttention概率预测模型的预测准确性与泛化性能优于其他模型。(3)本文提出了针对降雨量预测任务Rain-Tab Net模型。Rain-Tab Net模型在基于Tab Net的Encoder结构的基础上做出了一系列的优化:G-Softmax激活函数,无监督预训练。本文使用G-Softmax激活函数代替Sparsemax激活函数,可以有效地提高内部类紧凑性和类间可分离性。本文使用无监督预训练RainTab Net模型,提高了Rain-Tab Net模型的稳定性和性能。本文通过对比实验证明了Rain-Tab Net模型具有更优的性能,并且,本文使用了将Rain-Attention模型和Rain-Tab Net模型联合预测的策略,对比实验表明,本文提出的联合预测的策略具有合理性,证明了Rain-Tab Net模型具有优于其他模型的准确率。(4)本文实现了基于Rain-Attention模型与Rain-Tab Net模型的降雨预测系统。本文的降雨预测系统基于B/S架构,Tornado框架作为Web服务框架,Vue框架实现了前端页面的渲染,My SQL数据库进行数据的存储,基于Tensorflow实验降雨预测算法。本文搭建一个功能全面,操作便捷,性能稳定的降雨预测系统。
基于深度学习的降雨预测算法的研究与应用
这是一篇关于降雨预测,深度学习,机器学习,Transformer,TabNet的论文, 主要内容为降雨是影响大多数人生活的最重要的气象因素。中国的主要雨季为6月至9月,支持我国85-95%的粮食作物,农业活动和作物生产取决于全年的降雨量和降雨空间分布,因此准确的降雨预测对于作物种植计划至关重要。降雨量同样是防洪的重要因素,更快速、更准确地获取降雨信息可以有效地制定防洪策略,因此部署一个预测准确,泛化性能好的降雨预测模型具有重要意义。本文依托于国家级项目“水体污染控制与治理科技重大专项”,在充分分析和理解现有机器学习算法的基础上,开展了一系列的降雨预测研究,主要研究成果如下:(1)本文针对降雨预测任务的需求,通过可视化分析降雨预测数据之间的关系与规律,提出了一套针对降雨预测的特征工程方案。本文提出通过特征合成方法,合成传统降雨观测指标:大气可降水量(Precipitable Water Vapor,PWV)观测指标,通过合成该指标,实现了将传统降雨观测方法与机器学习算法的融合。本文还使用了生成统计特征的方法,生成了每个月份,每个测站的平均降雨量,使降雨预测模型可以更好地捕捉季节与降雨之间的关系。(2)本文提出了针对降雨概率预测任务的Rain-Attention模型。RainAttention模型在基于Transformer的Encoder结构的基础上做出了一系列的优化:门控融合机制,非侵入注意力机制。门控融合机制使模型根据损失调整特征之间融合的权重,使模型更好的解析向量包含的特征信息。非侵入式注意力机制使模型更好的解析测站ID向量与边信息向量的区别。本文通过对比实验证明了RainAttention概率预测模型的预测准确性与泛化性能优于其他模型。(3)本文提出了针对降雨量预测任务Rain-Tab Net模型。Rain-Tab Net模型在基于Tab Net的Encoder结构的基础上做出了一系列的优化:G-Softmax激活函数,无监督预训练。本文使用G-Softmax激活函数代替Sparsemax激活函数,可以有效地提高内部类紧凑性和类间可分离性。本文使用无监督预训练RainTab Net模型,提高了Rain-Tab Net模型的稳定性和性能。本文通过对比实验证明了Rain-Tab Net模型具有更优的性能,并且,本文使用了将Rain-Attention模型和Rain-Tab Net模型联合预测的策略,对比实验表明,本文提出的联合预测的策略具有合理性,证明了Rain-Tab Net模型具有优于其他模型的准确率。(4)本文实现了基于Rain-Attention模型与Rain-Tab Net模型的降雨预测系统。本文的降雨预测系统基于B/S架构,Tornado框架作为Web服务框架,Vue框架实现了前端页面的渲染,My SQL数据库进行数据的存储,基于Tensorflow实验降雨预测算法。本文搭建一个功能全面,操作便捷,性能稳定的降雨预测系统。
基于深度学习的ERCP术后并发症预测
这是一篇关于疾病预测,深度学习,邻域清理规则,CTGAN,TabNet的论文, 主要内容为经内镜逆行胰胆管造影术(Endoscopic Retrograde Cholangiopancreatography,ERCP)是诊断和治疗胆胰管疾病的重要手段,有着优异的治疗效果。ERCP手术尽管被认为是安全的,但是仍然存在着很高的并发症风险。并发症的发生和很多因素有关,一般凭借着医生的经验进行预防和诊治,容易出现误诊或者过度治疗的情况。同时,样本中发病率往往比较低,健康人群占大多数,存在着数据集不平衡的现象,使用机器学习分类模型难以识别出患病人群。因此解决数据不平衡的情况,区分出少数类样本成为了疾病预测中的首要问题。本文的研究对象是ERCP手术患者病例,数据来源于湖北省人民医院消化内科患者病历,病历中包含有患者的有关信息和手术操作记录。主要任务是根据已有的数据信息对进行了ERCP手术的患者术后并发症发生情况进行预测,构建出一个临床预测模型。针对并发症数据集不平衡的问题,本文提出了一种基于领域清理规则(Neighborhood Cleaning Rule,NCL)和CTGAN(Covnditional Tabular GAN,CTGAN)的混合采样算法。对经过预处理的患者数据集,使用NCL-CTGAN算法,清洗多数类样本的同时,对数据集中少数类样本进行扩充,得到一个患病人数和健康人数相同的数据集。在得到的均衡数据集的基础上,使用Tab Net算法并添加高危风险因素特征构建预测模型。实验表明NCL-CTGAN算法对数据集采样后提升预测模型分类性能的效果要优于其他传统的数据采样算法,在所生成的均衡数据集上构建分类模型,有助于提高模型对少数类样本的识别能力。然后将高危风险特征与原始特征进行拼接,使用Tab Net模型预测术后并发症,相比较于其他常用的分类模型有着更优异的预测结果,深度学习模型能够学习到深层次的特征,AUC和F1有所提升,且召回率较高。这说明模型能够预测出患并发症的人群,有实际的临床应用价值。另外与不添加高危风险特征的模型进行对比和对模型特征重要性的分析,结果表明融入高危风险特征对于术后并发症的预测有所帮助。
基于深度学习的降雨预测算法的研究与应用
这是一篇关于降雨预测,深度学习,机器学习,Transformer,TabNet的论文, 主要内容为降雨是影响大多数人生活的最重要的气象因素。中国的主要雨季为6月至9月,支持我国85-95%的粮食作物,农业活动和作物生产取决于全年的降雨量和降雨空间分布,因此准确的降雨预测对于作物种植计划至关重要。降雨量同样是防洪的重要因素,更快速、更准确地获取降雨信息可以有效地制定防洪策略,因此部署一个预测准确,泛化性能好的降雨预测模型具有重要意义。本文依托于国家级项目“水体污染控制与治理科技重大专项”,在充分分析和理解现有机器学习算法的基础上,开展了一系列的降雨预测研究,主要研究成果如下:(1)本文针对降雨预测任务的需求,通过可视化分析降雨预测数据之间的关系与规律,提出了一套针对降雨预测的特征工程方案。本文提出通过特征合成方法,合成传统降雨观测指标:大气可降水量(Precipitable Water Vapor,PWV)观测指标,通过合成该指标,实现了将传统降雨观测方法与机器学习算法的融合。本文还使用了生成统计特征的方法,生成了每个月份,每个测站的平均降雨量,使降雨预测模型可以更好地捕捉季节与降雨之间的关系。(2)本文提出了针对降雨概率预测任务的Rain-Attention模型。RainAttention模型在基于Transformer的Encoder结构的基础上做出了一系列的优化:门控融合机制,非侵入注意力机制。门控融合机制使模型根据损失调整特征之间融合的权重,使模型更好的解析向量包含的特征信息。非侵入式注意力机制使模型更好的解析测站ID向量与边信息向量的区别。本文通过对比实验证明了RainAttention概率预测模型的预测准确性与泛化性能优于其他模型。(3)本文提出了针对降雨量预测任务Rain-Tab Net模型。Rain-Tab Net模型在基于Tab Net的Encoder结构的基础上做出了一系列的优化:G-Softmax激活函数,无监督预训练。本文使用G-Softmax激活函数代替Sparsemax激活函数,可以有效地提高内部类紧凑性和类间可分离性。本文使用无监督预训练RainTab Net模型,提高了Rain-Tab Net模型的稳定性和性能。本文通过对比实验证明了Rain-Tab Net模型具有更优的性能,并且,本文使用了将Rain-Attention模型和Rain-Tab Net模型联合预测的策略,对比实验表明,本文提出的联合预测的策略具有合理性,证明了Rain-Tab Net模型具有优于其他模型的准确率。(4)本文实现了基于Rain-Attention模型与Rain-Tab Net模型的降雨预测系统。本文的降雨预测系统基于B/S架构,Tornado框架作为Web服务框架,Vue框架实现了前端页面的渲染,My SQL数据库进行数据的存储,基于Tensorflow实验降雨预测算法。本文搭建一个功能全面,操作便捷,性能稳定的降雨预测系统。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计工坊 ，原文地址：https://bishedaima.com/lunwen/52612.html
