提出了一种在抗癌免疫监视下的肿瘤生长细胞神经网络(GISAC CNN)模型.用具有3个端口4个态变量CNN的解析判别法研究了GUSAC CNN的分歧图.数值模拟了癌细胞扩散和清除过程.研究结果似乎表明:效应细胞对癌细胞的清除起着至关重要作用,细胞组织中存在免疫缺陷,可能导致癌细胞的转移与扩散

分析了影响转炉冶炼终点钢水中锰含量的因素, 针对基于BP神经网络算法的转炉冶炼终点锰含量预测模型存在的收敛速度慢, 预测精度低等问题, 提出了一种基于极限学习机(ELM) 算法建模的新思路, 并引入正则化以及改进粒子群优化算法(IPSO), 建立了基于改进粒子群算法优化的正则化极限学习机(IPSO-RELM) 的转炉终点锰含量预测模型; 应用国内某炼钢厂转炉实际生产数据对模型进行训练和验证, 并与基于BP、ELM和RELM算法的三类模型进行比较.结果表明, 采用IPSO-RELM方法构建的模型, 锰含量预测误差在±0. 025%范围内的命中率达到94%, 均方误差为2. 18×10-8, 拟合优度R2为0. 72, 上述三项指标均显著优于其他三类模型, 此外, 该模型还具有良好的泛化能力, 对于转炉实际冶炼过程具有一定的指导意义

通过低氧实验提出一种快速识别人体低氧状态的方法.通过搭建深层神经网络训练实验数据识别氧气体积分数(16%~21%)与人体可耐受极端低氧气体积分数(15.5%~16%)条件下光电容积脉搏波(photoplethysmography, PPG)信号, 获得人体生理状态的模式识别网络.经测试该网络的识别正确率可达92.8%.利用混淆矩阵及接受者操作性能(receiver operating characteristic, ROC)曲线分析, 混淆矩阵的训练集、验证集、测试集、全集识别正确率分别达到97.9%、94.8%、92.8%和96.3%, AUC (area under curve)值接近1, 认为该网络分类性能优良, 并且可在4 s内完成整个识别过程

融合手工特征和深度特征，提出了一种集成超限学习机心跳分类方法。手工提取的特征明确地表征了心电信号的特定特性，如相邻心跳时间间隔反映了心跳信号的时域特性，小波系数反映了心跳信号的时频特性。同时设计了一维卷积神经网络对心跳信号特征进行自动提取。基于超限学习机（Extreme leaning machine，ELM），将上述特征融合进行心跳分类。由于ELM初始参数的随机给定可能导致其性能不稳定，进一步提出了一种基于袋装（Bagging）策略的多个ELM集成方法，使分类结果更加稳定且模型泛化能力更强。利用麻省理工心律失常公开数据集对所提方法进行了验证，分类准确率达到了99.02%，实验结果也表明基于融合特征的分类准确率高于基于单独特征的分类准确率

《工程科学学报》：基于一维卷积神经网络的儿童睡眠分期

医疗实体识别是电子病历文本信息抽取的基本任务。针对中文电子病历文本复合实体较多、实体长度较长、句子成分缺失严重、实体边界不清的语言特点以及标注语料难以获取的现状，提出了一种基于领域词典和条件随机场（CRF）的双层标注模型。该模型通过对外部资源的统计分析构建医疗领域词典，再结合条件随机场，进行了两次不同粒度的标注，将领域词典识别的准确性和机器学习的自动性融为一体，从中文电子病历文本中识别出疾病、症状、药品、操作四类医疗实体。该模型在测试数据中的宏精确率为96.7%、宏召回率为97.7%、宏F1值为97.2%。同时对比分析了采用注意力机制的深度神经网络的识别效果，因受到领域数据集大小的限制，在该测试数据集中后者表现不佳。实验结果表明了该双层标注模型对中文医疗实体识别的高效性

基于K均值聚类法对转炉出钢过程的合金损耗进行了研究，分析了影响合金损耗的关键因素，并将其分为3个聚类，得到转炉出钢合金损耗最低的工艺模式。在此基础上，开发了基于PCA-BP神经网络和混合整数线性规划的合金减量化智能控制系统，并以某炼钢厂为例进行了实际应用。通过对模型进行在线运行，验证了模型的准确性和实用性。使用该模型后，提高了合金化钢液成分准确度，减少由传统人工经验计算配料造成的成本浪费和成分超标等情况，优化了合金配料方案，降低了炼钢合金化成本，不同钢种铁合金加入总成本降低5.95%～14.74%，平均降幅11.72%

作为磨矿过程的主要生产质量指标, 磨矿粒度是实现磨矿过程闭环优化控制的关键.将磨矿粒度控制在一定范围内能够提高选别作业的精矿品位和有用矿物的回收率, 并减少有用矿物的金属流失.由于经济和技术上的限制, 磨矿粒度的实时测量难以实现.因此, 磨矿粒度的在线估计显得尤为重要.然而, 目前我国所处理的铁矿石大多数为性质不稳定的赤铁矿, 其矿浆颗粒存在磁团聚现象, 所采集的数据存在大量异常值, 使得利用数据建立的磨矿粒度模型存在较大误差.同时, 传统前馈神经网络在磨矿粒度数据建模过程中存在收敛速度慢、易于陷入局部最小值等缺点, 且单一模型泛化性能较差, 现有的集成学习在异常值干扰下性能严重下降.因此, 本文在改进的随机向量函数链接网络(random vector functional link networks, RVFLN)的基础上, 将Bagging算法与自适应加权数据融合技术相结合, 提出一种基于鲁棒随机向量函数链接网络的集成建模方法, 用于磨矿粒度集成建模.所提方法首先通过基准回归问题进行了实验研究, 然后采用磨矿工业实际数据进行验证, 表明其有效性

针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势，然后使用长短期记忆神经网络（LSTMNN）算法分别对所分解的若干退化数据进行寿命预测，最后将若干预测结果进行有效集成。结果表明，所提出的CEEMDAN?LSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%，平均相对误差在3%以内，且优于其他预测模型

连续血糖监测在糖尿病管理中具有重要的意义。目前糖尿病患者主要通过指尖采血或植入式微创传感器监测血糖，但上述方法存在疼痛、成本昂贵、易感染等问题，因此，无创监测是实现连续血糖监测的理想技术。本文利用心电(ECG)信号，提出了一种血糖水平无创监测的方法：通过获取12名志愿者共60 d 756160个ECG周期信号，利用递归滤波器实现ECG信号的滤波，并采用卷积神经网络和长短期记忆网络相结合(CNN-LSTM)的方法，实现了血糖水平的十分类监测，并通过实验探索了个体建模和群体建模2种建模方式的差异。结果表明，在个体建模和群体建模的条件下，血糖监测精确率分别约达到80%和88%。其中群体建模10分类的F1值可达到0.95、0.88、0.91、0.85、0.92、0.88、0.86、0.86、0.87和0.86。研究表明，本文提出的基于ECG的无创血糖监测方法为实现血糖水平的实时、精准监测提供了一种有力的理论支撑与技术指导