排序方式: 共有80条查询结果,搜索用时 171 毫秒
21.
鱼类栖息地适宜性指数模型(HSI)基于鱼类分布与海洋环境之间存在的非线性关系而构建。然而,海洋环境因子之间存在着传统方法无法消除的相关性,导致获取的HSI参数较难准确表达环境因子与渔场之间的复杂关系。基于遗传算法(GA),自动消除海洋环境因子之间的相关性,构建了一种通用的鱼类HSI建模与智能优化框架(GeneHSI)。GeneHSI框架的核心是HSI建模空间向遗传算法空间的映射以及GA适应度函数的构建。该函数构建的思想是HSI预测的渔场概率与商业捕捞获取的渔场概率之间的累计误差值达到最小化。GeneHSI由待解问题构建、GA初始化和GA优化策略3部分组成。利用随机生成的标准化海洋环境数据与渔场概率数据,验证了GeneHSI模型框架的有效性。研究表明,GeneHSI能够有效优化HSI的建模并能自动获取HSI参数。不同限制条件下,遗传算法获取的HSI具有较大的差异,其中一般优化策略下获取的HSI参数最差;不等式、等式和上下界条件下,GeneHSI优化过程显著地更加合理,因此获取的HSI参数也更准确。此外,100、1000、5000和10000样本量下的优化建模表明,GeneHSI具有处理海量样本数据的能力。 相似文献
22.
23.
24.
16种伞形科药用植物对超氧自由基的清除作用 总被引:11,自引:4,他引:7
采用Na2S2O4NaOHLuminol发光体系,应用智能化学发光法对16种伞形科药用植物提取物的自由基清除能力和对酪氨酸酶的抑制能力进行筛选。实验结果表明这些伞形科药用植物大都具有清除自由基的作用,其中羌活(NotopterygiumforbesideBois.)的“SOD样作用”达到2967U/mg(原生药量),提示这些植物具有稳定的非酶类清除自由基物质,并且“SOD样作用”强弱与其对酪氨酸酶的抑制能力呈明显正相关。 相似文献
25.
目的:了解出生体重对婴儿早期体格及智能发育的影响,为巨大儿的早期保健及健康教育提供理论依据。方法:在我院2007年1月~2009年12月出生的巨大儿及足月适于胎龄儿中,随机选取50例足月巨大儿作为观察组(除外生后低血糖、窒息、高胆红素血症者),及50例与之匹配的足月适于胎龄儿作为对照组。两组孕周、生后评分、性别比例、父母收入、喂养方式比较差异无统计学意义。定期检查和记录两组的各体格及智能发育评估指标,了解两组婴儿体重指数及智能发育特点,采用Gesell发育诊断量表对两组进行评价。结果:观察组出生后3、6、9、12、18、24个月的超重发生率均显著高于对照组,差异均有统计学意义(P〈0.05),观察组随年龄增长体重指数有下降趋势,6月龄时体重指数最高,24月时最低;观察组6月时大运动发育商数为(100.86±3.34),对照组则为(104.58±3.19),差异有统计学意义(P〈0.05),12月时,观察组的发育商数已接近正常,两组大运动、精细运动、适应行为、语言和个人-社会性行为5个方面的的差异均无统计学意义(P〉0.05)。结论:巨大儿在2岁以内的体重指数显著高于足月适于胎龄儿;较重的体重负荷可对其生后6月内的大运动造成不良影响。 相似文献
26.
28.
目的:了解出生体重对婴儿早期体格及智能发育的影响,为巨大儿的早期保健及健康教育提供理论依据。方法:在我院2007
年1 月~2009 年12 月出生的巨大儿及足月适于胎龄儿中,随机选取50 例足月巨大儿作为观察组(除外生后低血糖、窒息、高胆
红素血症者),及50 例与之匹配的足月适于胎龄儿作为对照组。两组孕周、生后评分、性别比例、父母收入、喂养方式比较差异无统
计学意义。定期检查和记录两组的各体格及智能发育评估指标,了解两组婴儿体重指数及智能发育特点,采用Gesell发育诊断量
表对两组进行评价。结果:观察组出生后3、6、9、12、18、24 个月的超重发生率均显著高于对照组,差异均有统计学意义(P<0.05),
观察组随年龄增长体重指数有下降趋势,6 月龄时体重指数最高,24 月时最低;观察组6 月时大运动发育商数为(100.86± 3.34),
对照组则为(104.58± 3.19),差异有统计学意义(P<0.05),12 月时,观察组的发育商数已接近正常,两组大运动、精细运动、适应行
为、语言和个人- 社会性行为5 个方面的的差异均无统计学意义(P>0.05)。结论:巨大儿在2 岁以内的体重指数显著高于足月适于
胎龄儿;较重的体重负荷可对其生后6 月内的大运动造成不良影响。 相似文献
29.
30.
目的:提出一种基于人类视觉注意力机制的RE-Net网络结构以使卷积神经网络(CNN)更适用于眼底相的屈光不正的智能诊断评估。方法:RE-Net由Res Net34作为骨干网络,进一步使用了上下文注意力模块,包括通道注意力机制和空间注意力机制,使其相应的通道发挥最大的作用,提高响应区域的权重。结果:使用了4358张眼底图像作为RE-Net的训练集。在包含485张眼底图像的测试集上,分类准确率分别为,高度近视93.3%,中度近视89.7%,轻度近视83.2%,轻度远视82.5%,中度远视79.5%,重度远视84.6%,平均分类准确率达85.5%,曲线下面积(AUC)为0.909,灵敏度为0.93,特异性为0.89, Kappa值为0.79 (x~2=23.21,P0.05)。结论:基于深度学习的RE-NET人工智能诊断系统能较好进行屈光不正的诊断评估,有望为屈光不正提供一种新的筛查工具。 相似文献