简介:高斯过程机器学习是基于严格的统计学习理论而新发展的方法,该方法在求解小样本、高维数的非线性问题上具有一定的适应性.针对采用直接蒙特卡洛方法进行功能函数计算代价较高的结构可靠度分析时计算效率过低的瓶颈问题,提出了一种基于高斯过程回归模型的直接蒙特卡洛模拟方法.该方法利用有限元等数值方法构造少量的学习样本,通过学习后的高斯过程回归模型重构隐式功能函数,直接建立随机变量与功能函数值的映射关系,进而结合直接蒙特卡洛方法推求结构的失效概率与可靠指标.算例研究表明,该方法简单易行,与传统蒙特卡洛模拟法相比较,计算效率明显较高,且易于与各种工程结构分析程序或商业计算软件相结合.
简介:目的:建立以超声、检验和临床等多项指标诊断甲状腺囊实性结节恶性病变的综合预估模型。方法对662个经手术证实病理的甲状腺囊实性结节的超声、检验及临床信息进行Logistic回归分析,建立风险预估模型,并应用ROC曲线评价模型预测的诊断效能。结果建立的模型为:Z=-3.60+1.40X2+2.47X3+1.05X4+0.57X9+0.07X10+1.02X12(X2为结节内部偏心锐角结构,X3为微钙化,X4为囊实交界面,X9为实性部分回声,X10为促甲状腺激素,X12为性别);M=eZ/1+eZ(M为结节恶性概率,e为自然常数2.72)。用该模型对262个验证组进行预测,准确率为96.95%,敏感度为100%,漏诊率为0%,特异度为96.68%,误诊率为3.32%,阳性似然比为30.12,阴性似然比为0。该预测模型的ROC曲线下面积为0.88,说明其具有较高的诊断效能。结论该预估模型对预测甲状腺囊实性结节的良恶性具有较高的准确率。据M值(M≥0.5预测结节为恶性,<0.5为良性)对甲状腺囊实性结节的良恶性进行评估。