基于密度聚类的模糊神经网络和CHP分解过程建模

针对基于样本数据的复杂系统建模问题,提出了基于密度聚类的模糊神经网络(DFNN)的建模方法,研究了利用密度聚类原理提取数据样本的内在规则的理论和方法,提取的规则能较好地反映样本数据输入输出的对应联系,根据提取的规则给出了模糊神经网络的模型结构.本文以化工生产过程过氧化氢异丙苯(CHP)分解反应过程为对象进行仿真建模,结果显示在模型精度和可靠性上均优于基于c均值聚类提取规则的模糊神经网络模型(CFNN).     

基于密度聚类的工业数据去噪声预处理研究

针对工业数据去除噪声预处理问题,提出了基于密度聚类的数据筛选方法.该方法通过计算各样本数据间的空间距离而获得数据空间的分布密度情况,根据密度聚类法按密度分布聚类,聚类的中心点即为筛选获得的研究数据.实验表明,基于密度聚类的数据筛选法选取数据可以克服环境噪声干扰,筛选数据准确可靠,适用于工业数据的预处理.     

大鼠实验性甲亢心肌内肌酸激酶变化的免疫组化研究

以药物诱导的方法建立了大鼠实验性甲亢模型，并以该模型心肌切片进行了免疫组化染色检测肌酸激酶。结果显示，随着甲亢病程的延长，着色呈现酶含量降低，酶活性减少的变化。实验证实甲亢时心肌呈现渐进性缺血过程。