简介:摘要:过往研究中发现,深度学习方法中的LSTM模型在预测金融时间序列时表现良好。本文基于LSTM模型,对模型的层数、结构、激活函数等进行优化,并将优化后的模型用于对上证50ETF收盘价的预测,结果发现:①模型的层数会影响预测结果,过浅或过深的模型层数都会降低模型的预测能力,两层的LSTM模型对上证50ETF收盘价的预测能力最佳;②引入非线性激活函数的全连接层作为隐藏层可以提升模型的预测能力,exponential激活函数的表现最佳;③对特定隐藏层使用Xavier权重初始化方法可以提升模型预测能力。优化后的LSTM模型预测能力明显提升,该优化方法为LSTM模型构造提供了新的思路。
简介:摘要目的探讨麻醉深度指数(depth of anesthesia index, AI)在全凭静脉麻醉中的应用,并与Narcotrend指数(Narcotrend Index, NI)进行比较。方法择期全身麻醉下行支撑喉显微镜手术的患者40例,年龄18~65岁,ASA分级Ⅰ、Ⅱ级,同时监测患者AI、NI及丙泊酚效应室浓度(effect-site concentration, Ce)。麻醉诱导气管插管后,持续泵注丙泊酚、瑞芬太尼、米库氯铵维持麻醉。记录数据信号稳定后(T1)、诱导前(T2)、插管前(T3)、插管后1 min(T4)、插管后3 min(T5)、插管后5 min(T6)、置喉镜前(T7)、置喉镜后1 min(T8)、置喉镜后5 min(T9)、手术结束(T10)、苏醒(T11)、拔管(T12)12个时点的AI、NI、Ce。结果随着麻醉深度的变化,AI和NI的变化趋势一致。AI与NI、Ce的相关系数分别为0.913(P<0.05 )、-0.599(P<0.05),NI和Ce的相关系数为-0.584(P<0.05),AI、NI、Ce三者具有良好的相关性。结论AI和NI均能准确反映患者手术不同阶段的麻醉深度,AI监测用于全凭静脉麻醉可较好地控制麻醉深度,指导合理用药,避免患者术中知晓。
简介:摘要两个顶点间由三条边相连,分别剖分此多重图的三条边a次、b次、c次所得到的图称为Theta图,即,这里,顶点数为。刻画了的Merrifield-Simmons指数和Hosoya指数,给出了其按内部路路长变化的序关系,在a分别为奇、偶数时给出了Theta图的Merrifield-Simmons指数和Hosoya指数的极大(极小)值,以及对应的极图。