公开(公告)号：CN112365976B

公开(公告)日：2023-08-11

申请号：CN202011273670.2

申请日：2020-11-14

Applicant: 南昌大学第二附属医院

Inventor： 易应萍 ,  陈积标 ,  刘建模 ,  罗颢文 ,  王嘉晶 ,  彭晨 ,  涂江龙 ,  殷淑娟 ,  张晓林 ,  贾伟杰 ,  吴一帆 ,  韩梦琦

IPC: G16H50/20 ,  G16H50/70 ,  G06F18/241 ,  G06F18/23213 ,  G06N3/0464 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/096

Abstract: 本发明涉及一种基于迁移学习的复合病种临床路径构建方法及系统，其方法包括：获取非临床路径产生的复合病种的多源异构医疗数据；根据ICD分类对其进行结构化，构成第一数据集；按照体征信息、医学分期、诊断信息、治疗评价对第一数据集进行特征提取、聚类，构成第二数据集；从所述第二数据集随机抽取两个病种的数据集，训练时域卷积神经网络对其中一个病种数据集进行学习，通过MMD对所述时域卷积神经网络进行调整用于另一个病种数据集的迁移学习；最后根据输出结果进行融合，得到复合病种临床路径。本发明通过数据集的简化以及与时域卷积神经网络、生成式对抗神经网络的集成，提高了复合病种临床路径构的性能和可解释性，避免了梯度爆炸。

公开(公告)号：CN110619107B

公开(公告)日：2022-04-12

申请号：CN201910725756.5

申请日：2019-08-07

Applicant: 南昌大学

Inventor： 徐健锋 ,  吴俊杰 ,  邹伟康 ,  王文国 ,  刘建模

IPC: G06F17/16 ,  G06Q10/04 ,  G06Q50/06 ,  G06N20/00 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种Lstm与Gcforest算法混合强化学习的配网变压器负荷预测方法，该方法包括：首先，通过截取某段电网负荷数据构造数据集，输入Lstm算法生成Lstm模型。接着，另截取一段电网数据其中包括工况及负荷数据。选取负荷数据构建Lstm数据集，输入Lstm模型得到负荷预测结果。然后，将预测负荷结果与工况数据融合构造新的数据集，将数据集输入Gcforest算法生成Gcforest模型。最后，将应用数据负荷数据集输入Lstm模型得到负荷预测结果，将负荷预测结果与应用数据工况数据融合后输入Gcforest模型得到最终应用负荷结果。通过Lstm循环神经网络学习具有长短期依赖知识的能力，以及深度森林对非线性属性特征提取的能力，在配变负荷预测场景中使用Lstm‑Gcforest组合模型能够更精准的预测配变负荷状况。