基于Mittag - Leffler函数和人工神经网络的生物数据集建模
1 研究背景与动机
在认知系统研究中,对神经活动的激励表征进行了探讨。有研究调查了一类分数阶神经网络中Mittag - Leffler函数的稳定性,并确定了与计算相关原理的神经类型。详细研究Mittag - Leffler稳定性,是为了更好地描述神经动力学过程。
另外,有研究使用人工神经网络(ANN)进行优化,求解分数阶微分方程,通过ANN逼近分数阶微分方程(FDEs),结果显示ANN在求解FDEs时具有收敛快、内存使用少和精度高的优点。
在自然界和生物系统中,指数增长和衰减的例子无处不在。将指数函数推广并应用于不同模型是许多研究的主题。生物系统未来如何演化是一个极具挑战性的问题,可通过微分方程来描述。例如,有研究分析了幂衰减、指数衰减和Mittag - Leffler等待时间分布在癌症扩散中的作用,认为不服从指数律的分数阶算子是建模现实问题的合适数学工具;还有研究基于X射线图像,使用布谷鸟搜索优化算法(CS)和四种重尾分布对COVID - 19病例进行多分类。
本研究提出的综合方法具有创新性,首次将带有重尾分布的Mittag - Leffler函数(Mittag - Leffler分布、帕累托分布、柯西分布和威布尔分布)和ANN应用于诊断和预测精准医学。带有重尾分布的Mittag - Leffler函数可用于可靠性建模,替代指数分布,为不同生物数据集生成最优模型策略。
具体实施步骤如下:
1. 将双参数Mittag - Leffler函数应用于生物数据集(癌症细胞数据集和糖尿病数据集,即原始数据集),得到新数据集(ml_癌症细胞数据集和ml_糖尿病数据集)。
超级会员免费看
订阅专栏 解锁全文

865

被折叠的 条评论
为什么被折叠?



