如何从WordPress中删除主题以优化网站建设？

网站建设与管理案例教程ppt,wordpress怎么删除主题,基于asp的医疗网站开发,我的网站360搜索被做跳转先说下数据#xff0c;随访流水号是患者的后续诊断号码#xff0c;表3有对应的数据#xff0c;首先需要做下数据整理#xff0c;需要整理出每次诊断的指标#xff08;包括表1中人物信息、表2中的检查指标以及表3中的检查指标#xff0c;表4中有对应的时间#xff0c;以刚…先说下数据随访流水号是患者的后续诊断号码表3有对应的数据首先需要做下数据整理需要整理出每次诊断的指标包括表1中人物信息、表2中的检查指标以及表3中的检查指标表4中有对应的时间以刚发病时为0时刻基于流水号进行匹配整合 这个题目主要涉及到机器学习算法和常规的评价算法首先可以检查下数据是否有异常或缺失情况采取必要处理缺数据的是表3可以通过求当前流水号的其他指标数据与集合中相同指标数据的差距从而找到近似样本对缺失数据进行补充这一步骤和协同过滤算法类似。 第一问 第一小问是标记患者是否发生血肿扩张看附件2中HM_volume的几次指标数值的变化是否出现体积增加≥6 mL或相对体积增加≥33%的情况是则标记为1流水号用附表1查下时间以首次流水号上对应的时间减去发病到首次检测的间隔时间作为0时刻依次计算出后续流水号对应的时刻对时间和HM_volume指标值做插值拟合或者拟合关系式并算出48小时的HM_volume值然后判断是否发生血肿扩张如果48小时内判断发生血肿扩张则需要计算出刚好满足判断为血肿扩张的时间注意HM_volume值单位是10^-3ml。 第二小问基于患者首次检测的指标作为输入是否48小时内是否发生水肿扩张为输出用机器学习算法训练训练集测试集划分见题目说明模型训练好之后分别带入这几个数据集算出对应的概率这个概率别四舍五入了一些算法最后输出的是整数但是输出结构中能调出对应的概率。 第二问 第一小问建立时间与ED_volume值的关系模型建议用高斯模型并进行拟合检验需要拿前100个患者的检测时间和ED_volume值数据来做分析然后分别带入前100个患者的发病时间去计算下拟合值并计算出残差平均值。 第二小问先聚类类别3-5个然后分别按照第一小问的方式做就行。 第三小问首先提取有5次检测以上的样本计算后一时刻与前一时刻的变化量这里需要治疗对患者水肿的改善程度只保留为负值的改变量如果都为正值那么就视为没有改善是否选择不同的治疗作为两个组别遍历每种治疗进行单因素方差分析然后讨论不同治疗对水肿的进展模式的影响显著性。 第四小问同样的方法对血肿进行分析然后再分析下血肿指标与水肿之间的相关性。 第三问 第一小问建立指标与mRs的评分模型还是采用机器学习算法做训练然后预测做训练前可以做下主要指标提取的步骤只预测101-160号患者首次检测的mRs值训练集和测试集划分还是根据题目的来。 第二小问预测随访的mRs值患者的基础信息匹配附件1连同检测指标带入模型中进行预测。 第三小问做下简单的相关性分析这种医学数据直接用相关性算法肯定结果值很低建议使用方差分析、t检验、F检验这类算法作显著性分析p值越小显著性越大确定显著影响关系后给一些建议即可。 代码用的简单方法实现大概就这么多内容请自行更换算法适当包装下 %预处理 clear clc%读取数据 [~,~,data1]xlsread(表1-患者列表及临床信息.xlsx,A1:W161); data1string(data1); data1(find(ismissing(data1)1)); data1[data1(:,1:15),[[血压最大值,血压最小值];split(data1(2:end,16),/)],data1(:,17:end)]; data1(find(data1男))1; data1(find(data1女))2; [~,~,data2]xlsread(表2-患者影像信息血肿及水肿的体积及位置.xlsx,A1:GZ161); data2string(data2); data2(find(ismissing(data2)1)); [~,~,data3]xlsread(表3-患者影像信息血肿及水肿的形状及灰度分布.xlsx,B1:AG577); data3string(data3); data3(find(ismissing(data3)1)); [~,~,data4]xlsread(附表1-检索表格-流水号vs时间.xlsx,C2:AB161); data4string(data4); data4(find(ismissing(data4)1));%整理数据 Table[患者,流水号,时间/小时,data1(1,[5:14,16:24]),data2(1,3:24),data3(1,2:32)];%记录指标数据 for i1:size(data1,1)-1delta_t0double(data1(i1,15));%从发病到第一次诊断时的时间长度afind(data4data1(i1,4));a1mod(a,160);if a10a1160;enda2ceil(a/160);t1data4(a1,a2-1);%第一次诊断日期table1data1(i1,[5:14,16:24]);table2data2(i1,2:208);%识别检查了多少次afind(table2);if length(a)0alength(table2);elseaa(1);endn(a-1)/23;%统计每次检查的数据如果有缺失则不记录for j1:nafind(data4table2((j-1)*231));a1mod(a,160);if a10a1160;enda2ceil(a/160);t2data4(a1,a2-1);%后续诊断日期timemax((datenum(t2)-datenum(t1))*24delta_t0,0);%以刚发病时刻为0计算时间轴上第j次随诊距离发病的时间长度if length(find(data3(:,1)table2((j-1)*231))0)x[data1(i1,1),table2((j-1)*231),time,table1,table2((j-1)*232:j*23),data3(find(data3(:,1)table2((j-1)*231)),2:end)];else%如果缺失则取样本差距前三个数据集的附件3指标取平均值补充x1[double(table2((j-1)*232:j*23));double(Table(2:end,23:44))];x1mapminmax(x1,0,1);%数据标准化dpdist2(x1(1,:),x1(2:end,:));[~,o]sort(d);oo(1:min(3,length(o)));x[data1(i1,1),table2((j-1)*231),time,table1,table2((j-1)*232:j*23),mean(double(Table((o1),45:75)),1)];endTable[Table;x];end endsave data Table %第一问 clear clc warning off load data %% a Numunique(Table(2:end,1),stable); A[];%患者第一次诊断时的指标问题b也会用到 B[];%记录拟合参数 Y[];%是否发病 Tzeros(length(Num),1);%静脉扩张时间 for i1:length(Num)afind(Table(:,1)Num(i));A[A;double(Table(a(1),4:end))];tdouble(Table(a,3));HM_volumedouble(Table(a,23));if length(HM_volume0)bregress(HM_volume,[ones(length(t),1),t]);%线性回归可以自己换算法else%如果只有一个数据则用样本数据匹配最接近的其他样本对应的参数AAmapminmax(A,0,1);dpdist2(AA(end,:),AA(1:end-1,:));[~,o]min(d);bB(:,o);endB[B,b];t1[t(1):0.1:48];%将时间网格化精度为0.1HM_volume_48[ones(length(t1),1),t1]*b;%时间设为第一次诊断到发病第48小时内a1find(HM_volume_48./HM_volume(1)1.33);a2find(HM_volume_48-HM_volume(1)6000);aaunion(a1,a2);if length(aa)0Y(i,1)1;T(i,1)t1(aa(1));elseY(i,1)0;end end result1[Num,Y,T]; %% b %变量 Inmapminmax(A,0,1); OutY; %bp神经网络 Xtrain In(:,1:100); Ytrain Out(:,1:100); Xtest1 In(:,101:130); Ytest1 Out(:,101:130); Xtest2 In(:,131:160); Ytest2 Out(:,131:160); % 1. 创建网络 net newff(Xtrain,Ytrain,[fix(size(Xtrain,1)/2),fix(size(Xtrain,1)/4)],{tansig,tansig}); % 2. 设置训练参数 net.trainParam.epochs 1000;%最大迭代次数到达最大迭代次数则终止 net.trainParam.goal 1e-100;%训练误差达到目标误差则终止 net.trainParam.min_grad 1e-100;%性能函数的最小梯度 net.trainParam.lr 1e-5;%学习速率 net.trainParam.max_fail100;%最大确认失败次数终止条件之一 % 3. 训练网络 net train(net,Xtrain,Ytrain); % 4. 仿真测试 t_sim max(sim(net,Xtrain),0); t_sim1 max(sim(net,Xtest1),0); t_sim2 max(sim(net,Xtest2),0); T_sim round(t_sim); T_sim1 round(t_sim1); T_sim2 round(t_sim2); %混淆矩阵 figure plotconfusion(categorical(Ytrain),categorical(T_sim)); title(训练集) figure plotconfusion(categorical(Ytest1),categorical(T_sim1)); title(测试集1) figure plotconfusion(categorical(Ytest2),categorical(T_sim2)); title(测试集2)result1[[患者,是否发生血肿扩张,血肿扩张时间,血肿扩张预测概率];[result1,[t_sim;t_sim1;t_sim2]]]; %第二问 clear clc%% a load data Numunique(Table(2:end,1),stable); T[];%记录复查时间 ED[];%记录水肿数据 A[];%记录除此诊断信息 for i1:length(Num)afind(Table(:,1)Num(i));A[A;double(Table(a(1),4:end))];T[T;double(Table(a,3))];ED[ED;double(Table(a,34))]; end figure plot(T,ED,*) xlim([1,2000]) %高斯模型 hold on gaussModel fit(T, ED, gauss1) plot(gaussModel) xlabel(时间) ylabel(水肿/10^-3ml) %计算残差 ED_fitgaussModel(T); Error[]; for i1:length(Num)afind(Table(:,1)Num(i))-1;Error(i,1)mean(abs(ED_fit(a)-ED(a))); end %% b %个体差异用Tabel第4-15列的指标来进行聚类 cluster_n5;%聚类中心 [center, U, obj_fcn] fcm(double(A(:,1:12)), cluster_n); figure%目标函数变化值 plot(obj_fcn) xlabel(iteration) ylabel(obj.fcn_value) title(FCM聚类) [~,u]max(U); ED_fit2[]; for i1:cluster_nafind(ui);bfind(ismember(Table(2:end,1),Num(a))1);figureplot(T(b),ED(b),*)xlim([1,2000])%高斯模型hold ondisp(亚类1)gaussModel fit(T(b), ED(b), gauss1)plot(gaussModel)xlabel(时间)ylabel(水肿/10^-3ml)title([亚类,num2str(i)])ED_fit2(b,1)gaussModel(T(b)); end %计算残差 Error2[]; for i1:length(Num)afind(Table(:,1)Num(i))-1;Error2(i,1)mean(abs(ED_fit2(a)-ED(a))); end result2[[患者,残差(全体),残差(亚类),亚类];[Num,Error,Error2,u]]; %% c %计算水肿指标的变化率在不同治疗方法下改善效率 K[]; for i1:length(Num)afind(Table(:,1)Num(i));if length(a)5%至少五次检查数据才进行计算k(double(Table(a(2:end),34))-double(Table(a(1:end-1),34)))./(double(Table(a(2:end),3))-double(Table(a(1:end-1),3)));kkfind(k0);if length(kk)0K(i,1)0;elseK(i,1)mean(k(kk));endelseK(i,1)NaN;end end csetdiff([1:length(K)],find(isnan(K)1)); Gdouble(Table(2:end,16:22)); ZTable(1,16:22); for i1:length(Z)[p(i),anovatab{i},stats{i}]anova1(K(c),G(c,i)1,off);%单因素方差分析fafinv(0.95,anovatab{i}{2,3},anovatab{i}{3,3});%计算faFanovatab{i}{2,5};%F值if p(i)0.01 Ffadisp([Z(i)对水肿体积进展模式影响非常显著])fprintf(p值为%.4f0.01F值为%.2f%.2f\n,p(i),F,fa)elseif p(i)0.05 Ffadisp([Z(i)对水肿体积进展模式影响显著])fprintf(p值为%.4f0.05F值为%.2f%.2f\n,p(i),F,fa)elsedisp([Z(i)对水肿体积进展模式影响不显著])fprintf(p值为%.4fF值为%.2f\n,p(i),F)end end disp(不同治疗对水肿进展模式的影响大小为) [~,q]sort(p); strZ(q); disp(str) %% d %同上述步骤求血肿体积的 %计算水肿指标的变化率在不同治疗方法下改善效率 K2[]; for i1:length(Num)afind(Table(:,1)Num(i));if length(a)5%至少五次检查数据才进行计算k(double(Table(a(2:end),23))-double(Table(a(1:end-1),23)))./(double(Table(a(2:end),3))-double(Table(a(1:end-1),3)));kkfind(k0);if length(kk)0K2(i,1)0;elseK2(i,1)mean(k(kk));endelseK2(i,1)NaN;end end csetdiff([1:length(K2)],find(isnan(K2)1)); for i1:length(Z)[p2(i),anovatab2{i},stats2{i}]anova1(K2(c),G(c,i)1,off);%单因素方差分析fafinv(0.95,anovatab2{i}{2,3},anovatab2{i}{3,3});%计算faFanovatab2{i}{2,5};%F值if p2(i)0.01 Ffadisp([Z(i)对血肿肿体积进展模式影响非常显著])fprintf(p值为%.4f0.01F值为%.2f%.2f\n,p2(i),F,fa)elseif p2(i)0.05 Ffadisp([Z(i)对血肿体积进展模式影响显著])fprintf(p值为%.4f0.05F值为%.2f%.2f\n,p2(i),F,fa)elsedisp([Z(i)对血肿体积进展模式影响不显著])fprintf(p值为%.4fF值为%.2f\n,p2(i),F)end end disp(不同治疗对血肿进展模式的影响大小为) [~,q2]sort(p2); str2Z(q2); disp(str2) %在算下血肿指标与水肿指标的相关性 x0double(Table(2:end,23)); y0double(Table(2:end,34)); thetax0*y0/(norm(x0)*norm(y0));%余弦相似度 fprintf(血肿指标与水肿指标的相关度为%.4f\n,theta) clear clcload data Numunique(Table(2:end,1),stable); A[];%首检 Y[];%首检Rms B[];%随检 N1[]; N2[]; Z[Table(1,[4:5,7:end])]; for i1:length(Num)afind(Table(:,1)Num(i));A[A;double(Table(a(1),[4:5,7:end]))];Y[Y;double(Table(a(1),6))];N1[N1;Table(a(1),1:2)];B[B;double(Table(a(2:end),[4:5,7:end]))];N2[N2;Table(a(2:end),1:2)]; end %% a [In,ps_in]mapminmax(A,0,1); OutY; %bp神经网络 Xtrain In(:,1:100); Ytrain Out(:,1:100); Xtest1 In(:,101:130); Ytest1 Out(:,101:130); Xtest2 In(:,131:160); Ytest2 Out(:,131:160); % 1. 创建网络 net newff(Xtrain,Ytrain,[fix(size(Xtrain,1)/2),fix(size(Xtrain,1)/4)],{tansig,tansig}); % 2. 设置训练参数 net.trainParam.epochs 1000;%最大迭代次数到达最大迭代次数则终止 net.trainParam.goal 1e-100;%训练误差达到目标误差则终止 net.trainParam.min_grad 1e-100;%性能函数的最小梯度 net.trainParam.lr 1e-5;%学习速率 net.trainParam.max_fail100;%最大确认失败次数终止条件之一 % 3. 训练网络 net train(net,Xtrain,Ytrain); % 4. 仿真测试 t_sim max(sim(net,Xtrain),0); t_sim1 max(sim(net,Xtest1),0); t_sim2 max(sim(net,Xtest2),0); T_sim round(t_sim); T_sim1 round(t_sim1); T_sim2 round(t_sim2); %混淆矩阵 figure plotconfusion(categorical(Ytrain),categorical(T_sim)); title(训练集) figure plotconfusion(categorical(Ytest1),categorical(T_sim1)); title(测试集1) figure plotconfusion(categorical(Ytest2),categorical(T_sim2)); title(测试集2) %% b Xyuce mapminmax(B,apply,ps_in); t_sim3 max(sim(net,Xyuce),0); T_sim3 round(t_sim3); result3; for i1:length(Num)afind(N2Num(i));for j1:length(a)result3(i,j)string(T_sim3(a(j)));end end result3string(result3); result3(ismissing(result3)1); z[]; for i1:size(result3,2)z[z,第num2str(i)次随访]; end result3[[患者,首次检测;Num,[T_sim;T_sim1;T_sim2]],[z;result3]]; %% c %相关性分析 Xdouble(Table(2:end,[4:5,7:end])); P[]; for i1:size(X,2)for j1:size(X,2)P(i,j)X(:,i)*X(:,j)/(norm(X(:,i))*norm(X(:,j)));end end figure%热图 set(gca,position,[0.05 0.05 0.9 0.9]) hheatmap(P,ColorbarVisible, on); h.FontSize 8; h.CellLabelFormat %0.2g; resultp[,Z;Z,P];%自行分析相关性结果disp(预测结果见result3相关性结果见resultp)