Hill-RBF: 두 판 사이의 차이
(새 문서: '''Hill-RBF (Hill-radial basis function)''' 계산기는 인공 지능과 실제 수술 후 굴절 결과의 매우 큰 자료의 회귀 분석을 사용해서 인공수정체 도수...) |
잔글편집 요약 없음 |
||
| (같은 사용자의 중간 판 3개는 보이지 않습니다) | |||
| 1번째 줄: | 1번째 줄: | ||
'''Hill-RBF (Hill-radial basis function)''' | '''Hill-RBF (Hill-radial basis function)'''{{백내장}} 공식은 패턴 인식, 자가 학습 또는 자가 조직화, 경계 모델을 통한 자가 검증, 빅데이터 실습 등 인공 신경망과 실제 수술 후 굴절 결과의 매우 큰 자료의 회귀 분석을 사용해서 인공수정체 도수를 계산하는 새로운 방법이다<ref>Kane JX et al. Accuracy of 3 new methods for IOL power selection. ''JCRS''. 2017 Mar;43(3):333-339. [https://pubmed.ncbi.nlm.nih.gov/28410714/ 연결]</ref>. | ||
== 버전 == | == 버전 == | ||
* 2.0 (2018, DB 12,419안) | |||
* 3.0 (2020. 09.) | * 3.0 (2020. 09.) | ||
== 장점 == | |||
가장 큰 장점인 인공 신경망의 핵심은 관찰된 데이터로부터 학습하고 원하는 근사 함수를 생성하는 능력이다<ref>Sramka M et al. Improving clinical refractive results of cataract surgery by ML. ''PeerJ''. 2019 Jul 2;7:e7202. doi: 10.7717/peerj.7202. [https://pubmed.ncbi.nlm.nih.gov/31304064/ 연결]</ref>. 또한 패턴 인식 방법을 이용함으로써, 이 알고리즘은 수렴 (vergence) 또는 광선 추적 (ray tracing) 공식으로 모델링할 수 없는 도수 계산의 정의되지 않은 요소를 설명할 수 있다. | |||
{{참고}} | |||
2024년 1월 30일 (화) 08:13 기준 최신판
Hill-RBF (Hill-radial basis function)[1] 공식은 패턴 인식, 자가 학습 또는 자가 조직화, 경계 모델을 통한 자가 검증, 빅데이터 실습 등 인공 신경망과 실제 수술 후 굴절 결과의 매우 큰 자료의 회귀 분석을 사용해서 인공수정체 도수를 계산하는 새로운 방법이다[2].
버전
- 2.0 (2018, DB 12,419안)
- 3.0 (2020. 09.)
장점
가장 큰 장점인 인공 신경망의 핵심은 관찰된 데이터로부터 학습하고 원하는 근사 함수를 생성하는 능력이다[3]. 또한 패턴 인식 방법을 이용함으로써, 이 알고리즘은 수렴 (vergence) 또는 광선 추적 (ray tracing) 공식으로 모델링할 수 없는 도수 계산의 정의되지 않은 요소를 설명할 수 있다.