3D打印骨支架的自动检测和分类技术

计算设计与工程学报。号12014年第3期第194~201页www.jcde.org3D打印骨支架作者：陈文斌，陈文斌.Park2和Yongjin James Kwon2，*1德克萨斯大学埃尔帕索分校工业、制造和系统工程系，美国德克萨斯州埃尔帕索799682韩国水原市，Ajou大学工业工程系，（2014年2月4日接收;2014年5月12日修订;2014年5月12日接受摘要优化设计是获得具有合适形状和内部微结构的组织工程支架的重要步骤。使用具有可变孔径的UGS NX 6.0软件对不同形状和尺寸的支架进行建模。我们关注的质量问题是支架的孔隙率，这主要是由制造不准确引起的。骨支架通常使用扫描电子显微镜进行表征，但这项研究提出了一种新的自动检测和分类技术。由于孔的许多数量和尺寸变化，制造的支架的人工检查往往容易出错且成本高。人工检查也增加了污染的机会。因此，非接触式、精确的检查是优选的。在这项研究中，关键尺寸是由视觉相机自动测量。对测量数据进行分析，对质量特性进行分类。在这项研究中开发的自动化检测和分类技术，预计将提高制造的支架的质量，降低制造的总成本。关键词：骨支架;自动检测;3D打印;分类;回归模型;神经网络1. 介绍理想的骨植入物应具有与骨相同的结构其中一种方法包括使用支架生产植入物[1，2]。支架的形状和结构很重要，因为它们支持细胞并产生细胞外基质以产生新组织。支架应具有与缺损骨相同的形状，以便良好地放置在体内并正确引导骨传统上，已经采用了制造方法，例如纤维粘合、溶剂浇铸、颗粒浸出、膜层压、熔融模塑、气体形成和低温诱导相分离[1，2]。这些技术也是基于手工工作，因此额外的程序与获得合适的形状和微观结构有关然而，额外的步骤并不容易，因为它们不能很好地控制为了克服传统制造技术的局限性，许多科学家对快速成型技术RP技术使我们能够提 供具有良 好定义和 控制的内部 架构的 scaf-folds。快速成型技术包括立体光刻（SLA）、选择性激光烧结（SLS）、熔融沉积成型（FDM）、三维打印（TDP或3DP）等，*通讯作者。联系电话：+82-31-219-2418，传真：+82-31-219-1610电子邮件地址：yk73@ajou.ac.kr© CAD/CAM工程师协会Techno-Press doi：10.7315/JCDE. 2014. 019广泛应用于组织工程仿生支架的制备在这些工艺中，尺寸精度受到喷嘴尺寸和激光直径、对打印头的控制、激光移动和定位以及粉末粒度的限制。3D打印技术是一种很有前景的快速成型技术，可用于制造硬组织。3DP、SLS和FDM代表了可用于硬组织制造的最有前途的技术与RP技术相协调，各种生物材料和其他制造技术已被测试用于骨组织工程。Liu等人[4]发表了对聚合物材料、支架设计、制造技术和支架结构参数虽然其他因素如细胞来源、调节分子、机械刺激、生物反应器设计、培养条件和临床考虑对于成功的组织开发是重要的，但本文不讨论它们。天然高分子材料具有生物识别的优势，但其力学性能和生物降解性受到限制。 这些事实迫使研究人员尝试合成聚合物。Gbureck等人[5]尝试通过3D粉末打印工艺制造定制焦磷酸钙植入物结构和支架。使用粉末和具有从5%至30%的不同浓度的稀磷酸制备样品。印刷采用100μ m的层厚和0.28的粘合剂体积比（外壳）和0.14的粘合剂体积比（芯），饱和度为89%检查了失效样品的表面T. Tseng等计算设计与工程杂志卷。号12014年第3期第194~201页195用扫描电子显微镜。印刷工艺使元件的分辨率达到±200μ m。Leukers等人[6]着重于评价用3D打印技术制造的接种支架设计了一种特殊的支架，以最大限度地增加表面并促进接种过程，以增强细胞粘附和营养供应。使用含有聚合物添加剂和水溶性聚合物共混物的喷雾干燥的羟基磷灰石（HA）颗粒发现基于粉末的3D打印工艺诱导微孔性，这增加了支架对于流体介质的表面可及性。从上述发现来看，3D打印制作的HA支架Khalyfa等人[7]开发了一种粉末混合物，其包含磷酸四钙（TTCP）作为反应性组分和β-磷酸三钙或硫酸钙作为可生物降解的填料。该混合物可用于承重区域的骨修复上述工作使用了先进的设备进行表征，如扫描电子显微镜[8]。本研究利用自动视觉技术自动化骨支架的表面特征检测。骨支架的检查通常使用扫描电子显微镜进行，并且表征过程是手动的。为了避免人为干预和常见错误，该过程可以使用先进的传感器和检测设备实现自动化机器视觉摄像机等传感器比人工检测更快、更准确通过2.1 设计选择组织工程通常需要使用多孔的、生物可吸收的支架，其在体外和体内充当用于初始细胞附着和随后组织形成的理想情况下，支架应具有以下特征：（1）合适的宏观结构，以促进细胞增殖和细胞特异性基质产生;（2）具有高度多孔表面和微结构的开孔几何结构，使细胞能够生长;（3）用于组织再生和避免孔堵塞的最佳孔径;以及（4）合适的表面形态和理化性质，以促进细胞内信号传导和细胞募集[1-8]。实验表明，FDM快速成型机制备的支架的孔隙率主要取决于四个参数。这些参数包括切片厚度、道路宽度、光栅间隙和光栅角度。切片厚度是用于逐层构建模型的层的厚度路径宽度是挤出层的宽度。光栅间隙是零件切片平面光栅角度是模型的后续水平光栅层之间的孔隙率P的实验值可通过公式[1-8]计算吉 尔科夫激活合适的图像处理算法，P = 1 （一）尺寸，整个表征过程可以在不到一分钟内完成还努力通过用显微镜镜头扩展相机的镜头来增加相机的容量尺寸小于500 µm的图像可以轻松分析由于骨支架表面含有许多孔隙，因此对表面特征的准确测量和表征至关重要。利用多层感知器神经网络和径向基函数网络对视觉系统获得的图像数据进行分类。回归分析也进行了衡量的预测精度。文中还介绍了所开发模型的性能阿吉夫其中va=模型的表观体积（总体积），vt=模型的真实体积（材料占据的体积）。我们认为，大孔隙率的血管化是最重要的，只要支架和组织刚度保持在可接受的范围内。表示为孔隙度设计的优化问题可以写为[1-8]：本文的结构如下。第一节是目标函数（二）本文介绍了骨组织三维打印的定义第2节详细阐述了研究方法，而3D零件的设计和制造在第3节。数据分析见第4节。结论见第二节。2. 研究方法本研究的方法论包括两个不同的阶段。阶段I是使用Statistica 9通过神经网络进行分类分析比较了多层感知器（MLP）和径向基函数（RBF）网络的分类结果第二阶段是对孔隙度预测在第二阶段，比较模型的误差项，以评估孔隙度的预测精度E脚手架其中E支架 =支架基体材料的杨氏我们提出了空隙体积成分，结构材料性能，和主要的设计特征，决定多孔结构的强度之间的关系。组织工程支架的基本要求是它们应该是足够多孔的以支持互连性，已经证明其体积孔隙率约为60%我们考虑两种形状的支架孔，包括（1）基本圆形和（2）六边形。2.2 神经网络模型在广泛的文献综述的基础上，本研究选择了两种类型的神经网络模型：多层神经网络模型196T. Tseng等计算设计与工程杂志卷。号12014年第3期第194~201页KJ2克朗kL感知器（MLP）和径向基函数（RBF）[9，10]。采用这两个神经网络模型是因为它们wij（t）wij（t）i（t）zj（t）（七）在这类数据的分类中，它们远远优于其他方法[11，12]。随后的方程是采用或修改本研究的文献2.2.1 MLP模型其中学习率=（0≤ 1）。重复该算法直到达到停止标准。网络的停止条件pM每个隐藏或输出单元被称为感知器，并且是输入向量和相关权重的乘积的函数[13]。MLP模型中使用的术语如下所示dki1j1（t）y（t）2（八）[9，10]： yi=输出单元，xj=输入单元，wij=权重，E（ t）=网络中的误差项，p =训练样本的数量，M =输出单元的数量，k=（0，1）之间的学习速率，以及k=动量常数。n其中p=训练模式的数量，并且M=输出单元的数量。2.2.2 RBF模型在径向基函数中，计算从被评估点到每个神经元中心的欧几里得距离Yiwijxjbi（三）ron [16].径向基函数（也称为核函数） j1我们使用误差函数的梯度下降法来找到正确的权重[14]。误差对于每个节点是局部的，并且从节点i到输出j的权重发生变化。wji由沿连接和错误的输入传输控制应用于距离以计算每个神经元的权重（影响），使得权重= RBF（距离）。各种函数可以用作RBF网络的激活函数[17，18]。然而，对于模式分类，高斯函数优于其他函数。RBF网络的高斯激活函数由[9，10]给出来自输出j的信号。1电子邮件（九）j（X）<$exp $>（Xj）（Xj）阿格劳阿格劳特 y x（四）吉吉吉伊伊我使用梯度下降法，误差项通过模型向后传播。有助于执行此操作的算法称为反向传播算法[15]。它有两种传球方式：向前传球和向后传球。前向传递计算功能信号，并帮助通过网络传播输入模式反向传递计算误差信号，并从输出单元开始通过网络反向传播误差。在反向传递期间，误差信号向前传播。我们其中，X=输入特征向量，L=隐藏单元的数量，W=网络权重，dj=期望输出的关联值，Σj（X）=高斯激活函数，并且μj和Σ输出层是隐藏单元输出的加权和[9，10]：k(X) jkk(X)j11使用正态误差项，它是平方和[9，10]：Yk（X）1 exp（X）（十）E（t）1d（t）y（t）2sk1（五）其中λjk=输出权重，每个对应于隐藏单元和输出单元之间的连接。M表示输出单元的数量。使用gener-其中dk=维度k的目标值。梯度下降方法用于修改隐藏单元和输出单元的权重[5-6]：RBF网络的最大特征值与最小特征值之比为矩阵的条件数。Haykin [9]指出，降低网络的复杂性是必要的，w（t1）w（t）E（t）（六）、计算上的困难近似伊季最低工资ij（t）过程是用来找出次优解Galerkin方法在变分问题中的应用协议-隐藏单元和输出单元的权重变换函数分别由[9，10]给出对于这种技术，在有限基上的近似解是[9，10]：vij（t$1）vij（t）i（t）xj（t）;MF（x）{F（X）}第一章1（十一）KT. Tseng等计算设计与工程杂志卷。号12014年第3期第194~201页197N(a)(b)（c）第（1）款图1.使用3D打印机准备模型构建：（a）UGS NX 6.0中支架模型的屏幕截图，（b）3D打印Z450准备，（c）3D打印机打印支架模型。其中，i= 1，2. M是一组新的基函数，假设它们是线性相关的考虑到RBFs，Haykin [9]给出了以下等式：访问，而视觉系统也可以远程访问。网络连接的视觉机器人检测为骨支架的检测、分类和质量控制的（X）你好， i = 1，2视觉检测主要使用软件提供的各种滤波器和图像分析算法进行。对于表面特征分析，它可以重写为：视频图像工具被认为是足够的，产生了准确的结果。每个孔隙的边界是分开的（十三）从背景像素和校准的像素大小F（X）wiG X;ti第一章1阿斯拉维河 xti第一章1用于获得实际的孔尺寸，孔之间的距离详细的图像分析-然后，方程可以被改写为平方欧几里德范数[19]：SIS技术已在作者的其他研究中进行了深入研究。与此同时，安装在德克萨斯大学埃尔帕索分校的视觉机器人系统在其他研究中得到了很好的描述[20，21]。因此，没有毛皮-欧几里德范数=dGW2（十四）本文对此进行了阐述。图2显示了视觉检查屏幕。其中d为1，d为2，. .. d。从这个方程中，我们可以找到输出所需的输出和权重，其中G是矩阵，格林函数，W是权重向量的矩阵。3. 三维支架利用UGS NX对脚手架设计图进行建模6.0软件绘制了不同孔径（0.5 mm ~ 1 mm）和形状（圆形和六边形）的支架模型。模型被转换为立体光刻文件用于3D打印。图1显示了scaf- fold模型的屏幕截图和实际的构建过程。这些文件将导入3D打印机（Z450）软件进行生产。一旦生产出来，粉末被移除，样品被放在由机器人、传送带和机器视觉系统组成的检测站上。使用机器视觉系统分析样品尺寸。用图像处理和分析算法检查被检样品。然后，测量并存储样品尺寸。机器视觉系统向机器人发出信号，以保留样品或拒绝样品。本研究将视觉传感器与机器人相结合，实现了骨支架质量的自动分级。这是本研究的一个独特方面，因为机器人视觉系统的远程连接允许用户从远程站点进行监控和检查。机器人有一个板载以太网板互联网总共打印了134个样本。从0.5 mm到1 mm以0.1 mm的增量产生孔。因此，每种情况有六种。图3和图4显示了六边形和圆形的支架孔径的变化。样品测量数据如表1所示。对于R、D、PN、SA、P和S的每个类别，最大值和最小值以粗体数字表示。4. 数据分析4.1 MLP RBF分类分析决策作为分类目标（好或坏）和分析中的因素，如半径，形状，距离，表面积，孔隙度和孔隙数量作为连续输入已被考虑在分析中。使用三重检验和验证分析数据[15]。软件使用户能够为隐藏神经元和输出神经元提供网络的最小和最大权重衰减。此外，用户可以指定分析模式：训练，测试或验证[11]。对于MLP，分析了从3到50的网络范围，并且通过训练实现了100%的总体准确度。对于RBF，分析了14到50个网络的范围，并且在训练中实现了100%的总体准确度N198T. Tseng等计算设计与工程杂志卷。号12014年第3期第194~201页表1.样品数据（R：半径，D：孔间距离，PN：孔数，SA：表面积，P：孔隙率，S：形状，1为六边形，2为圆形）。号RDPNSAPS号RDPNSAPS号RDPNSAPS10.9195 4.12942.6560.70641460.8824.021022.4442 0.70531910.80452.771082.0335 0.6213220.9215 3.89942.6680.70951470.9694.31022.9502 0.85131920.80352.831122.0285 0.6427230.9415 4.56942.7850.74061480.9684.23932.9441 0.77461930.7982.531072.0008 0.6056240.8815 4.54942.4410.64921490.9625 4.07942.9107 0.77401940.6752.5701.4315 0.2835250.9235 4.97942.6790.71261500.93152.9612.7262 0.47041950.64752.11161.3173 0.4322260.9114.141022.6076 0.75241510.8825 2.54692.4470 0.47761960.6272.1541.2352 0.1887270.8674.051022.3618 0.68151520.8662.87802.3563 0.53331970.5782.03711.0496 0.2108280.8554.41022.2968 0.66271530.86052.5882.3265 0.57921980.57652.14841.0442 0.2481290.9205 4.021022.6622 0.76821540.8922.83702.4999 0.49501990.542.18620.9162 0.16072100.9034.31022.5620.73931550.8625 2.71842.3373 0.555411000.55652.09580.9730 0.15962110.9085 4.23932.5933 0.68231560.8713.05622.3836 0.418011010.5452.25700.9332 0.18482120.9035 4.07942.5648 0.68201570.822.42922.1126 0.549811020.59752.05811.1217 0.25702130.90152.9612.5535 0.44061580.8225 2.711032.1255 0.619311030.52252.15760.8577 0.18442140.8685 2.54692.3699 0.46261590.80052.11132.0133 0.643611040.97253.16822.9715 0.68932150.8645 2.87802.3482 0.53141600.8375 2.081062.2038 0.660811051.04653.44753.4409 0.73012160.8772.5882.4166 0.60161610.8355 2.42762.1933 0.471511061.02053.19873.2721 0.80532170.8955 2.83702.5196 0.49891620.8212.721092.1178 0.653011070.9953.48863.1106 0.75682180.8705 2.71842.3809 0.56581630.6492.421131.3234 0.423011080.9783.24833.0052 0.70562190.8825 3.05622.4470 0.42921640.6375 2.35831.2769 0.299811090.8982.891102.5337 0.78842200.8005 2.42922.0133 0.52401650.6325 2.691161.2569 0.412511100.88552.541042.4636 0.72482210.8005 2.711032.0130.58661660.60052.4711.1335 0.227511110.86652.451072.3590 0.71412220.81052.11132.0640 0.65981670.6335 2.231271.2609 0.453011120.87952.911112.4304 0.76322230.8222.081062.1229 0.63661680.6475 2.12811.3173 0.301811130.8972.9972.5280 0.69372240.7752.42761.8871 0.40571690.5152.09730.8333 0.172111140.86152.541122.3319 0.73882250.8452.721092.2434 0.69181700.5255 1.95650.8676 0.159511150.86152.511202.3319 0.79162260.6005 2.421131.1330 0.36221710.531.87640.8825 0.159821160.8682.591232.3672 0.82372270.622.35831.2077 0.28361720.612.31101.1691 0.363821170.912.641222.6018 0.89802280.6172.691161.1961 0.39251730.5752.14501.0388 0.146921180.8782.581212.4221 0.82912290.64352.4711.3010 0.26131740.9765 3.16822.9960 0.695021190.9162.751212.6363 0.90242300.6785 2.231271.4464 0.51961751.0183.44753.2561 0.690821200.8362.561052.1959 0.65232310.642.11071.2869 0.38951760.9735 3.19872.9776 0.732821210.822.771082.1126 0.64552320.6975 2.12811.5286 0.35021770.9743.48862.9807 0.725221220.80252.831122.0234 0.64112330.512.09730.8172 0.16871780.9665 3.24832.9350 0.689121230.8212.531072.1178 0.64102340.5751.95651.0388 0.19101790.8785 2.891102.4248 0.754621240.72252.5701.6401 0.32482350.61.87641.1311 0.20481800.8875 2.541042.4748 0.728121250.60952.11161.1672 0.38302360.592.31101.0937 0.34031810.8955 2.451072.5196 0.762721260.52052.08650.8512 0.15652370.5252.14500.8660 0.12251820.8935 2.911112.5083 0.787621270.6452.1541.3071 0.19962380.9485 4.12942.8267 0.75171830.8922.9972.4999 0.686021280.5782.03711.0496 0.21082390.873.89942.3781 0.63241840.8815 2.541122.4414 0.773521290.5482.14840.9435 0.22422400.9655 4.56942.9289 0.77881850.862.511202.3238 0.788921300.5652.18621.0030.17592410.8675 4.54942.3645 0.62881860.9045 2.591232.5705 0.894421310.582.09581.0569 0.17342420.9735 4.97942.9770.79181870.8762.641222.4110 0.832121320.5052.25700.8012 0.15862430.8825 4.141022.4470.70611880.8932.581212.5055 0.857721330.5752.05811.0388 0.23802440.8855 4.051022.4636 0.71091890.8892.751212.4831 0.850021340.5952.15761.1123 0.23912450.8854.41022.4608 0.71011900.8082.561052.0512 0.60932T. Tseng等计算设计与工程杂志卷。号12014年第3期第194~201页199图2.康耐视insight浏览器的屏幕截图，正在研究scaf-fold。图3.具有0.5 mm ~ 1 mm不同孔径的多孔支架。图4.具有不同孔径的圆形支架，0.5 mm ~ 1 mm。结果表明，MLP和RBF都能很好地处理数据，从而获得很高的分类精度。根据经验法则，隐藏的层数应该在整个数据集的10%以内（即，人工神经网络的隐藏层应该在11-15左右这种启发式的结果得到了支持对于MLP，对于11-15范围内的网络的训练、测试和验证数据，在MLP的情况下，MLP 11、MLP 12和MLP 13的分类精度同样，在RBF的情况下，最大分类准确率为100%，100%，96.67%的训练，测试和验证，分别为。对于验证数据集，对于网络RBF 25、RBF 26和RBF 45的最大分类精度，存在2个4.2 回归分析进行回归分析以找出自变量对可靠变量的影响（即，孔隙率）。比较误差项以衡量每个模型的性能。4.2.1 MLP RBF回归分析使用MLP，我们定义了类似于分类分析的情况下回归模型不考虑整个灵敏度分析过程，而是考虑从分类分析数据分为三部分，其中三分之二的数据被视为训练集，其余的作为测试和验证集。在三分之一的数据中，50%是cho-用于验证，其他50%用于测试。将MLP模型对输出孔隙度的预测结果与目标孔隙度进行比较，并生成误差项。以类似的方式，用RBF模型进行回归分析，并将目标孔隙度与总体输出孔隙度进行比较此外，通过网络产生误差项。图5显示了MLP回归分析的性能。4.2.2 回归模型为了发现显著因素的影响，使用Minitab 15软件包使用表1的实验数据进行ANOVA检验和回归分析请注意，表1中实际值和预测值之间的最大差异以粗体显示。其中考虑的5个因素包括尺寸、形状、距离、孔数和表面积。分析表明，各因素对模型的影响是我们从方差分析检验中观察到，所有五个因素对孔隙度的影响都是显著的，并且交互作用也是显著的为了建立回归模型，我们对给定的情况进行了部分析因设计考虑到半因子设计，可能的实验数为2n16个实验的顺序是随机的。回归模型由下式给出孔隙率（Y）= 0.52635 + 0.15136*R +0.03465 *D +0.08097*PN +0.04166 *S+0.02108*SA- 0.0422*R*PN +0.01727*R*S0.02654*PN*S + 0.01653*S*SA（15）其中R=半径，D=孔之间的距离，PN=孔数，SA=表面积，P=孔隙率，S=形状，1是六边形，2是圆形。调整后的R平方值为90.25%，这表明与用于模型开发的16个数据点非常吻合。我们观察到，当半径、孔间距、孔数和形状较高时，获得最大孔隙率。从结果来看，MLP的误差项最低，为0.000001。该网络模型的测试准确率、训练准确率和验证准确率均接近100%。RBF结果与回归模型相当，回归模型显示出略微更多的变化。图6显示了实际孔隙度值与回归模型预测值之间的比较5. 结论本研究的贡献如下。首先，同时考虑支架制造中涉及的参数其次，对所考虑的参数进行分类分析，以获得所制备的支架的好/坏的分类目标一200T. Tseng等计算设计与工程杂志卷。号12014年第3期第194~201页图5.MLP模型的回归分析图6.实际孔隙度值与预测孔隙度值之间的比较。采用非线性回归模型和神经网络模型结合反向传播算法进行不确定度估计第三，将模型预测的误差项与实验数据进行比较。利用MLP和RBF神经网络在分类和回归方面的优势，设计了两种新的模型从分析来看，MLP模型的分类准确率为100%，而RBF模型的分类准确率为96.67%。为了预测孔隙度，使用实验设计开发了回归模型在此设计中使用的所有五个因素被证明是显着的预测孔隙度。在这方面，神经网络模型的表现优于回归模型。MLP在预测孔隙度方面具有最低的误差项。结果证明了回归模型中每个独立因子的显著性，这可以从响应优化器中观察到这表明，孔的半径应该高，孔的数量应该高，六边形形状更好，孔之间的距离也应该大。结果证明，六边形形状比圆形孔更好，因为它具有更多的边缘并且可以更好地适合于细胞培养。致谢本研究由韩国教育部资助的韩国国家研究基金会（NRF）（批准号：NRF-2013 R1 A1 A2006108）和国家科学基金会（DUE-TUES-1246050）的基础科学研究计划作者希望表达衷心感谢他们的财政支持。引用[1] 马PX，Elisseeff J.组织工程中的支架。Boca Raton（FL）：CRC Press; 2006.656页[2] 迪特马尔·H组织工程骨与软骨的支架材料生物材料。2000; 21（24）：2529-2543.[3] Zein I，Hutmacher DW，Tan KC，Teoh SH.用于组织工程应用的新型支架结构的熔融沉积建模生物材料。2002; 23（4）：1169-1185.[4] 刘X，马PX.骨组织工程用高分子支架材料生物医学工程年鉴。2004; 32（3）：477- 486.[5] Ghureck U ， Holzel T ， Biermann I ， Barralet JE ，Grover LM.通过快速成型制备磷酸三钙/焦磷酸钙结构材料科学杂志：医学材料。2008; 19（4）：1559-1563.[6] 洛克斯湾通过3D打印制造的用于骨组织工程的羟基磷灰石支架材料科学杂志：医学材料。2005; 16（12）：1121-1124.[7] [10]张文辉，张文辉.开发新型磷酸钙粉末-粘合剂系统，用于患者特定植入物的3D打印材料科学杂志：医学材料2007; 18（5）：909-916.[8] Sherwood JK ， Pasteyb SL ， Palazzoloa R ， BrownaSC ， Monkhousea DC ， Coatesc M ， Griffithc LG ，Landeenb LK，Ratcliffe A.一种用于关节软骨修复的三维骨软骨复合支架。生物材料。2002; 23（24）：4739-4751.[9] Haykin S.神经网络：一个综合的基础。New Jersey（NJ），Prentice Hall PTR; 1994.716页[10] 放大图片作者：C.一种解释神经网络分类的方法.神经网络2001; 15（2）：237-246.[11] 作者：Leite E，Carlos R.TEXTNN是一个使用神经网络进行纹理分类的matlab程序计算机和地球科学。2009; 35（10）：2084-2094.[12] 陈丽，魏旭，T.2维数组模式的分类：组装许多小的神经 网 络 比 使 用 一 个 大 的 更 好 。 神 经 网 络 2010; 23（6）：770-781.[13] Arulampalam G，Abdesselam B.一种用于分类和回归的广义前馈神经网络结构神经网络。2003; 16（5）：561-568.[14] Kraipeerapun P，Chun C.使用集成神经网络和区间分类集进行二分类神经计算2009; 72（13）：2845-2856.[15] 卡兹奥卢使用精炼的训练数据提高神经网络分类的准确性环境模拟软件.2009; 24（7）：850-858.[16] 作者声明：Chen XW.径向基函数神经网络用于非线性Fisher判别和Neyman-Pearson分类。神经网络2003; 16（5-6）：529-535.[17] Korurek M，Berat D.基于粒子的心搏分类T. Tseng等计算设计与工程杂志卷。号12014年第3期第194~201页201群优化算法和径向基函数神经网络。专家系统及其应用2010; 37（12）：7563-7569.[18] 吴伟毅，多拉多A，杨DS，Pedrycz W，Izquierdo E.图像分类与径向基函数神经网络的使用和局部泛化误差的最小化模式识别2007; 40（1）：19-32.[19] Park S，Hwang JP，Kim ET，Lee HJ，Jung HG.微波雷达主动安全系统目标分类的神经网络方法专家系统与应用。2010; 37（3）：2340-3246.[20] Kwon Y，Park Y.利用卡尔曼滤波器提高机器人视觉导航精度计算机工业工程杂志2013; 65（1）：148-155.[21] Kwon Y，Hong J.集成远程控制的过程能力和视觉校准的准确性。机器人计算机集成制造杂志。2014; 30（5）：451-459。