门户网站排行榜,外包网站问些什么问题,怎么做品牌推广网站,怎么恢复wordpress设定值文章目录 引言第一章#xff1a;机器学习在医疗健康中的应用1.1 数据预处理1.1.1 数据清洗1.1.2 数据归一化1.1.3 特征工程 1.2 模型选择1.2.1 逻辑回归1.2.2 决策树1.2.3 随机森林1.2.4 支持向量机1.2.5 神经网络 1.3 模型训练1.3.1 梯度下降1.3.2 随机梯度下降1.3.3 Adam优化… 文章目录 引言第一章机器学习在医疗健康中的应用1.1 数据预处理1.1.1 数据清洗1.1.2 数据归一化1.1.3 特征工程 1.2 模型选择1.2.1 逻辑回归1.2.2 决策树1.2.3 随机森林1.2.4 支持向量机1.2.5 神经网络 1.3 模型训练1.3.1 梯度下降1.3.2 随机梯度下降1.3.3 Adam优化器 1.4 模型评估与性能优化1.4.1 模型评估指标1.4.2 超参数调优1.4.3 增加数据量1.4.4 模型集成 第二章疾病预测的具体案例分析2.1 糖尿病预测2.1.1 数据预处理2.1.2 模型选择与训练2.1.3 模型评估与优化 2.2 心脏病预测2.2.1 数据预处理2.2.2 模型选择与训练2.2.3 模型评估与优化 2.3 肺癌预测2.3.1 数据预处理2.3.2 模型选择与训练2.3.3 模型评估与优化 第三章性能优化与前沿研究3.1 性能优化3.1.1 特征工程3.1.2 超参数调优3.1.3 模型集成 3.2 前沿研究3.2.1 深度学习在医疗健康中的应用3.2.2 联邦学习与隐私保护3.2.3 强化学习在医疗决策中的应用 结语 引言
机器学习是一种通过数据训练模型并利用模型对新数据进行预测和决策的技术。其基本思想是让计算机通过样本数据自动学习规律而不是通过明确的编程指令。根据学习的类型机器学习可以分为监督学习、无监督学习和强化学习。随着医疗健康领域数据的快速积累机器学习在疾病预测、诊断和治疗中的应用越来越广泛为提升医疗服务质量和效率提供了强有力的技术支持。
本文将详细介绍机器学习在医疗健康中的应用包括数据预处理、模型选择、模型训练和性能优化。通过具体的案例分析展示机器学习技术在疾病预测中的实际应用并提供相应的代码示例。
第一章机器学习在医疗健康中的应用
1.1 数据预处理
在医疗健康应用中数据预处理是机器学习模型成功的关键步骤。医疗数据通常具有高维度、时间序列性和噪声需要进行清洗、归一化和特征工程。
1.1.1 数据清洗
数据清洗包括处理缺失值、异常值和重复数据。缺失值可以通过删除、插值或填充等方法处理异常值可以通过统计分析和域知识进行识别和处理重复数据可以通过去重操作去除。
import pandas as pd
import numpy as np# 加载数据
data pd.read_csv(medical_data.csv)# 处理缺失值
data.fillna(data.mean(), inplaceTrue)# 处理异常值
data data[(np.abs(data - data.mean()) (3 * data.std()))]# 去除重复数据
data.drop_duplicates(inplaceTrue)1.1.2 数据归一化
数据归一化可以消除不同特征之间的量纲差异常见的方法包括标准化和最小最大缩放。
from sklearn.preprocessing import StandardScaler, MinMaxScaler# 标准化
scaler StandardScaler()
data_standardized scaler.fit_transform(data)# 最小最大缩放
scaler MinMaxScaler()
data_normalized scaler.fit_transform(data)1.1.3 特征工程
特征工程包括特征选择、特征提取和特征构造。特征选择可以通过相关性分析和主成分分析PCA等方法进行特征提取可以通过技术指标计算等方法进行特征构造可以通过组合和变换现有特征生成新的特征。
from sklearn.decomposition import PCA# 特征选择
correlation_matrix data.corr()
selected_features correlation_matrix.index[abs(correlation_matrix[target]) 0.5]# 主成分分析
pca PCA(n_components5)
data_pca pca.fit_transform(data[selected_features])1.2 模型选择
在医疗健康中常用的机器学习模型包括逻辑回归、决策树、随机森林、支持向量机SVM和神经网络等。不同模型适用于不同的任务和数据特征需要根据具体应用场景进行选择。
1.2.1 逻辑回归
逻辑回归适用于二分类任务如疾病预测和患者分类。
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split# 数据分割
X data.drop(target, axis1)
y data[target]
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)# 训练逻辑回归模型
model LogisticRegression()
model.fit(X_train, y_train)# 预测与评估
y_pred model.predict(X_test)1.2.2 决策树
决策树适用于分类和回归任务能够处理非线性数据并具有良好的解释性。
from sklearn.tree import DecisionTreeClassifier# 训练决策树模型
model DecisionTreeClassifier()
model.fit(X_train, y_train)# 预测与评估
y_pred model.predict(X_test)1.2.3 随机森林
随机森林通过集成多棵决策树提高了模型的稳定性和预测精度特别适用于复杂的医疗数据。
from sklearn.ensemble import RandomForestClassifier# 训练随机森林模型
model RandomForestClassifier()
model.fit(X_train, y_train)# 预测与评估
y_pred model.predict(X_test)1.2.4 支持向量机
支持向量机适用于分类任务特别是在高维数据和小样本数据中表现优异。
from sklearn.svm import SVC# 训练支持向量机模型
model SVC()
model.fit(X_train, y_train)# 预测与评估
y_pred model.predict(X_test)1.2.5 神经网络
神经网络适用于复杂的预测和分类任务能够捕捉数据中的非线性关系。常用的神经网络包括前馈神经网络、卷积神经网络CNN和递归神经网络RNN。
from keras.models import Sequential
from keras.layers import Dense# 构建神经网络模型
model Sequential()
model.add(Dense(units64, activationrelu, input_dimX_train.shape[1]))
model.add(Dense(units32, activationrelu))
model.add(Dense(units1, activationsigmoid))# 编译模型
model.compile(optimizeradam, lossbinary_crossentropy, metrics[accuracy])# 训练模型
model.fit(X_train, y_train, epochs10, batch_size32, validation_split0.2)1.3 模型训练
模型训练是机器学习的核心步骤通过优化算法最小化损失函数调整模型参数使模型在训练数据上表现良好。常见的优化算法包括梯度下降、随机梯度下降和Adam优化器等。
1.3.1 梯度下降
梯度下降通过计算损失函数对模型参数的导数逐步调整参数使损失函数最小化。
import numpy as np# 定义损失函数
def loss_function(y_true, y_pred):return np.mean((y_true - y_pred) ** 2)# 梯度下降优化
def gradient_descent(X, y, learning_rate0.01, epochs1000):m, n X.shapetheta np.zeros(n)for epoch in range(epochs):gradient (1/m) * X.T.dot(X.dot(theta) - y)theta - learning_rate * gradientreturn theta# 训练模型
theta gradient_descent(X_train, y_train)1.3.2 随机梯度下降
随机梯度下降在每次迭代中使用一个样本进行参数更新具有较快的收敛速度和更好的泛化能力。
def stochastic_gradient_descent(X, y, learning_rate0.01, epochs1000):m, n X.shapetheta np.zeros(n)for epoch in range(epochs):for i in range(m):gradient X[i].dot(theta) - y[i]theta - learning_rate * gradient * X[i]return theta# 训练模型
theta stochastic_gradient_descent(X_train, y_train)1.3.3 Adam优化器
Adam优化器结合了动量和自适应学习率的优点能够快速有效地优化模型参数。
from keras.optimizers import Adam# 编译模型
model.compile(optimizerAdam(learning_rate0.001), lossbinary_crossentropy, metrics[accuracy])# 训练模型
model.fit(X_train, y_train, epochs10, batch_size32, validation_split0.2)1.4 模型评估与性能优化
模型评估是衡量模型在测试数据上的表现通过计算模型的准确率、召回率、F1-score等指标评估模型的性能。性能优化包括调整超参数、增加数据量和模型集成等方法。
1.4.1 模型评估指标
常见的模型评估指标包括准确率Accuracy、精确率Precision、召回率Recall和F1-score等。
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score# 计算评估指标
accuracy accuracy_score(y_test, y_pred)
precision precision_score(y_test, y_pred)
recall recall_score(y_test, y_pred)
f1 f1_score(y_test, y_pred)print(fAccuracy: {accuracy})
print(fPrecision: {precision})
print(fRecall: {recall})
print(fF1-score: {f1})1.4.2 超参数调优
通过网格搜索Grid Search
和随机搜索Random Search等方法对模型的超参数进行调优找到最优的参数组合。
from sklearn.model_selection import GridSearchCV# 定义超参数网格
param_grid {max_depth: [3, 5, 7, 10],min_samples_split: [2, 5, 10],min_samples_leaf: [1, 2, 4]
}# 网格搜索
grid_search GridSearchCV(estimatorDecisionTreeClassifier(), param_gridparam_grid, cv5, scoringaccuracy)
grid_search.fit(X_train, y_train)# 输出最优参数
best_params grid_search.best_params_
print(fBest parameters: {best_params})# 使用最优参数训练模型
model DecisionTreeClassifier(**best_params)
model.fit(X_train, y_train)# 预测与评估
y_pred model.predict(X_test)1.4.3 增加数据量
通过数据增强和采样技术增加训练数据量提高模型的泛化能力和预测性能。
from imblearn.over_sampling import SMOTE# 数据增强
smote SMOTE(random_state42)
X_resampled, y_resampled smote.fit_resample(X_train, y_train)# 训练模型
model.fit(X_resampled, y_resampled)# 预测与评估
y_pred model.predict(X_test)1.4.4 模型集成
通过模型集成的方法将多个模型的预测结果进行组合提高模型的稳定性和预测精度。常见的模型集成方法包括Bagging、Boosting和Stacking等。
from sklearn.ensemble import VotingClassifier# 构建模型集成
ensemble_model VotingClassifier(estimators[(lr, LogisticRegression()),(dt, DecisionTreeClassifier()),(rf, RandomForestClassifier())
], votingsoft)# 训练集成模型
ensemble_model.fit(X_train, y_train)# 预测与评估
y_pred ensemble_model.predict(X_test)第二章疾病预测的具体案例分析
2.1 糖尿病预测
糖尿病是一种常见的慢性疾病通过早期预测可以有效预防和控制糖尿病的发展。以下是使用机器学习技术进行糖尿病预测的具体案例分析。
2.1.1 数据预处理
首先对糖尿病数据集进行预处理包括数据清洗、归一化和特征工程。
# 加载糖尿病数据集
data pd.read_csv(diabetes.csv)# 数据清洗
data.fillna(data.mean(), inplaceTrue)
data data[(np.abs(data - data.mean()) (3 * data.std()))]
data.drop_duplicates(inplaceTrue)# 数据归一化
scaler StandardScaler()
data_normalized scaler.fit_transform(data)# 特征选择
correlation_matrix data.corr()
selected_features correlation_matrix.index[abs(correlation_matrix[Outcome]) 0.1]# 主成分分析
pca PCA(n_components5)
data_pca pca.fit_transform(data[selected_features])# 数据分割
X data_pca
y data[Outcome]
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)2.1.2 模型选择与训练
选择合适的模型进行训练这里以随机森林为例。
# 训练随机森林模型
model RandomForestClassifier()
model.fit(X_train, y_train)# 预测与评估
y_pred model.predict(X_test)2.1.3 模型评估与优化
评估模型的性能并进行超参数调优和数据增强。
# 评估模型
accuracy accuracy_score(y_test, y_pred)
precision precision_score(y_test, y_pred)
recall recall_score(y_test, y_pred)
f1 f1_score(y_test, y_pred)print(fAccuracy: {accuracy})
print(fPrecision: {precision})
print(fRecall: {recall})
print(fF1-score: {f1})# 超参数调优
param_grid {n_estimators: [50, 100, 150],max_depth: [3, 5, 7, 10],min_samples_split: [2, 5, 10]
}
grid_search GridSearchCV(estimatorRandomForestClassifier(), param_gridparam_grid, cv5, scoringaccuracy)
grid_search.fit(X_train, y_train)
best_params grid_search.best_params_
print(fBest parameters: {best_params})# 使用最优参数训练模型
model RandomForestClassifier(**best_params)
model.fit(X_train, y_train)# 数据增强
smote SMOTE(random_state42)
X_resampled, y_resampled smote.fit_resample(X_train, y_train)
model.fit(X_resampled, y_resampled)# 预测与评估
y_pred model.predict(X_test)
accuracy accuracy_score(y_test, y_pred)
precision precision_score(y_test, y_pred)
recall recall_score(y_test, y_pred)
f1 f1_score(y_test, y_pred)print(fOptimized Accuracy: {accuracy})
print(fOptimized Precision: {precision})
print(fOptimized Recall: {recall})
print(fOptimized F1-score: {f1})2.2 心脏病预测
心脏病是威胁人类健康的主要疾病之一通过机器学习技术可以实现对心脏病的早期预测和风险评估。以下是心脏病预测的具体案例分析。
2.2.1 数据预处理
# 加载心脏病数据集
data pd.read_csv(heart_disease.csv)# 数据清洗
data.fillna(data.mean(), inplaceTrue)
data data[(np.abs(data - data.mean()) (3 * data.std()))]
data.drop_duplicates(inplaceTrue)# 数据归一化
scaler StandardScaler()
data_normalized scaler.fit_transform(data)# 特征选择
correlation_matrix data.corr()
selected_features correlation_matrix.index[abs(correlation_matrix[target]) 0.1]# 主成分分析
pca PCA(n_components5)
data_pca pca.fit_transform(data[selected_features])# 数据分割
X data_pca
y data[target]
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)2.2.2 模型选择与训练
选择合适的模型进行训练这里以支持向量机为例。
# 训练支持向量机模型
model SVC()
model.fit(X_train, y_train)# 预测与评估
y_pred model.predict(X_test)2.2.3 模型评估与优化
评估模型的性能并进行超参数调优和数据增强。
# 评估模型
accuracy accuracy_score(y_test, y_pred)
precision precision_score(y_test, y_pred)
recall recall_score(y_test, y_pred)
f1 f1_score(y_test, y_pred)print(fAccuracy: {accuracy})
print(fPrecision: {precision})
print(fRecall: {recall})
print(fF1-score: {f1})# 超参数调优
param_grid {C: [0.1, 1, 10],gamma: [0.001, 0.01, 0.1],kernel: [linear, rbf]
}
grid_search GridSearchCV(estimatorSVC(), param_gridparam_grid, cv5, scoringaccuracy)
grid_search.fit(X_train, y_train)
best_params grid_search.best_params_
print(fBest parameters: {best_params})# 使用最优参数训练模型
model SVC(**best_params)
model.fit(X_train, y_train)# 数据增强
smote SMOTE(random_state42)
X_resampled, y_resampled smote.fit_resample(X_train, y_train)
model.fit(X_resampled, y_resampled)# 预测与评估
y_pred model.predict(X_test)
accuracy accuracy_score(y_test, y_pred)
precision precision_score(y_test, y_pred)
recall recall_score(y_test, y_pred)
f1 f1_score(y_test, y_pred)print(fOptimized Accuracy: {accuracy})
print(fOptimized Precision: {precision})
print(fOptimized Recall: {recall})
print(fOptimized F1-score: {f1})2.3 肺癌预测
肺癌是全球范围内发病率和死亡率较高的癌症之一通过机器学习技术可以实现对肺癌的早期预测和精准诊断。以下是肺癌预测的具体案例分析。
2.3.1 数据预处理
# 加载肺癌数据集
data pd.read_csv(lung_cancer.csv)# 数据清洗
data.fillna(data.mean(), inplaceTrue)
data data[(np.abs(data - data.mean()) (3 * data.std()))]
data.drop_duplicates(inplaceTrue)# 数据归一化
scaler StandardScaler()
data_normalized scaler.fit_transform(data)# 特征选择
correlation_matrix data.corr()
selected_features correlation_matrix.index[abs(correlation_matrix[diagnosis]) 0.1]# 主成分分析
pca PCA(n_components5)
data_pca pca.fit_transform(data[selected_features])# 数据分割
X data_pca
y data[diagnosis]
X_train, X_test, y_train, y_test train_test_split(X, y, test_size0.2, random_state42)2.3.2 模型选择与训练
选择合适的模型进行训练这里以神经网络为例。
# 构建神经网络模型
model Sequential()
model.add(Dense(units64, activationrelu, input_dimX_train.shape[1]))
model.add(Dense(units32, activationrelu))
model.add(Dense(units1, activationsigmoid))# 编译模型
model.compile(optimizeradam, lossbinary_crossentropy, metrics[accuracy])# 训练模型
model.fit(X_train, y_train, epochs10, batch_size32, validation_split0.2)2.3.3 模型评估与优化
评估模型的性能并进行超参数调优和数据增强。
# 评估模型
loss, accuracy model.evaluate(X_test, y_test)
print(fAccuracy: {accuracy})# 超参数调优
from keras.optimizers import Adam
model.compile(optimizerAdam(learning_rate0.001), lossbinary_crossentropy, metrics[accuracy])# 数据增强
from imblearn.over_sampling import SMOTE
smote SMOTE(random_state42)
X_resampled, y_resampled smote.fit_resample(X_train, y_train)
model.fit(X_resampled, y_resampled, epochs10, batch_size32, validation_split0.2)# 预测与评估
loss, accuracy model.evaluate(X_test, y_test)
print(fOptimized Accuracy: {accuracy})第三章性能优化与前沿研究
3.1 性能优化
3.1.1 特征工程
通过特征选择、特征提取和特征构造优化模型的输入提高模型的性能。
from sklearn.feature_selection import SelectKBest, f_classif# 特征选择
selector SelectKBest(score_funcf_classif, k10)
X_selected selector.fit_transform(X, y)3.1.2 超参数调优
通过网格搜索和随机搜索找到模型的最优超参数组合。
from sklearn.model_selection import RandomizedSearchCV# 随机搜索
param_dist {n_estimators: [50, 100, 150],max_depth: [3, 5, 7, 10],min_samples_split: [2, 5, 10]
}
random_search RandomizedSearchCV(estimatorRandomForestClassifier(), param_distributionsparam_dist, n_iter10, cv5, scoringaccuracy)
random_search.fit(X_train, y_train)
best_params random_search.best_params_
print(fBest parameters: {best_params})# 使用最优参数训练模型
model RandomForestClassifier(**best_params)
model.fit(X_train, y_train)# 预测与评估
y_pred model.predict(X_test)3.1.3 模型集成
通过模型集成提高模型的稳定性和预测精度。
from sklearn.ensemble import StackingClassifier# 构建模型集成
stacking_model StackingClassifier(estimators[(lr, LogisticRegression()),(dt, DecisionTreeClassifier()),(rf, RandomForestClassifier())
], final_estimatorLogisticRegression())# 训练集成模型
stacking_model.fit(X_train, y_train)# 预测与评估
y_pred stacking_model.predict(X_test)3.2 前沿研究
3.2.1 深度学习在医疗健康中的应用
深度学习在医疗健康中的应用包括医学图像分析、基因数据分析和个性化治疗等。
3.2.2 联邦学习与隐私保护
联邦学习通过在不交换数据的情况下进行联合建模保护数据隐私提高模型的安全性和公平性。
3.2.3 强化学习在医疗决策中的应用
强化学习通过与环境的交互不断优化决策策略在医疗决策和治疗方案优化中具有广泛的应用前景。
结语
机器学习作为医疗健康领域的重要技术已经在多个应用场景中取得了显著的成果。通过对数据的深入挖掘和模型的不断优化机器学习技术将在疾病预测、诊断和治疗中发挥更大的作用推动医疗健康事业的发展。 文章转载自： http://www.morning.zpzys.cn.gov.cn.zpzys.cn http://www.morning.mbaiwan.com.gov.cn.mbaiwan.com http://www.morning.dkqyg.cn.gov.cn.dkqyg.cn http://www.morning.xzjsb.cn.gov.cn.xzjsb.cn http://www.morning.krbjb.cn.gov.cn.krbjb.cn http://www.morning.hdlhh.cn.gov.cn.hdlhh.cn http://www.morning.cpnlq.cn.gov.cn.cpnlq.cn http://www.morning.zmpqh.cn.gov.cn.zmpqh.cn http://www.morning.gcdzp.cn.gov.cn.gcdzp.cn http://www.morning.mknxd.cn.gov.cn.mknxd.cn http://www.morning.bphqd.cn.gov.cn.bphqd.cn http://www.morning.bnlkc.cn.gov.cn.bnlkc.cn http://www.morning.xjqrn.cn.gov.cn.xjqrn.cn http://www.morning.rdkqt.cn.gov.cn.rdkqt.cn http://www.morning.wrtw.cn.gov.cn.wrtw.cn http://www.morning.xdmsq.cn.gov.cn.xdmsq.cn http://www.morning.zmlbq.cn.gov.cn.zmlbq.cn http://www.morning.trsmb.cn.gov.cn.trsmb.cn http://www.morning.cnyqj.cn.gov.cn.cnyqj.cn http://www.morning.mlnzx.cn.gov.cn.mlnzx.cn http://www.morning.jsdntd.com.gov.cn.jsdntd.com http://www.morning.ylljn.cn.gov.cn.ylljn.cn http://www.morning.kjcfz.cn.gov.cn.kjcfz.cn http://www.morning.jtsdk.cn.gov.cn.jtsdk.cn http://www.morning.gywfp.cn.gov.cn.gywfp.cn http://www.morning.ryyjw.cn.gov.cn.ryyjw.cn http://www.morning.hlkxb.cn.gov.cn.hlkxb.cn http://www.morning.zypnt.cn.gov.cn.zypnt.cn http://www.morning.nkpls.cn.gov.cn.nkpls.cn http://www.morning.jqbmj.cn.gov.cn.jqbmj.cn http://www.morning.psxcr.cn.gov.cn.psxcr.cn http://www.morning.dfbeer.com.gov.cn.dfbeer.com http://www.morning.ffbp.cn.gov.cn.ffbp.cn http://www.morning.bkppb.cn.gov.cn.bkppb.cn http://www.morning.nlqgb.cn.gov.cn.nlqgb.cn http://www.morning.lhhkp.cn.gov.cn.lhhkp.cn http://www.morning.yjmns.cn.gov.cn.yjmns.cn http://www.morning.jcwt.cn.gov.cn.jcwt.cn http://www.morning.hdqqr.cn.gov.cn.hdqqr.cn http://www.morning.qrlsy.cn.gov.cn.qrlsy.cn http://www.morning.dfkmz.cn.gov.cn.dfkmz.cn http://www.morning.fmqng.cn.gov.cn.fmqng.cn http://www.morning.xnyfn.cn.gov.cn.xnyfn.cn http://www.morning.tgcw.cn.gov.cn.tgcw.cn http://www.morning.spfh.cn.gov.cn.spfh.cn http://www.morning.brkc.cn.gov.cn.brkc.cn http://www.morning.qhfdl.cn.gov.cn.qhfdl.cn http://www.morning.dwtdn.cn.gov.cn.dwtdn.cn http://www.morning.rbylq.cn.gov.cn.rbylq.cn http://www.morning.shnqh.cn.gov.cn.shnqh.cn http://www.morning.jyzqn.cn.gov.cn.jyzqn.cn http://www.morning.nckjk.cn.gov.cn.nckjk.cn http://www.morning.xfxnq.cn.gov.cn.xfxnq.cn http://www.morning.tntgc.cn.gov.cn.tntgc.cn http://www.morning.hjjhjhj.com.gov.cn.hjjhjhj.com http://www.morning.nckzt.cn.gov.cn.nckzt.cn http://www.morning.krswn.cn.gov.cn.krswn.cn http://www.morning.dmzmy.cn.gov.cn.dmzmy.cn http://www.morning.rpzqk.cn.gov.cn.rpzqk.cn http://www.morning.oioini.com.gov.cn.oioini.com http://www.morning.rbjth.cn.gov.cn.rbjth.cn http://www.morning.jtsdk.cn.gov.cn.jtsdk.cn http://www.morning.phnbd.cn.gov.cn.phnbd.cn http://www.morning.jkcpl.cn.gov.cn.jkcpl.cn http://www.morning.gpnwq.cn.gov.cn.gpnwq.cn http://www.morning.qqhersx.com.gov.cn.qqhersx.com http://www.morning.ykmg.cn.gov.cn.ykmg.cn http://www.morning.qcwrm.cn.gov.cn.qcwrm.cn http://www.morning.qpmwb.cn.gov.cn.qpmwb.cn http://www.morning.kghhl.cn.gov.cn.kghhl.cn http://www.morning.nlzpj.cn.gov.cn.nlzpj.cn http://www.morning.rfwrn.cn.gov.cn.rfwrn.cn http://www.morning.shuangxizhongxin.cn.gov.cn.shuangxizhongxin.cn http://www.morning.qyrnp.cn.gov.cn.qyrnp.cn http://www.morning.bqyb.cn.gov.cn.bqyb.cn http://www.morning.xywfz.cn.gov.cn.xywfz.cn http://www.morning.srgnd.cn.gov.cn.srgnd.cn http://www.morning.china-cj.com.gov.cn.china-cj.com http://www.morning.jksgy.cn.gov.cn.jksgy.cn http://www.morning.bxqry.cn.gov.cn.bxqry.cn
