資源描述：
《BP神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測(cè)中的應(yīng)用.doc》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、BP神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測(cè)中的應(yīng)用【摘要】目的：探討B(tài)P神經(jīng)網(wǎng)絡(luò)在疾病預(yù)測(cè)中的應(yīng)用。方法：設(shè)計(jì)合適的BP神經(jīng)網(wǎng)絡(luò)模型，用Matlab7.0編寫(xiě)模型程序，利用精神分裂癥影響因素?cái)M合模型。結(jié)果：BP神經(jīng)網(wǎng)絡(luò)在精神分裂癥發(fā)病與否的預(yù)測(cè)中取得了較好的效果。結(jié)論：BP神經(jīng)網(wǎng)絡(luò)在流行病學(xué)中有良好的應(yīng)用前景。【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；疾病預(yù)測(cè)；BP算法；精神分裂癥BP神經(jīng)網(wǎng)絡(luò)是人工神經(jīng)網(wǎng)絡(luò)的一種，它通過(guò)模仿生物大腦神經(jīng)系統(tǒng)信息處理功能實(shí)現(xiàn)輸入與輸出之間的任意非線性?xún)?yōu)化映射，有著傳統(tǒng)統(tǒng)計(jì)方法無(wú)法比擬的適應(yīng)性、容錯(cuò)性及自組織性等優(yōu)點(diǎn)，特別是用傳統(tǒng)統(tǒng)計(jì)方法效果不好或不能達(dá)到目的時(shí)，采用BP神經(jīng)網(wǎng)絡(luò)往往能收到較好的效
2、果，它在疾病預(yù)測(cè)中有著廣闊的應(yīng)用前景?！ ?BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)及BP算法基本原理BP神經(jīng)網(wǎng)絡(luò)的基本處理單元是神經(jīng)元（即節(jié)點(diǎn)），大量神經(jīng)元廣泛連接構(gòu)成神經(jīng)網(wǎng)絡(luò)。BP網(wǎng)絡(luò)通常含有輸入層、隱含層（中間層）和輸出層，每層均包括多個(gè)神經(jīng)元，輸入層與輸出層各有一層，隱含層根據(jù)需要可以設(shè)多層，也可不設(shè)。神經(jīng)元之間通過(guò)權(quán)相互連接，前一層神經(jīng)元只對(duì)下一層神經(jīng)元作用，同層神經(jīng)元之間無(wú)相互作用，權(quán)值的大小代表上一級(jí)神經(jīng)元對(duì)下一級(jí)神經(jīng)元的影響程度，如圖1所示。網(wǎng)絡(luò)中作用于神經(jīng)元的激勵(lì)函數(shù)通常采用的是S型函數(shù)（sigmoid可微函數(shù)），見(jiàn)式（1）。f(x)=(1+e-Qx)-1（1）式中Q為調(diào)節(jié)激勵(lì)函數(shù)形式的參數(shù)
3、，稱(chēng)增益值。Q值越大，S形曲線越陡峭;反之，曲線越平坦，通常取Q=1?！ P算法(BackPropagation)是為了解決多層前向神經(jīng)網(wǎng)絡(luò)的權(quán)值調(diào)整而提出來(lái)的，也稱(chēng)為反向傳播算法，即網(wǎng)絡(luò)權(quán)值的調(diào)整規(guī)則是向后傳播學(xué)習(xí)算法，具體來(lái)說(shuō)，BP算法是建立在梯度下降法的基礎(chǔ)上的，訓(xùn)練過(guò)程由正向傳播和反向傳播組成，在正向傳播過(guò)程中，輸入信息由輸入層經(jīng)隱含層逐層處理，并傳向輸出層，如果輸出層得不到期望的輸出，則轉(zhuǎn)入反向傳播，逐層遞歸的計(jì)算實(shí)際輸入與期望輸入的差即誤差，將誤差信號(hào)沿原來(lái)的連接通道返回，通過(guò)修改各層神經(jīng)元的權(quán)值，最終使得誤差信號(hào)最小?！ ?BP網(wǎng)絡(luò)的建模過(guò)程及模型設(shè)計(jì)要點(diǎn)5在流行病學(xué)中，可
4、以應(yīng)用BP網(wǎng)絡(luò)建立疾病的預(yù)測(cè)模型，建模的基本過(guò)程如下：首先收集導(dǎo)致疾病發(fā)生的主要影響因素及疾病發(fā)生的結(jié)果；然后把影響因素及疾病結(jié)果輸入到設(shè)計(jì)好神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行反復(fù)訓(xùn)練，直到網(wǎng)絡(luò)收斂（即達(dá)到預(yù)期的訓(xùn)練誤差），在訓(xùn)練過(guò)程中可適當(dāng)采用一定的技巧使網(wǎng)絡(luò)的訓(xùn)練速度最快、誤差最小、模型最優(yōu)；最后用建立好的模型進(jìn)行疾病預(yù)測(cè)。下面具體探討網(wǎng)絡(luò)模型的設(shè)計(jì)要點(diǎn)?！ ?.1確定訓(xùn)練樣本訓(xùn)練樣本應(yīng)來(lái)源于研究總體的一個(gè)隨機(jī)無(wú)偏樣本，并且按隨機(jī)、對(duì)照、重復(fù)及盲法等原則收集資料、整理資料、分析資料，保證訓(xùn)練結(jié)果的無(wú)偏性。訓(xùn)練樣本含量適宜，含量過(guò)大會(huì)造成訓(xùn)練速度偏慢，訓(xùn)練結(jié)果過(guò)分逼近訓(xùn)練集（或者說(shuō)是該研究的外部真實(shí)性較
5、差），使得網(wǎng)絡(luò)的推廣泛化能力降低，況且，大樣本的收集大大增加了工作量；樣本過(guò)小其代表性不夠，使訓(xùn)練結(jié)果不夠可靠（或者說(shuō)是該研究的內(nèi)部真實(shí)性較差）。一般來(lái)說(shuō)，網(wǎng)絡(luò)的結(jié)構(gòu)越復(fù)雜，所需樣本越多，結(jié)構(gòu)越簡(jiǎn)單，所需樣本可相應(yīng)減少。對(duì)于單層BP網(wǎng)絡(luò)可參照Logistic回歸對(duì)樣本含量的一般要求，當(dāng)樣本含量與連接權(quán)的個(gè)數(shù)比為10：1時(shí)［1］，就基本能夠滿(mǎn)足要求，多層BP網(wǎng)絡(luò)的樣本量應(yīng)在此基礎(chǔ)上根據(jù)網(wǎng)絡(luò)的復(fù)雜程度適當(dāng)增加?！ ?.2變量值的歸一化處理歸一化處理的目的是把變量值歸一到區(qū)間［-1,1］內(nèi)，此原因大致有兩個(gè)：一是因?yàn)锽P網(wǎng)絡(luò)中非線性傳遞函數(shù)的值域一般在區(qū)間［-1,1］內(nèi)，因此輸入及輸出變量的取值
6、都限于這個(gè)區(qū)間之內(nèi)。二是為了使輸入值（特別是那些比較大的輸入值）均落在Sigmoid傳遞函數(shù)變化較大的區(qū)間，使網(wǎng)絡(luò)的訓(xùn)練速度最快，改善網(wǎng)絡(luò)的性能，當(dāng)然如果輸入及輸出值原本就位于［0,1］區(qū)間內(nèi)，可不進(jìn)行的歸一化處理，歸一化處理可采取以下兩種形式：xbji=xji/(xji,max-xji,min)(2)xbji=xji/(xji,max)(3)上式中xbji為歸一化后樣本中第j個(gè)樣品的第i個(gè)輸入變量，xji為原始資料第j個(gè)樣品的第i個(gè)輸入變量;xji,max與xji,min為原始資料第j個(gè)樣品的第i個(gè)輸入變量的最大值和最小值?！ ?.3BP網(wǎng)絡(luò)的初始化開(kāi)始訓(xùn)練時(shí)，首先進(jìn)行網(wǎng)絡(luò)權(quán)值的初始化，
7、這是因?yàn)槿绻跏紮?quán)值選擇不當(dāng)，有可能造成訓(xùn)練時(shí)間過(guò)長(zhǎng)，誤差平面陷入局部極?。?］，甚至不收縮。所以網(wǎng)絡(luò)的初始權(quán)值一般?。?11］之間的隨機(jī)數(shù)，這樣可保證每個(gè)神經(jīng)元的權(quán)值都能夠在型傳遞函數(shù)變化梯度最大的地方進(jìn)行調(diào)節(jié)?！ ?.4輸入層的設(shè)計(jì)輸入層僅設(shè)一層，輸入神經(jīng)元的個(gè)數(shù)與輸入變量的個(gè)數(shù)相同?！ ?.5隱含層的設(shè)計(jì)一是隱含層的層數(shù)，對(duì)5BP網(wǎng)絡(luò)而言，一個(gè)三層BP網(wǎng)絡(luò)就可以完成任意的n維到m維的映射，一般情況下，采用單隱層的網(wǎng)
