【论文】肾炎诊断问题.docVIP

肾炎诊断问题 摘要 本文将肾炎诊断归结为数理统计问题，在问题研究的过程中，建立了神经网络模型和判别分析模型，利用神经网络训练得到仿真模型,利用回归法得到判别模型,神经网络模型判别分析模型1是确诊病例的化验结果，其中1－30号病例是已经确诊为肾炎病人的化验结果；31－60号病例是已经确定为非肾炎病人的结果。表2是就诊人员的化验结果。我们的问题是： 1.?根据表1中的数据，提出一种或多种简便的判别方法，判别属于肾炎病人或非肾炎病人的方法，并检验你提出方法的正确性； 2.?按照1提出的方法，判断表2中的30名就诊人员的化验结果进行判别，判定他（她）们是肾炎病人还是非肾炎病人； 3.?能否根据表表1的数据特征，确定哪些指标是影响人们患肾炎的关键或主要因素，以便减少化验的指标； 4.?根据3的结果，重复2的工作； 5.?对2和4的结果作进一步的分析。 2．模型的假设与符号说明 2.1模型的假设 1.通过表中的七个指标的含量可以判定是否患有肾炎。 2.患病者和不患病者的各个指标的期望、标准差、相关系数等由数据给出的样本的统计量是一致的。 3.各指标服从正态分布。 4.各种元素的含量对肾炎的影响是独立的，不考虑功能的交互作用的影响。 5,所给的样本数据无误差。 6.忽略就诊人员其他疾病因素及身体素质的差异对检测结果的影响。 2.2符号说明 i：病例号，从1到90. j：各指标的编号，从1到7表示Zn，Cu，Fe，Ga，Mg，K，Na。 p：矩阵表示各病例对应的各指标的数值，即是模型给出的原始数据。 ：病号i的对应的第j个指标的数值。 0：代表不患肾炎。 1：代表患肾炎。这两个表示在bp神经网络中应用到。 u：特征向量。 y: 判别函数。 c: 判别阈值。 m：总体分成患肾炎和不患肾炎两类，故m=1是患肾炎，m=2是不患肾炎 (在费歇尔算法中用到求样本均值向量) 。 ：为表中前三十个患有肾炎的病例，=30。 ：为表中后三十个非肾炎的病例，=30. ：为各元素的指标总数，=7。 3．问题的分析 3.1对问题一的分析 对于问题一要根据表1中的数据进行分析，提出一种或多种简便的判别方法，来辨别就诊的人员属于肾炎病人或非肾炎病人。表1中的七项指标是辨别就诊人员是否得肾炎的依据，由于已经确诊，我们要根据这7个指标的数据分析出患病者和不患病者的区别，经过分析我们提出两种判别方法：BP神经网络模型，费歇尔判别法。利用神经网络训练得到仿真模型,利用回归法得到判别模型,并采用回代和比较f值的方法检验模型，确保了模型的正确性。同时引入逐项回归模型，以确定肾炎主要影响因素。最后，我们把用七项检查指标判断结果与简化为主要因素之后的结果进行比较，并提出了改进方案及均值向量 (m=1,2)。 =（j=1，2……7） =（，，，，，，） 3：计算出特征向量u。 4：写出判别函数。 5：求出阈值c 6：回代表2中三十名就诊人员的各项指标，算出其y值，与阈值c进行比较，若大于c，则认为是不患病，反之则患病。 4.1.2算法结果 1.我们用excel按照上述步骤算出的各样本均值为 =108.7167 128.6667 =8.692 16.10067 =15.841 51.165 =499.1333 1755.133 =88.12 211.77 150.7167 66.86667 410.1667 280.8 2.判别函数的结果是： 3.求出的阈值为 4回代表二中就诊人员的化验结果到判别函数中，得出的结果与阈值c比较大小。 若y大于阈值c，则诊断该就诊人员不患肾炎。 若y小于阈值c，则诊断该就诊人员患肾炎。 通过计算，我们得出的结果是-343627.8007，-635529.2453，-1603930.589，-522719.3121，-666078.3095，-977922.6493，-572747.6612，-1119238.94，-370756.4242，-2440344.48，-1262751.404，-327312.5583，-300401.4492，-2759320.726，-2016157.82，-819831.2287，-1914689.869，-1907320.954，-1336855.302，-2875764.16，-3751335.872，-2605810.646，-1172996.076，-2048054.783，-1248043.87，-3188168.185，-1454036.403，-2717450.343，-4860462.461，-2264394.102. 与阈值比较后，则诊断结果是： 0，0，1，0，0，0，0