人工神经网络-刘超.pptVIP

BP神经网络在糖尿病危 险因素分析中的应用 目录 神经网络的概念 神经网络(Neural Networks,NN)是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂网络系统，它反映了人脑功能的许多基本特征，是一个高度复杂的非线性动力学系统。 神经网络的研究内容 BP神经网络的应用领域 神经网络研究的意义和目的 BP神经网络生物模型结构 BP神经元的数学模型 输入： P=（p1，p2，…，pr） 联接权： W=（w1.1，w1.2，…，w1.r） 网络输入公式：a=f(WP+b) 两层的BP网络 BP神经网络的构建 BP神经网络, 通常包含一个输入层、一个或几个隐含层和一个输出层，各层中对数据的处理单位称为处理单元（或单元或神经元）。输入层单元个数由输入的变量个数决定，输出层单元个数由要求的输出变量个数决定。隐单元的个数是唯一可以选择的网络结构参量，也是一个关系到训练结果好坏的关键量。 BP神经网络的信息传递过程为由前向后、由输入层到输出层单向传递；只有前一层的神经元对其后一层神经元有作用，信息没有反馈。BPNN中，层与层之间是通过权相互连接的，层内的各神经元不发生连接，每一层中各个神经元与权重相乘后在下一层中完成累加及函数转换后输出。BPNN的训练过程是不断将计算输出的应变量向量与已知训练样本的应变量向量之差反传给网络，调整输出层与隐含层及隐含层与输入层间的联系强度（或称权重系数）大小，使网络误差达到最小的过程。 Linear(线性)/传递函数 +1 tan-sigmond传递函数 a=tansig(n) log-sigmoid传递函数 a=logsig(n) 输入及输出变量的选择 如年龄、DM家族史、身高、体重、腰围、臀围等选定指标作为输入变量，其中连续性变量在分析前均经过归一化处理（将原数据转化为0-1之间的数据）,并对样本数据进行标准化处理。这一过程标准化输入值和目标值，以使它们具有零均值和统一的标准差。 常用的归一化方法 x=[2(x-min(x))/max(x)-min(x)]-1 x=(x-x)/Sx (此为X的平均值) x=x/max(x) 隐含层节点数的选择 m=(p+q)*0.5+a 其中: m为隐层节点数， p为输入层节点数， q为输出层节点数， a为1-10之间的常数。 BP算法选择 Levenberg-Marguardt数值优化算法适用于中小型网络，并且学习速率最快，所以本文选择trainlm算法。 采用L-M算法和加动量项的BP算法获得网络权重系数。L-M算法中最大训练误差为0.01，学习率为1，最大训练步数不预先设定以使网络达到预定标准BP算法的学习率为1，动量项为0.9，其他条件不变。在训练过程中每隔10步用第一测试组检验网络性能，一旦预测性能达到预定标准，即停止训练。网络传递函数均采用Sigmoid函数。网络构建和训练利用MATLAB7.0软件完成。 L-M/BP神经网络实例 拟调查采集256位糖尿病病人的血清样本，并对餐前2h血糖、腰臀比、高低密度脂蛋白等这21种影响因素进行数据的归一和处理。分析研究从原始数据中随机抽取128例作为训练集,64例作为测试样本,64 例为验证样本，并采用等间隔的方式来抽取数据。 网络结构为21-m-1 原始数据三维流线图 TRAINLM, Epoch 9/100, MSE 0.35742, Gradient Gradient 3.10414/1e-010TRAINLM, Validation stop. TRAINLM, Epoch 12/100, MSE 0.308403, Gradient 0.951393/1e-010TRAINLM, Validation stop. 隐含层= 7 隐含层= 20 M IV 是在权值矩阵确定后,根据对所有训练样本的每一输入变量的值±10% 所得的输出值变化情况, 来确定输入神经元对输出神经元影响大小的一个指标。M IV 被认为是评价变量相关的最好指标之一, 其符号代表正相关和负相关, 绝对值的大小代表影响的相对重要性。 Add your company slogan LOGO 神经网络概述 神经网络的研究内容 神经网络的应用领域 BP神经网络模型结构 BP神经