基于人工神经网络的中医证候非线性建模研究_临床医学论文.docVIP

基于人工神经网络的中医证候非线性建模研究_临床医学论文 基于人工神经网络的中医证候非线性建模研究_临床医学论文 作者：白云静,申洪波,孟庆刚,王永炎 【关键词】 人工神经网络；中医证候；非线性建模 建模就是建立一个数学模型,使之能最好地拟合通过系统的输入输出数据体现出的实际系统的动态或静态特性。证候学研究的目的就是通过对四诊信息的综合分析,找出证候的特征,做出证型的分类诊断。因此,可以通过数理分析方法总结证型与指标之间的规律,建立证候诊断数学模型。常用的证候建模方法分为线性建模法和非线性建模法两种。 　　1 线性证候建模方法及其存在的问题 　　目前,常用的线性证候建模方法有多元线性回归分析、因子分析、判别分析等多元统计方法。多元线性回归分析可以根据各指标的常数项和偏回归系数建立证候的多元线性回归方程；因子分析可以通过将公因子表示为指标的线性组合,从指标的观测值估计各个公因子的值,从而建立证候的因子得分模型；判别分析可以对证候诊断明确的一组资料建立证候的判别函数。上述3种方法均可以建立证候的线性模型,并可实现对证候的诊断和预测。 　　多元统计方法很多都是对复杂问题的线性简化。如判别分析和回归分析都是不加区别地、均衡地看待每个症状变量对线性关系的影响,同时还基于各变量的作用与其他变量的值无关,且各变量的作用可以叠加这一不甚合理的假定而建立的症状和证候关系的一种简单的线性描述[1]；因子分析也是建立每一个公因子(证候)和变量之间的线性函数。然而,中医证候系统具有非线性复杂性特征,且症状之间存在大量的多重共线性关系和协同关系,线性建模方法虽然有利于对复杂问题的数学描述,但却很难准确地模拟症状和证候之间的复杂关系,更难以逼近中医证候的真实面貌。 　　2 非线性证候建模方法 　　非线性建模法又称黑箱建模法,即在不了解黑箱内部机理和结构的情况下,通过提取隐含在系统的输入输出数据中的特性,建立一个能充分逼近系统实际结构的等价模型。目前,人工神经网络技术具有强大的非线性映射能力,能够任意精度逼近非线性函数,成为非线性系统辨识的主要建模方法。 　　中医证候的诊断过程,实质上是由收集到的各种症状,通过分析获得证型诊断的过程,可以把这个过程看作是一个非线性映射过程,因此,我们将改进的BP神经网络用于中医证候的非线性建模研究,探讨了基于人工神经网络模型的非线性证候建模方法。 　　3 基于人工神经网络的证候非线性建模方法 　　3.1 人工神经网络简介 　　人工神经网络(artificial neural network,ANN)是在对人脑神经网络结构认识理解的基础上,人工构造的新型信息处理系统。ANN具有大规模的并行处理方式、良好的鲁棒容错性、独特的信息存储方式以及强大的自学习、自组织和自适应能力,这使得它在模式识别、控制优化、信息处理、故障诊断以及预测等方面应用广泛,其理论与技术方法在工程、医疗卫生、农业、交通、财经、军事、环境、气象等领域显示出巨大的吸引力,并具有广阔的应用前景[2]。 　　ANN的一个显著特征是它通过自动学习来解决问题,对样本的学习过程,即为对网络中的神经元间的联系强度(即权重系数)逐步确定的过程,通过对样本的学习,可以学会识别自变量与应变量间的复杂的非线性关系。经过充分学习后的ANN获取了样本的特征规则,并将这些规则以数字的形式分布存贮在网络的连接权中,从而构成了系统的非线性映射模型。这样的ANN模型不仅能够对其学习过的样本准确识别,而且对未经学习的样本也可以准确识别,它甚至可以充分逼近任意复杂的非线性映射关系。可见,ANN不需要精确的数学模型,而是通过模拟人的联想推理和抽象思维能力,来解决传统自动化技术无法解决的许多复杂的、不确定性的、非线性的自动化问题。 　　BP神经网络[3]是指基于误差反向传播算法(back propagation,简称BP算法)的多层前向神经网络。BP网络的神经元通常采用Sigmoid型可微函数,可以实现输入到输出间的任意非线性映射,这使得它在函数逼近、模式识别、数据压缩等领域有着广泛的应用,也使得它能够应用于中医证候的非线性建模。 　　3.2 非线性建模方法 　　证候具有典型的非线性特征,证候的诊断过程可以看作是一个从诊断指标到证候的非线性映射过程,这个过程用非线性数学模型可以充分模拟,而ANN是典型的非线性数学模型,其中的BP网络更具有强大的非线性拟合能力。因此,我们选择ANN中最常用的BP神经网络技术,并进行适当的改进后,建立中医证候的非线性模型,然后对建立的证候模型的诊断性能进行测试。具体步骤如下。 3.2.1 数据预处理 　　在建模之前,首先对试验数据进行预处理。包括对输入数据的归一化处理和对数据的主成分分析以及资料的分组处理等。 　　先对所有数据进行归一化处理,使变换后的输入输出信息在(