人工神经网络在传染病研究中的应用.pdfVIP

中国寄生虫学与寄生虫病杂志2011年2月第29卷第 1期 ChinJParasitolParasitDisFeb．2011，Vo1．29，No．1 ·51 · 间过长．出现 “过拟合”倾向。不同的人工神经网络优 工神经网络比传统的线性模型更适合于处理非线性问 先考虑设置的隐含层数是不一样 的．如多层感知器一 题 ．但是其 “黑箱过程 ”导致模型的解释性不够 ．因 般先考虑 1个隐含层 ．BP人工神经网络 (Back—Propa— 此 ．如何解释模型是人工神经网络应用的一个关键问 gationnetwork)即反 向传播神经网络先考虑 3个隐含 题 。作者通过分析输入信号与隐含层的权重值、定义 层 隐含层节点数过少，网络从样本中获取的信息能 每一个隐含层对输出信号的贡献对模型进行了合理解 力就差 ．不足概括和体现训练集 中的样本规律 ，过多 释 应用人工神经网络进行相关因素的研究较多，如 则会导致 “过拟合”现象 目前对于隐含层节点数的确 Douali等 应用人工神经网络对 HEPT类化合物抗艾 定没有一个科学和普遍的方法 ．通常可在综合考虑网 滋病活性定量构效非线性关系的研究．得到了满意的 络结构复杂程度和误差大小 的情况下用节点删除法和 结果 ：Xie等[7]应用人工神经网络的特征研究了SARS 扩张法来确定 与典型患者的损失部位是否存在差异 ．Tim等 [83应用 1．4 训练和测试 在训练过程中要反复使用样本数 人工神经网络进行 HIV危险因素的探讨 ：曲波等[]构 据 ．通常每一次训练最好不要按固定 的顺序取数据。 建 BP人工神经网络模型研究干旱地 区伤寒副伤寒与 网络训练通常需要成千上万次的重复 。这个过程是一 气象因素间的关系 个复杂而又繁琐的过程 网络的训练和测试是交替进 2．2 预测预报 传染病进行预测 的方法主要有多元 行．每训练和测试一次都要分别记录各 自的均方误 线性 回归[10,111、时间序列分析[12-14]、微分方程_152、马尔 差 ．然后利用训练和测试的均方误差做出两条均方误 柯夫链[16,173、灰色预测模型[1819l、传播动力学模型[2O-23] 差随训练次数变化的曲线。从误差曲线可以直观的看 和人工神经网络[一 ]等 传染病的发病过程是一个受 出，在某个训练次数 t之前 ，随着训练次数的增加 ， 多因素影响的复杂过程 ．利用传统的统计方法预测传 两条误差 曲线同时下降：当超过时，曲线开始上升 ， 染病的发生过程往往存在很大的局限性 流行病学数 此时的 则为最佳训练次数。 学模型预测效果虽好 ．但需要深厚的数学知识 ．这对 于流行病学人员来说较难掌握 而人工神经网络具有 2 人工神经网络在传染病研究中的应用 综合能力强。对数据的要求不高，操作简便、节省时 2．1 相关因素的探 索 传染病流行病学主要研究传 间，易于掌握和应用等优点 ，无论变量是何种类型， 染病在人群 中发生 、流行过程及影响流行过程 的因 是否满足正态性、独立性和方差齐性等条件均可用于 素，并制定、控制和消灭传染病的对策与措施。研究 人工神经网络建模 (表 1)。 传染病影响因素的流行病学方法之一就是建立模型． 黄德生等[]收集了 1979—2000年伤寒副伤寒发病 传统的病因探索模型有其局限性．当变量间存在非线 率及相关的气象指标建立伤寒副伤寒发病率预测模 性或变量间关系未知时．很难拟合出良好的判断结 型．根据拟合数据所用时间的不同．分别建立了前瞻 果。人工神经网络 内部的物理机制是非线性的，而且 性模型、回顾性模型和随机性模型 。同时还对 3种模 可以不受限制地 自动去学习识别变