数学建模之人工神经网络.pptVIP

医学定义：[delirium] 是一种以兴奋性增高为主的高级神经中枢急性活动失调状态，临床主要表现为意识模糊、定向力丧失、感觉错乱、躁动不安、语言杂乱。因急性起病、病程短暂、病情发展迅速，故又称为急性脑综合征。 检查表内包含11项： 1.急性起病；2.注意力障碍；3.思维混乱；4.意识水平的改变；5.定向障碍；6.记忆力减退；7.知觉障碍；8.精神运动性兴奋；9.精神运动性迟缓；10.精神状况波动性；11.睡眠—觉醒周期紊乱。 观察和提问进而打分： 每项分4个等级：不存在—1分，轻度存在—2分，中度存在—3分，严重存在—4分。 激活函数： 1. 线性函数 2. 阶跃函数 3. S形函数 单层前向神经网络——线性网络 阶跃网络 多层前向神经网络（反推学习规则即BP算法） Elman网络、Hopfield网络、双向联想记忆网络、自组织竞争网络等等 1.前向网络要求每一层内的神经元无相关连关系，而上一层的输出时下一层的输入； 2.若多层神经网络的每一层都采用线性激活函数（阶跃激活函数）输出，称之为多层简单线性前向网络（多层阶跃前向网络）； 3.常用的是采用S形函数为激活函数的多层神经网络； 就有指导的单层神经网络（画图）为例来说明： 输入X=(x1,x2,…xm)T，输出结果为Y=(y1,y2,…ym)T，偏置值θ=(θ1, θ2,… θm)T，wji为输入i与神经元j的权数，则第j个神经元的接受和输出值为： 若理想输出为D=(d1,d2,…dm)T，则我们的目标是让Y与D足够的接近,用一个期望误差去衡量他们的接近程度： 上面讨论的是单层情形下的过程，若网络为多层，也就是中间有隐含层的时候，输出的误差不能直接更改所有的权值矩阵的值，故提出非常有意义的反推学习规则（Back-propagation算法）： 步骤1 给定学习样本，随机确定各层的初始的权值矩阵W，给定最小二乘目标函数的偏差上界，以及迭代次数的上限； 步骤2 用逐层或成批的规则修正各层的权值矩阵直到达到偏差要求或迭代次数上限。 注示：在步骤2中涌现出许多新方法：基本的梯度下降法、势能修正法、自调整学习法、共轭梯度法、F-R共轭梯度法等等 1. 将表中1~40号数据和59~96号数据作为学习数据，41~58号数据作为检验数据，18个检验数据中有一例漏诊和一例误诊。 2. 选用较为简单的2层且隐含层有4个神经元的BP算法神经网络。 人工神经网络 0 引例——谵妄的诊断 一 神经网络概述 二 一个说明性的例子 三 几类常见的神经网络 四 前向网络及BP学习算法 五 神经网络在谵妄诊断中的应用 0 引例：谵妄的诊断 Y 23 1 4 3 1 1 3 2 2 1 3 2 20 N 15 1 2 2 1 1 1 1 1 1 2 2 19 Y 25 3 3 1 3 2 1 2 2 2 3 3 18 N 18 1 2 2 1 1 2 2 2 2 1 2 17 Y 25 3 2 1 2 3 3 3 2 2 2 2 16 Y 24 1 3 3 1 1 3 2 2 2 3 3 15 N 19 1 2 3 1 1 2 2 1 2 2 2 14 Y 26 4 3 1 3 1 2 2 1 2 3 4 13 Y 23 3 3 1 2 2 2 1 2 2 3 2 12 Y 25 3 3 1 3 2 1 3 2 2 2 3 11 Y 28 1 3 4 2 2 2 2 3 2 4 3 10 Y 30 3 3 1 3 4 2 3 2 2 3 4 9 Y 23 1 2 2 1 2 2 3 2 2 3 3 8 Y 34 4 4 1 4 3 3 4 2 2 3 4 7 Y 25 3 3 1 2 2 3 2 3 2 2 2 6 Y 26 2 3 1 3 2 3 1 2 3 3 3 5 Y 28 4 3 1 2 2 3 3 2 2 3 3 4 N 20 1 3 3 1 1 2 2 1 2 2 2 3 Y 36 4 4 1 4 2 3 3 3 4 4 4 2 Y 22 2 3 2 1 1 2 2 2 2 2 3 1 量表诊断 22分标准 睡眠 波动 迟滞 兴奋 错觉 记忆 定向 意识 思维 注意 起病 序号 1.什么是人工神经网络 由大量处理单元互联组成的非线性、自适应信息处理系统。试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。具有如下四个基本特征： （1）非线性 ：神经元处于激活或抑制状态，这种行为在数学上表现为一种非线性 。 （2）非局限性 ：由多个神经元广泛连接而成 。 （3）非常定性 ：具有自适应、自组织、自学习能力。 （4）非凸性 ：指这种函数有多个极值，故系统具有多个较稳定的平衡态， 一 神经网