BP神经网络在疾病预测中的应用论文.docVIP

　　BP神经网络在疾病预测中的应用论文 【摘要】 目的： 探讨BP神经网络在疾病预测中的应用。方法：设计合适的BP神经网络模型，用Matlab7.0编写模型程序，利用精神分裂症影响因素拟合模型。结果：BP神经网络在精神分裂症发病与否的预测中取得了较好的效果。结论：BP神经网络在流行病学中有良好的应用前景。 【关键词】 BP神经网络； 疾病预测； BP算法； 精神分裂症 BP神经网络是人工神经网络的一种，它通过模仿生物大脑神经系统信息处理功能实现输入与输出之间的任意非线性优化映射，有着传统统计方法无法比拟的适应性、容错性及自组织性等优点，特别是用传统统计方法效果不好或不能达到目的时，采用BP神经网络往往能收到较好的效果，它在疾病预测中有着广阔的应用前景。 1 BP神经网络基本结构及BP算法基本原理 BP神经网络的基本处理单元是神经元（即节点）.freeloid 可微函数），见式（1）。 f(x)=(1+e-Qx)-1（1） 式中Q 为调节激励函数形式的参数，称增益值。Q 值越大，S 形曲线越陡峭;反之，曲线越平坦，通常取Q =1。 BP算法(Back Propagation) 是为了解决多层前向神经网络的权值调整而提出来的，也称为反向传播算法，即网络权值的调整规则是向后传播学习算法，具体来说，BP算法是建立在梯度下降法的基础上的，训练过程由正向传播和反向 传播组成，在正向传播过程中，输入信息由输入层经隐含层逐层处理，并传向输出层，如果输出层得不到期望的输出，则转入反向传播，逐层递归的计算实际输入与期望输入的差即误差，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，最终使得误差信号最小。 2 BP网络的建模过程及模型设计要点 在流行病学中，可以应用BP网络建立疾病的预测模型，建模的基本过程如下：首先收集导致疾病发生的主要影响因素及疾病发生的结果；然后把影响因素及疾病结果输入到设计好神经网络模型中进行反复训练，直到网络收敛（即达到预期的训练误差），在训练过程中可适当采用一定的技巧使网络的训练速度最快、误差最小、模型最优；最后用建立好的模型进行疾病预测。下面具体探讨网络模型的设计要点。 2.1 确定训练样本 训练样本应来源于研究总体的一个随机无偏样本，并且按随机、对照、重复及盲法等原则收集资料、整理资料、分析资料，保证训练结果的无偏性。训练样本含量适宜，含量过大会造成训练速度偏慢，训练结果过分逼近训练集（或者说是该研究的外部真实性较差），使得网络的推广泛化能力降低，况且，大样本的收集大大增加了工作量；样本过小其代表性不够，使训练结果不够可靠（或者说是该研究的内部真实性较差）。一般来说，网络的结构越复杂，所需样本越多，结构越简单，所需样本可相应减少。对于单层BP网络可参照Logistic回归对样本含量的一般要求，当样本含量与连接权的个数比为10：1时［1］，就基本能够满足要求，多层BP网络的样本量应在此基础上根据网络的复杂程度适当增加。 2.2 变量值的归一化处理 归一化处理的目的是把变量值归一到区间［-1,1］内，此原因大致有两个：一是因为BP网络中非线性传递函数的值域一般在区间［-1,1］内，因此输入及输出变量的取值都限于这个区间之内。二是为了使输入值（特别是那些比较大的输入值）均落在Sigmoid传递函数变化较大的区间，使网络的训练速度最快，改善网络的性能，当然如果输入及输出值原本就位于［0, 1］区间内，可不进行的归一化处理，归一化处理可采取以下两种形式： xbji=xji/ (xji,max-xji,min)(2) xbji=xji/ (xji,max)(3) 上式中xbji 为归一化后样本中第j 个样品的第i 个输入变量，xji 为原始资料第j个样品的第i 个输入变量; xji,max 与xji,min 为原始资料第j 个样品的第 i个输入变量的最大值和最小值。 2.3 BP网络的初始化 开始训练时，首先进行网络权值的初始化，这是因为如果初始权值选择不当，有可能造成训练时间过长，误差平面陷入局部极小［2］，甚至不收缩。所以网络的初始权值一般取［-1 1］之间的随机数，这样可保证每个神经元的权值都能够在 型传递函数变化梯度最大的地方进行调节。 2.4 输入层的设计 输入层仅设一层，输入神经元的个数与输入变量的个数相同。 2.5 隐含层的设计 一是隐含层的层数，对BP网络而言，一个三层BP网络就可以完成任意的n维到m维的映射，一般情况下，采用单隐层的网络就可满足要求；二是隐含层神经元的个数，隐单元数目的确定比较复杂，与资料的特点、输入输出单元的数目都有关系，往往根据设计者的经验和多次试验来确定，本文采取类似于统计学中建立最优多元回归方程中逐步向前法和向后法的方式来确定隐