传染病的自组织神经网络预测研究.docVIP

　　传染病的自组织神经网络预测研究 【摘要】 针对传染病发病趋势的预测需要考虑许多因素的特点，提出了用改进的自组织神经网络方法对传染病发病趋势进行预测。改进的自组织神经网络的算法用免疫克隆选择算法的克隆算子和变异算子去改进自组织神经网络算法中的邻域大小和权值调整规则，使每个神经元的权值学习率和邻域大小随神经元的亲和力发生变化，从而保证网络在很大概率上收敛到全局最优，并克服了自组织神经网络分类效果受输入次序影响的不足。最后实例分析表明了该方法的实用性和有效性。 【关键词】 传染病; 自组织神经网络; 免疫克隆算法; 预测 　　长久以来,传染病一直危害着人类的健康。历史上，传染病一次次的流行给人类生存和社会发展带来了巨大的灾难，如刚刚过去的禽流感、SARS以及正流行的甲型H1N1流感都给人类带来了重大威胁。长期以来，人类和各种流行病进行了不屈不挠的斗争，但是我们想要最终征服它，道路依然漫长曲折[1，2]。因此为了能揭示流行病的流行规律，预测其未来变化发展的趋势，已经有很多学者进行了相关的研究，其中建立数学模型研究传染病的传播过程动力学行为成为一个重要的研究方向，并且已取得了一些研究成果[3～6]。 　　传染病发病会受到许多因素的影响，而且影响因素之间又存在着错综复杂的联系，很难运用结构式的因果模型加以解释，而数据之间的这种相互依存关系恰恰是研究对象最重要和最有用的特性，而且传染病的发生往往同时具有长期趋势、季节性、周期性、短期波动和不规则变动等特点，对这类资料进行预测分析常需要同时考虑这些特点。因此，针对传染病的这些特点，本研究提出用自组织神经网络(SOM)方法对传染病进行预测。SOM根据一定的学习规则，能对输入模式自动进行分类，即在无教师示教情况下，通过对输入模式的自组织学习，在竞争层将分类结果表示出来。这种分类方法减少了人为分类造成的主观性，保证分类结果的客观性。而且自组织神经网络方法与传统的统计方法相比，自组织神经网络方法能更好地从疾病的传播机理方面来反映流行规律，使人们能了解其流行过程中的一些全局性态。但是，SOM网络在应用中存在着分类结果与样本输入次序有关和易陷入局部最优的一些不足，故本研究用免疫克隆算法的克隆和变异机制进行改进，以期提高SOM算法分类的准确性和泛化性能，更好地反映传染病流行规律。 　　1 自组织神经网络(SOM) 　　自组织神经网络是在1981年由T.Kohonen提出的，由输入层和竞争层组成。自组织神经网络是一个简单的双层网络，每个输入节点通过权重的典型结构如图1所示。 　　图1 自组织神经网络的典型结构 　　SOM网络由输入层和竞争层组成，输入层与竞争层各神经元之间完全连接。SOM神经网络结构有两个明显特点分别是：一是拓扑映射结构不是通过神经元的运动重新组织实现的，而是由各个神经元在不同兴奋状态下构成一个整体，所形成的拓扑结构;二是这种拓扑映射结构的形成具有自组织的特点。 　　若输入n 维向量x=(x1,x2,…m) ，建立一个有m 个输出节点的二维网络，SOM网络算法的训练过程一般按照以下步骤来实现： 　　Step1 初始化：对输出层各权向量赋[0,1]之间互不相同的随机数并进行归一化处理，得到算法的方法 　　从SOM训练过程看，其权值修正公式的学习算法中，以克服SOM算法的这些不足。 　　改进的SOM算法把免疫算法的抗原作为SOM算法的输入;B细胞受体作为SOM的权值;B细胞受体对抗原的识别过程作为SOM算法的学习过程。B细胞克隆的过程对应于SOM算法神经元的邻域调整过程，B细胞受体的变异对应于SOM算法权值的调整过程，亲和力最高的B细胞产生抗体相当于SOM中获胜神经元[7,8]。其具体改进方法如下： 　　① 改进的SOM网的竞争层神经元数量和邻域大小的调整 　　设网络的输入模式Xk=(Xk1,Xk2,…,XkN), k=1,2,…q ，q 为样本数：竞争层神经元为A={a1,a2,…,aM) ，M 为神经元数量。竞争层神经元 j与输入层神经元权值矩阵为* φ(aj)Mi=1φ(ai)), j=1,2,…,M 　　其中，φ(aj) 为第L个输入样本相对第 j个获胜神经元aj 的亲和力值;Nj 为 aj邻域内的神经元数量;‖‖ 为欧氏空间距离;M* 是克隆规模，且M*gt;M ，M*=MjNj; Int(*) 为取整符号。 　　由Nj 的表达式可知，φ(aj) 越大，其克隆的规模也就越大，获胜神经元邻域的神经元数量越多，即可修改的神经元范围扩大了，也就是说，邻域函数的范围大小是与亲和力的值成比例的，克服了传统邻域函数随样本输入线性减小的问题，避免后续样本对修改权值的影响程度。 　　② 改进的SOM网络的权值学习规则与获胜神经元的选择 　　竞争层神经元邻域克隆调整后，竞争层神经元变为：A′=(