BP神经网络学术报告 By-CC.pptVIP

吴君等采用BP神经网络预测胎儿的体重，在实验中以胎儿的双顶径、小脑横径、腹围、肝脏长度、股骨长度、股骨皮下脂肪厚度和孕龄作为BP神经网络的输入参数，网络由输入层、隐含层和输出层三部分组成。分别对109例临床资料进行预测，训练组和验证组的预测符合率均大于75%,表明人工神经网络预测胎儿体重的方法十分有效，准确性高于回归方程。 Walter E. Pofahl等将BP神经网络用于急性胰腺炎病人住院天数的预测。结果显示BP神经网络对于住院天数大于7天的急性胰腺炎患者预测敏感度达75%，故认为BP神经网络可用于住院天数的预测。 应 用 实 例 * BP神经网络及其在医学中的应用 主 讲 人：CC 2011.3.28 对于模式识别、判别和预测等问题以往是采用传统统计学方法如判别分析，回归分析等解决，但这些方法都有一定的应用条件(如数据需要满足正态分布、独立性等)，而且要先对变量间关系提出假设，再验证或推翻假设，不便于对一些复杂数据或关系不明的数据进行研究。人工神经网络模型的出现弥补了这方面的不足。 引 言 人 工 神 经 网 络 人工神经网络(Artificial Neural Net Works)，简称神经网络，是模拟生物神经网络的一种数学模型。目前，神经网络尚无一个明确统一的定义，一般认为，神经网络是由许多简单神经元构成的网络，各神经元之间通过权值相连，每个神经元包含一部分的网络信息。神经网络具有并行性、非线性、容错性以及自适应学习能力。目前被广泛用于处理模式识别、函数逼近、分类、预测筹备方面的问题。 人工神经网络发展历史 起源于19世纪末20世纪初，源于物理学、心理学和神经生理学的跨学科研究，早期并不包含有关神经元工作的数学模型。 真正发展是始于20世纪40年代末，Frank Rosenblattt提出了著名的感知机模型，美国工程师Bernard Widrow和Ted Hoff提出了自适应线性神经网络。但这两种感知机均存在只能进行线性分类，对于线性不可分的输入模型，都无能为力，以致神经网络的研究一度陷于低谷，停滞了十多年。 Rumelhart，McClelland于1985年提出了BP网络的误差反向后传BP(Back Propagation)学习算法 BP神经网络分析过程采用MATLAB软件编程，建立模型，基本步骤简单地说包括三步:1.初始化网络；2.训练；3.仿真。若对影响因素分析则做敏感度分析。 J. McClelland David Rumelhart a. 模型的建立：将研究对象的影响因素作为输入变量，将研究对象作为输出变量，采用BP神经网络进行建模，通过对网络参数如网络层数、隐含层神经元数、初始权值和阈值、学习速度等的设定以及对网络的训练，达到研究对象及其影响因素之间的关系映射。 b. 敏感度分析：BP神经网络模型建立后，进行敏感度分析，从而决定各输入变量对输出变量预测的重要程度。敏感度分析是指改变网络输入的某一部分，以观察网络输出相应的变化情况，从而决定这一部分网络在输出预测中的重要程度。 BP网络拓扑图 BP网络的标准学习算法 学习的过程： 神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出不断地接近期望的输出。 学习的本质： 对各连接权值的动态调整 学习规则： 权值调整规则，即在学习过程中网络中各神经元的连接权变化所依据的一定的调整规则。 BP网络的标准学习算法-算法思想 核心思想： 将输出误差以某种形式通过隐层向输入层逐层反传 学习的过程： 信号的正向传播 误差的反向传播 将误差分摊给各层的所有单元－－－各层单元的误差信号 修正各单元权值 BP网络的标准学习算法-学习过程 正向传播： 输入样本－－－输入层－－－各隐层－－－输出层 判断是否转入反向传播阶段： 若输出层的实际输出与期望的输出（教师信号）不符 误差反传 误差以某种形式在各层表示－－－－修正各层单元的权值 网络输出的误差减少到可接受的程度 或进行到预先设定的学习次数为止 BP网络的标准学习算法 网络结构 输入层有n个神经元，隐含层有p个神经元, 输出层有q个神经元 变量定义 输入向量; 隐含层输入向量； 隐含层输出向量; 输出层输入向量; 输出层输出向量; 期望输出向量; 输入层与中间层的连接权值: 隐含层与输出层的连接权值: 隐含层各神经元的阈值: 输出层各神经元的阈值: 样本数据个数: 激活函数: 误差函数： 第一步，网络初始化 给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数e，给定计算精度值 和最大学习次数M。 第二步,随机选取第 个输入