基于主成分SFLABP网络模型在帕金森氏病分类中应用.docVIP

基于主成分SFLABP网络模型在帕金森氏病分类中应用 　　摘要：针对BP神经网络学习效率低、容易陷入局部最优等缺点，提出了一种基于主成分分析的混合蛙跳算法（Shuffle Frog Leaping Algorithm）优化的BP神经网络模型。使用主成分分析法对高维数据进行特征提取，作为网络输入；采用混合蛙跳算法优化 BP 神经网络的权系数和阈值，构建基于混合蛙跳算法神经网络的帕金森病分类模型。最后，以UCI中Parkinson数据为例，实验表明，新模型优于传统的BP网络。 　　关键词：主成分分析；混合蛙跳算法；BP神经网络；帕金森氏病；分类 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2013）04-0861-05 　　Based-on PCA of SFLABP Neural Network Model in Application of Parkinson Disease’S Classification 　　ZHANG Zhi-hao，TANG De-yu 　　（College of Medical Information Engineering，Guangdong Pharmaceutical University，ZhongShan 528458，China） 　　Abstract：For the shortcomings of BP neural network which is low learning efficiency and is easy to trap into local optimum， according to these problems， a new BP neural network model optimized by Shuffle Frog Leaping Algorithm based on Principal Component Analysis is proposed. Using Principle Component Analysis to extract the features of high dimensional data， the input variables； the bias of BP neural network are optimized by Shuffle Frog Leaping Algorithm and then build the classification model of Parkinsons disease based on SFLABP neural network. At last， taking the data of Parkinson from UCI for example， the experiment result demonstrates the new model is better than the traditional BP neural network. 　　Key words：principal component analysis （PCA）； shuffle frog leaping algorithm （SFLA）； BP neural network； Parkinson； classification 　　随着智能计算的不断发展，人工神经网络由于其自身的适应能力和学习能力，在医疗诊断上的应用越来越广泛，其中BP神经网络[1]是人工神经网络中应用最广的一种神经网络，但由于其具有学习效率低、参数选择敏感、网络结构难确定、易陷入局部收敛等缺点，给实际应用带来了一定的困难，尤其是当网络输入变量过多时，网络结构更复杂，网络训练负担过重，学习效率骤降，将高维数据在不影响较多期望的前提下降维，网络的学习效率才会???所提高，BP网络的实际应用也将更有价值。 　　混合蛙跳算法，是2003年由Eusuff 和Lansay提出的一种基于启发式搜索的全局优化群体智能算法，它具有全局搜索能力强、参数少、原理简单易实现等特点，将混合蛙跳算法与BP网络结合，利用SFLA的全局搜索优化BP网络的结构参数，可以有效解决BP网络易陷入局部最优等问题。 　　为了解决BP网络中的缺陷，该文利用了主成分分析法降维与SFLA 全局搜索能力强等优点，网络输入使用PCA降维，网络参数使用SFLA优化，提高了BP网络的学习效率，实验证明，新模型更优。 　　1 主成分分析 　　主成分分析是由霍特林于1933年第一个提出的，主要是根据降维的思想，在损失较少信息期望的前提下，将多个相互关联的指标转化为几个综合指标的多元统计分析方法。其主要计算步骤为： 　　设有m个指标，n个对象的各项指标