PSO―BP算法在医学中应用.docVIP

PSO―BP算法在医学中应用 　　摘要：粒子群优化算法（PSO）是一种带有全局随机性质的群体搜索演化算法， 鲁棒性强，通过微粒群优化算法同BP算法的结合 ，解决BP算法收敛速度慢，容易陷入局部最小值的问题，并实验证明PSOBP算法其收敛性能，学习速度和稳定性要优于BP算法。再结合实际需求，以印第安人肝癌疾病为例对PSOBP算法在医学中的应用进行探讨。 　　关键词： 粒子群算法；BP算法；PSOBP算法 ；印第安人肝癌；医学应用 　　中图分类号：TP301 文献标识码：A 文章编号：1009-3044（2013）07-1689-05 　　随着医疗改革政策的出台，越来越多的政策惠及于民，老百姓看病难的问题渐渐得到解决，但是看病并不能帮助老百姓解决根本性的问题-看好病，能够从根本上预防一些疾病，提前对疾病做出医学疗效的预测，合理控制药剂，药量的使用 ，让老百姓能够远离疾病的折磨和困扰，从而提高医疗服务的质量，降低患者的就医成本和用药成本，进而保证百姓的身体健康，这样才是百姓所需要的。在云计算和大数据的时代背景下，医院存有患者的大量数据，通过对海量数据的处理，建立预测模型，再对这个模型进行测试训练，挖掘出数据中潜藏的有价值的信息或者诊断规则，得到合适的算法模型，辅助医学诊断治疗成为了可能。 　　该文简单介绍了BP算法和微粒群优化算法，重点讨论了两种算法的结合，形成了PSOBP算法，并使用其优化BP算法的初始权值和阈值，并实验验证其比BP算法更具优越性，最后以印第安人肝癌疾病为医学应用事例，对PSOBP算法进行应用分析。 　　1 BP算法神经网络 　　BP神经网络（backpropagation，BP）是从仿生学的角度上模仿的生物智能科学行为，是基于误差反向传播的多层前向神经网络，具有良好的自适应、自组织和极强的学习、联想、容错和抗干扰能力[1].BP神经网络能模拟任意线性与非线性函数，因而具有良好的预测能力.其包含输入层，隐含层，输出层，各层都有一些神经元，与相邻层的所有各单元均互相连接，两个单元间的连接强度称为“权值”.主要步骤如下： 　　①确定BP神经网络结构。根据研究的具体问题设置BP神经网络输入层，隐含层，输出层，各层的节点数 　　②初始化BP神经网络相关参数，包括各连接层之间的权值和阈值，以及学习率 　　③根据隐含层输出H和预测误差O，计算网络输出误差 　　④判断误差是否符合要求，不满足的话。根据误差，调整各层误差， 更新网络连接权值和阈值。 　　⑤判断迭代是否结束，若没有结束，返回③。 　　2 粒子群优化（PSO）算法 　　粒子群优化（Particle Swarm Optimization， PSO）算法微粒群算法（PSO ） 是由Kennedy 和Eberhart等[2，3] 于1995 年开发的一种演化计算技术， 来源于对一个简化社会模型的模拟。通过群体中个体之间协作和信息的共享来搜索全局的最优解，其追随两个最优位置运行的信息共享原理为优化算法设计提供了崭新的思路. 这两个位置中的一个是粒子目前找到的最优解gbest，另一个是邻域内的个体目前找到的最优解 Pbest[4]. 　　在微粒群算法中，粒子是D维搜索空间里没有质量和体积，带有位置和速度信息的微粒，并且在搜索空间里以变动的速度飞行，该飞行速度根据个体的飞 　　行经验和群体的飞行经验进行动态调整[5]。设搜索空间里存在n个微粒，则第i个微粒个体的位置可表示为Xi=（Xi1，Xi2，， Xi3，Xi4，.....Xin）；飞行速度Vi=（Vi1，Vi2，， Vi3，Vi4，.....Vin）；微粒i所经历的最好适应值的位置为Pi=（Pi1，Pi2，， Pi3，Pi4，.....Pin）；微粒群体经历的最优位置为Pg=（Pg1，Pg2，， Pg3，Pg4，.....Pgn）； 　　微粒的位置和速度通过以下公式进行更新[6] 　　其中：W是惯性系数，表示的微粒的历史速度对当前速度的影响；c1和c2表示加速因子，c1调节微粒飞向自身最优位置，c2调节微粒飞向全局最优位置，通常可以取c1=c2=2[6]；rand1和rand2为均匀分布的随机数，范围在0到1之间，包括0和1，xidk为第k 次迭代粒子i 位置矢量的第d 维分量[7]；速度公式（1）的第二项表明微粒个体的认知能力；第三项表明社会认知能力。基于公式（1）、（2）的微粒群算法称作基本微粒群算法[8]。 　　标准PSO 的算法流程图如图1所示。 　　3 基于PSOBP算法的研究 　　粒子群优化算法高效，结构简单，收敛速度快，容易实现，性能稳定，通过粒子群算法去优化BP神经网络的权值和阈值比BP神经网络算法随机产生权值和阈值获得的结构更具稳定性和优越性。 　　PSOBP算法步骤如下： 　　Step1：通过训练样本确