【畢業(yè)設(shè)計】基于bp網(wǎng)絡(luò)的精神分裂癥預(yù)測

學(xué)號4109005029泰山醫(yī)學(xué)院畢業(yè)設(shè)計（論文）題目基于BP網(wǎng)絡(luò)的精神分裂癥預(yù)測院（部）系放射學(xué)院所學(xué)專業(yè)生物醫(yī)學(xué)工程年級、班級2009級1班完成人姓名高贊指導(dǎo)教師姓名專業(yè)技術(shù)職稱張勇副教授2013年6月1日論文原創(chuàng)性保證書我保證所提交的論文都是自己獨立完成，如有抄襲、剽竊、雷同等現(xiàn)象，愿承擔(dān)相應(yīng)后果，接受學(xué)校的處理。專業(yè)生物醫(yī)學(xué)工程班級2009級1班簽名2013年6月1摘要隨著技術(shù)的進(jìn)步，計算機(jī)與其他領(lǐng)域的合作越來越密切，解決了很多其他領(lǐng)域以前無法解決的難題。與此同時，隨著生活水平和受教育程度的提高，健康問題越來越受到人們關(guān)注，將計算機(jī)應(yīng)用于醫(yī)療領(lǐng)域進(jìn)行疾病預(yù)測是當(dāng)前研究的熱點之一，正逐漸受到人們關(guān)注。目前，對疾病預(yù)測的研究存在下面兩個問題其一，在醫(yī)療方面，計算機(jī)等設(shè)備絕大多數(shù)還是被用于疾病的檢測而不是預(yù)測，此時計算機(jī)的作用僅僅是圖像處理，在顯示器上成像，甚至最終的結(jié)果還是需要醫(yī)生來人工進(jìn)行判斷。在疾病診斷上醫(yī)療設(shè)備、計算設(shè)備只是作為輔助工具發(fā)揮著檢測數(shù)據(jù)等最為基本的作用，醫(yī)生作為整個過程的核心不可或缺。其二，很多疾病發(fā)病前的征兆或者發(fā)病時的癥狀具有相似之處，由于專家所研究領(lǐng)域的不同，專家根據(jù)所掌握的知識以及個人的經(jīng)驗，再結(jié)合病人的其他癥狀，所得出來的診斷結(jié)果可能有所不同，這樣會造成嚴(yán)重的后果。針對以上提出的問題，本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于精神分裂癥預(yù)測,利用神經(jīng)系統(tǒng)的并行性，對精神分裂癥進(jìn)行預(yù)測，降低預(yù)測的失效率，充分利用了這些疾病預(yù)測的相同數(shù)據(jù)部分，提高數(shù)據(jù)利用效率；預(yù)測結(jié)果具有節(jié)省時間,并且可信度高的特征。是將計算機(jī)技術(shù)應(yīng)用于醫(yī)療領(lǐng)域的有效嘗試，計算機(jī)不在僅僅用于醫(yī)療上的檢測，更多的應(yīng)用于預(yù)測。同時，由于計算機(jī)的精確性，能夠盡量避免人為導(dǎo)致的誤差，提高預(yù)測的精確度。關(guān)鍵字BP神經(jīng)網(wǎng)絡(luò)；疾病預(yù)測；精神分裂癥預(yù)測ABSTRACTWITHTHEDEVELOPMENTOFTECHNOLOGY,THECOOPERATIONOFCOMPUTERSCIENCEANDOTHERSTUDYINGFIELDSAREGETTINGCLOSERANDCLOSER,THISTECHNOLOGYHAVESOLVEDALOTOFPREVIOUSUNSOLVABLEPROBLEMSATTHESAMETIME,WITHTHEIMPROVEMENTOFLIVINGCONDITIONSHEALTHPROBLEMSGRADUALLYATTENTION,THECOMPUTERSCIENCEUSEDINDISEASEPREDICTIONISONEOFTHEHOTPOTS,ANDISOFGREATSIGNIFICANTCURRENTLY,FORTHEDISEASESPREDICTION,THEREARETWOMAINPROBLEMSFIRSTLY,THECOMPUTEREQUIPMENTHAVENOTBEENWIDELYUSEDINDISEASESPREDICTION,BUTONLYUSEDINDETECTIONWHICHCANNOTWITHOUTTHEDOCTORSPARTICIPATIONSECONDLY,SOMETYPICALDISEASESHAVETHECOMMONSYMPTOMS,ANDMISDIAGNOSEDISALWAYSEXISTCONSIDERINGABOUTTHEPROBLEMS,INTHISPAPER,WEUSEBPNEURALNETWORKTOPREDICTDELIRATIONUSINGTHEPARALLELISMOFTHENEURALSYSTEM,TOPREDICTDELIRATION,REDUCINGTHEPREDICTEDFAILURERATE,ANDIMPROVEDATAUTILIZATIONEFFICIENCYEXPERIMENTSSHOWSTHEPREDICTIONRESULTSHAVETIMELINESS,ANDHIGHRELIABILITYINVIEWOFTHIS,THEDISEASEPREDICTIONBASEDONBPNEURALNETWORKWILLHAVEGOODAPPLICATIONPROSPECTSKEYWORDSBPNEURALNETWORK；DISEASEPREDICT；DELIRATIONPREDICTION目錄第一章緒論111課題研究背景及意義112精神分裂癥的危害2第二章BP神經(jīng)網(wǎng)絡(luò)421神經(jīng)網(wǎng)絡(luò)4211人工神經(jīng)元5212激活函數(shù)6213神經(jīng)網(wǎng)絡(luò)模型7214神經(jīng)網(wǎng)絡(luò)工作方式822BP學(xué)習(xí)算法9221三層BP神經(jīng)網(wǎng)絡(luò)9222網(wǎng)絡(luò)誤差與權(quán)值調(diào)整10第三章BP網(wǎng)絡(luò)的建模過程及精神病預(yù)測模型設(shè)計1131模型的設(shè)計11311確定訓(xùn)練樣本11312變量值的歸一化處理11313BP網(wǎng)絡(luò)的初始化12314輸入層的設(shè)計12315隱含層的設(shè)計12316輸出層的設(shè)計1232其他需要注意的問題1233精神病模型擬合實例13311確定訓(xùn)練樣本及測試樣本13312設(shè)計合適的神經(jīng)網(wǎng)絡(luò)參數(shù)13313編寫程序14314訓(xùn)練結(jié)果15315測試樣本的前瞻性考核154討論15參考文獻(xiàn)16致謝17第1章緒論目前世界上精神病人的數(shù)量在不斷增加，據(jù)世界衛(wèi)生組織預(yù)測，到2020年精神病將成為使人喪失勞動能力的五大疾病之一，將嚴(yán)重影響世界的發(fā)展1。11課題研究背景及意義據(jù)新消息報30報道，目前，中國的精神病人數(shù)位居世界前列，患病使人失去就業(yè)能力，從而造成許多家庭貧困不堪。俄羅斯精神病專家波列耶夫表示，在世界各國這種疾病正以每年01的速度增長，而在中國這種情況更為嚴(yán)重2。目前在世界各國居民中有15至20的人需要得到精神和心理疾病醫(yī)生的幫助，而在中國這一比例則高達(dá)20至25。患上這種病的原因主要有兩種一是遺傳，二是心理壓力過大。近幾年，各國居民生活、工作壓力越來越大，造成許多人失業(yè)、窮困潦倒，巨大的心理壓力是造成人精神失常的主要原因。另外，不良的社會生活環(huán)境也給人造成較大的精神壓力。據(jù)統(tǒng)計，目前北京有1/8的居民害怕乘地鐵，1/12的人不敢乘電梯，他們擔(dān)心發(fā)生爆炸事件，因此處處小心謹(jǐn)慎。這種不良的社會環(huán)境最容易給居民造成心理障礙，心理承受能力差的人就容易患上精神病。目前，中國精神病方面的醫(yī)生嚴(yán)重不足，如這一狀況得不到改善，將對中構(gòu)成巨大威脅。這些病人不僅不能為社會創(chuàng)造財富，還加重了社會負(fù)擔(dān)。據(jù)歐盟統(tǒng)計，每年歐盟有5萬人自殺，57是因為精神方面的問題，其中27是成年勞動力。精神病問題給歐盟各國經(jīng)濟(jì)發(fā)展造成了嚴(yán)重影響。專家指出，要解決這一問題，首先要改善目前的社會環(huán)境，減輕人們的心理壓力。同時培訓(xùn)更多的心理醫(yī)生，采取有效的手段來預(yù)防，診斷精神病，為他們提供心理幫助。精神分裂癥SCHIZOPHRENIA是一種常見的精神病，據(jù)世界衛(wèi)生組織估計，全球精神分裂癥的終身患病率大概為3884，美國的研究，終身患病率高達(dá)13；我國1994年調(diào)查數(shù)據(jù)，城市地區(qū)患病率711，農(nóng)村426。精神分裂癥病因復(fù)雜，尚未完全闡明。多起病于青壯年，表現(xiàn)為感知、思維、情感、意志行為等多方面障礙，精神活動與周圍環(huán)境和內(nèi)心體驗不協(xié)調(diào)，脫離現(xiàn)實。一般無意識障礙和明顯的智能障礙，可有注意、工作記憶、抽象思維和信息整合等方面認(rèn)知功能損害。病程多遷延，反復(fù)發(fā)作，部分患者發(fā)生精神活動衰退和不同程度社會功能缺損。綜上可以看出，疾病的預(yù)測意義重大，也逐漸受到人們關(guān)注，關(guān)于好的預(yù)測算法的研究也越來越迫切。然而，現(xiàn)階段關(guān)于疾病的預(yù)測還存在著以下兩個問題第一雖然如今計算機(jī)的發(fā)展日新月異，不斷取得新的突破，機(jī)器制造技術(shù)也日益精良。但是在醫(yī)療方面，計算機(jī)等設(shè)備絕大多數(shù)還是被用于疾病的檢測，例如應(yīng)用CT來做腦部腫瘤掃描，此時計算機(jī)的作用僅僅是圖像處理，在顯示器上成像，甚至最終的結(jié)果還是需要醫(yī)生來人工進(jìn)行判斷。由此看出，在疾病診斷上醫(yī)療設(shè)備、計算設(shè)備只是作為輔助工具發(fā)揮著檢測數(shù)據(jù)等最為基本的作用，醫(yī)生作為整個過程的核心不可或缺。而在疾病預(yù)測方面的應(yīng)用更是一片空白，不僅通過計算機(jī)進(jìn)行疾病預(yù)測的例子十分罕見，甚至醫(yī)生也只是進(jìn)行疾病診斷、確診，極少有從事疾病預(yù)測工作的，只是在疾病預(yù)防方面給出建議，例如建議人們合理的安排工作娛樂時間以減少精神壓力，通過和朋友聊天到戶外旅游等進(jìn)行放松，然而這些只是最理想的，一旦人的健康狀態(tài)發(fā)生改變，從健康轉(zhuǎn)為亞健康狀態(tài)，那么疾病預(yù)防也就失去了作用，該階段卻正是疾病預(yù)測的最佳時期，遺憾的是正如前面所述，疾病預(yù)測還沒有在廣泛應(yīng)用。由此可見，疾病預(yù)測雖然收到了人們的廣泛關(guān)注，但真正在醫(yī)學(xué)上應(yīng)用還處于起步階段，需要探索。第二很多疾病發(fā)病前的征兆或者發(fā)病時的癥狀具有相似之處，例如某人表現(xiàn)癥狀為頭暈，然而神經(jīng)系統(tǒng)病變、耳部疾病、感冒、貧血、腦動脈硬化等都有可能導(dǎo)致這一現(xiàn)象的產(chǎn)生，由于專家所研究領(lǐng)域的不同，專家根據(jù)所掌握的知識以及個人的經(jīng)驗，再結(jié)合病人的其他癥狀，所得出來的診斷結(jié)果可能有所不同，嚴(yán)重情況下，甚至?xí)a(chǎn)生相矛盾的結(jié)果，使病情惡化。事實上，現(xiàn)實生活中，由于誤診導(dǎo)致病人惡化的情況也時有發(fā)生。于此相似，疾病的診斷也存在著相同的問題，也需要避免由于知識不全、研究領(lǐng)域的差異、個人經(jīng)驗而導(dǎo)致預(yù)測失敗甚至預(yù)測誤導(dǎo)的結(jié)果。另一方面，如今很多研究者研究的預(yù)測算法只是做到預(yù)測是否為某一疾病，一旦預(yù)測結(jié)果不是所預(yù)測的目標(biāo)疾病，將會導(dǎo)致預(yù)測失敗，而不會考慮其他相似癥狀的疾病的可能性，這樣使得預(yù)測的命中率降低，一旦預(yù)測失敗，前面的數(shù)據(jù)將會失去價值，使得數(shù)據(jù)沒有得到充分利用。利用現(xiàn)有數(shù)據(jù)進(jìn)行算法預(yù)測是計算機(jī)科學(xué)研究的熱門，疾病預(yù)測更是研究的重要領(lǐng)域。在這樣的研究背景下，作者提出了基于BP神經(jīng)網(wǎng)絡(luò)心臟病預(yù)測方法，對上面提到的問題進(jìn)行了深入的研究。12精神分裂癥的危害疾病危害如未獲得及時治療，疾病癥狀給患者帶來極大痛苦，患者日常學(xué)習(xí)、工作、生活能力受損，學(xué)生因?qū)W習(xí)能力下降而退學(xué)、休學(xué)，成人因工作能力受損而失去工作，對家人不知關(guān)心照顧，不能承擔(dān)家庭的責(zé)任。有的發(fā)展到精神衰退狀態(tài)，造成精神殘疾。有時受幻覺、妄想、邏輯障礙、情緒障礙等精神癥狀的影響，患者可能出現(xiàn)傷害自己和他人的行為。需要特別指出精神分裂癥得到及時、規(guī)范的治療，絕大部分癥狀都可以緩解，可以避免發(fā)生不良的結(jié)第2章BP神經(jīng)網(wǎng)絡(luò)本章主要對本文所要使用的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行介紹，其中BP神經(jīng)網(wǎng)絡(luò)算法包括神經(jīng)元、激活函數(shù)、神經(jīng)模型、工作方式、學(xué)習(xí)方式、誤差調(diào)整、算法推倒等的具體介紹。21神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（ARTIFICIALNEURALNETWORKS，簡寫為ANNS）也簡稱為神經(jīng)網(wǎng)絡(luò)（NNS）或稱作連接模型（CONNECTIONMODEL），它是一種模范動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型3。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)是以人類的生理結(jié)構(gòu)為出發(fā)點，探討人類只能活動的相關(guān)機(jī)理。它是機(jī)器學(xué)習(xí)和人工智能計算方面最為活躍的分支之一。從PITTS在1943年首先提出了MP神經(jīng)元數(shù)學(xué)模型開始，神經(jīng)網(wǎng)絡(luò)的研究大致上可以分為以下幾個階段19471969年是神經(jīng)網(wǎng)絡(luò)發(fā)展的初始階段，然后經(jīng)過19701986年的低潮過渡期，最后神經(jīng)網(wǎng)絡(luò)從1987年開始至今迎來了它的蓬勃發(fā)展時期4。特別是近二十年以來，神經(jīng)網(wǎng)絡(luò)不僅再一次從計算概念的內(nèi)涵上進(jìn)行了擴(kuò)展，而且對認(rèn)知與智能本質(zhì)上的基礎(chǔ)研究乃至整個計算機(jī)產(chǎn)業(yè)都產(chǎn)生了空前的刺激和巨大的推動作用，同時也使得神經(jīng)網(wǎng)絡(luò)無論是從理論、實踐技術(shù)還是應(yīng)用研究等各個方面都取得了引人注目的進(jìn)展?？梢哉f，現(xiàn)今階段正式神經(jīng)網(wǎng)絡(luò)發(fā)展的一個鼎盛時期?，F(xiàn)代科學(xué)技術(shù)發(fā)展的一個顯著特點是學(xué)科之間的相互交叉，而信息科學(xué)與生命科學(xué)的相互交叉、相互滲透和相互促進(jìn)正式最好的體現(xiàn)，因而將各種智能信息處理方法與人工神經(jīng)網(wǎng)絡(luò)結(jié)合起來研究具有很大的發(fā)展前景5。事實上，人工神經(jīng)網(wǎng)絡(luò)不僅具有并行處理、分布式處理和容錯性的結(jié)構(gòu)特征，還具備自學(xué)習(xí)、自組織、自適應(yīng)的功能特征，具有聯(lián)想記憶、非線性映射、分類和識別、優(yōu)化計算、知識處理等方面的能力，使得他與其他人工智能方法或技術(shù)結(jié)合以及由此衍生的融合方法和融合系統(tǒng)成為了研究的一大熱點。例如人工神經(jīng)網(wǎng)絡(luò)與遺傳算法、模糊集理論、灰色系統(tǒng)、證據(jù)理論等融合方法的相關(guān)研究，正是人工智能和機(jī)器學(xué)習(xí)領(lǐng)域研究熱點中的重點，并被應(yīng)例如信息領(lǐng)域、自動化領(lǐng)域、工程領(lǐng)域、醫(yī)學(xué)領(lǐng)域、經(jīng)濟(jì)領(lǐng)域等眾多領(lǐng)域和各行各業(yè)中。目前，人工神經(jīng)網(wǎng)絡(luò)的研究內(nèi)容主要集中在以下幾個方面6（1）生物原型研究從生理學(xué)、心理學(xué)、解剖學(xué)、腦科學(xué)、病理學(xué)等生物科學(xué)方面研究神經(jīng)細(xì)胞、神經(jīng)網(wǎng)絡(luò)、神經(jīng)系統(tǒng)的生物原型結(jié)構(gòu)及其功能機(jī)理。（2）建立理論模型根據(jù)生物原型的研究，建立神經(jīng)元、神經(jīng)網(wǎng)絡(luò)的理論模型。其中包括概念模型、知識模型、物理化學(xué)模型、數(shù)學(xué)模型等。（3）網(wǎng)絡(luò)模型與算法研究在理論模型研究的基礎(chǔ)上構(gòu)作具體的神經(jīng)網(wǎng)絡(luò)模型，以實現(xiàn)計算機(jī)模擬或準(zhǔn)備制作硬件，包括網(wǎng)絡(luò)學(xué)習(xí)算法的研究。這方面的工作也稱為技術(shù)模型研究。（4）人工神經(jīng)網(wǎng)絡(luò)應(yīng)用系統(tǒng)在網(wǎng)絡(luò)模型與算法研究的基礎(chǔ)上，利用人工神經(jīng)網(wǎng)絡(luò)組成實際的應(yīng)用系統(tǒng)，例如完成某種信號處理或模式的功能。211人工神經(jīng)元人工神經(jīng)網(wǎng)絡(luò)是由大量的簡單基本元件神經(jīng)元相互聯(lián)接而成的自適應(yīng)非線性動態(tài)系統(tǒng)。每個神經(jīng)元的結(jié)構(gòu)和功能比較簡單，但大量神經(jīng)元組合產(chǎn)生的系統(tǒng)行為卻非常復(fù)雜。人工神經(jīng)網(wǎng)絡(luò)反映了人腦功能的若干基本特性，但并非生物系統(tǒng)的逼真描述，只是某種模仿、簡化和抽象。與數(shù)字計算機(jī)比較，人工神經(jīng)網(wǎng)絡(luò)在構(gòu)成原理和功能特點等方面更加接近人腦，它不是按給定的程序一步一步地執(zhí)行運算，而是能夠自身適應(yīng)環(huán)境、總結(jié)規(guī)律、完成某種運算、識別或過程控制7。人工神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本元素，其原理圖如下圖所示圖21人工神經(jīng)元模型前面提到人工神經(jīng)網(wǎng)絡(luò)是模仿人類神經(jīng)網(wǎng)絡(luò)的工作原理運行的，所以，人工神經(jīng)元和生物神經(jīng)元人工神經(jīng)元相似，也有多個激勵輸入，圖中的X1,X2,XN表示其他神經(jīng)元傳來的神經(jīng)元輸入信號，他們同時輸入神經(jīng)元。生物神經(jīng)元具有不同的突出性質(zhì)和突觸強(qiáng)度，這樣使得不同的激勵輸入對神經(jīng)元產(chǎn)生脈沖輸入的影響的大小一不一樣，在人工神經(jīng)網(wǎng)絡(luò)中用WIJ表示從神經(jīng)元J到神經(jīng)元I的連接權(quán)值，在一些神經(jīng)元中權(quán)值還分為正負(fù)兩種類型，為正時，模擬了生物神經(jīng)元的突觸的興奮，為負(fù)時，模擬了生物神經(jīng)元的突觸抑制，權(quán)值大小表示突觸興奮或則抑制的強(qiáng)度。表示一個閾值THRESHOLD，或稱為偏置BIAS,神經(jīng)元的激活與否取決于某一閾值電平，即只有當(dāng)神經(jīng)元受到的突觸興奮或抑制達(dá)到這個閾值時神經(jīng)元才被激活而產(chǎn)生脈沖輸出，否則不會產(chǎn)生輸出。F稱為激活函數(shù)（ACTIVATIONFUNCTION）或則轉(zhuǎn)移函數(shù)（TRANSFERFUNCTION），激活函數(shù)一般都是非線性的。根據(jù)圖21神經(jīng)元I的輸入和輸出的關(guān)系可以用數(shù)學(xué)表達(dá)式表示成21NXJWETI其中YI表示神經(jīng)元的脈沖輸出，NETI稱為神經(jīng)元I的凈激活NETACTIVATION。如果將閾值看作是神經(jīng)元I的一個輸入X0的一個權(quán)值WI0，那么上述表達(dá)式可以簡化為JTI22TEFY用X表示神經(jīng)元ID的輸入組成的向量，W表示對應(yīng)權(quán)值所組成的向量（2,21XNO,210TNTW3）于是可以將神經(jīng)元的輸入輸出表示為向量的形式（24）于是當(dāng)神經(jīng)元I的凈激活為正時，表明神經(jīng)元處于激活狀態(tài)或興奮狀態(tài)FIRE，當(dāng)神經(jīng)元I凈激活為負(fù)時，表明神經(jīng)元處于抑制狀態(tài)。圖21中的神經(jīng)元模型就是前面提到的MP模型MCCULLOCHPITTSMODEL，也稱為神經(jīng)網(wǎng)絡(luò)的一個處理單元PE,PROCESSINGELEMENT，其特點是“閾值加權(quán)和”。212激活函數(shù)激活函數(shù)的選擇是構(gòu)建神經(jīng)網(wǎng)絡(luò)過程中的重要環(huán)節(jié)7，下面簡要介紹常用的幾種激活函數(shù)。（1）線性函數(shù)LINERFUNCTION（25）（2）閾值函數(shù)THRESHOLDFUNCTION（2,01CXF6）（3）斜面函數(shù)RAMPFUNCTIONKXFTTNEFYXFETFYTXWNET（2CXTKF,7）（4）S形函數(shù)SIGMOIDFUNCTION（210FEFAX8）雙極S形函數(shù)（BIPOLARITYSFUNCTION）292X以上就是常用的五種激活函數(shù)，其中前三種為線性激活函數(shù)，而S形函數(shù)和雙極S形函數(shù)為非線性激活函數(shù)，可以看出S形激活函數(shù)的值域為0,1,而雙極S形函數(shù)的值域為1,1。由于BP神經(jīng)網(wǎng)絡(luò)要求激活函數(shù)是連續(xù)、可倒的，因此根據(jù)需要，一般采用S形函數(shù)和雙極S形函數(shù)作為激活函數(shù)。213神經(jīng)網(wǎng)絡(luò)模型神經(jīng)網(wǎng)絡(luò)模型9是有大量的神經(jīng)元互聯(lián)形成的網(wǎng)絡(luò)，可以根據(jù)神經(jīng)元互聯(lián)的形式對神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，常見的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)主要由以下三類（1）前饋神經(jīng)網(wǎng)絡(luò)FEEDFORWARDNEURALNETWORKS前饋神經(jīng)網(wǎng)絡(luò)又稱前向神經(jīng)網(wǎng)絡(luò)。這種網(wǎng)絡(luò)只在訓(xùn)練過程會有反饋信號，而在分類過程中數(shù)據(jù)只能向前傳送，從輸入層到隱含層，再從隱含層傳輸?shù)捷敵鰧樱麄€過程中層間并沒有沒有向后反饋信號，因此被稱為前饋網(wǎng)絡(luò)，前饋網(wǎng)絡(luò)通過引入隱層以及非線性激活（轉(zhuǎn)移）函數(shù)，使得網(wǎng)絡(luò)具備了復(fù)雜的非線性映射能力。（2）反饋神經(jīng)網(wǎng)絡(luò)FEEDBACKNEURALNETWORKS反饋神經(jīng)網(wǎng)絡(luò)相比于前饋神經(jīng)網(wǎng)絡(luò)而言，它具有從輸出到輸入的反饋連接，并且反饋神經(jīng)網(wǎng)絡(luò)還考慮到輸出與輸入之間在時間上的滯后性，因此需要用到微分方程和差分方程來描述神經(jīng)網(wǎng)絡(luò)的動態(tài)數(shù)學(xué)模型。（3）自組織網(wǎng)絡(luò)SOM,SELFORGANIZINGNEURALNETWORKS自組織神經(jīng)網(wǎng)絡(luò)是一種無導(dǎo)師學(xué)習(xí)網(wǎng)絡(luò)。它通過自動尋找樣本數(shù)據(jù)內(nèi)在規(guī)律來不斷調(diào)整響應(yīng)的神經(jīng)網(wǎng)絡(luò)參數(shù)，即所謂“無師自通”。自組織網(wǎng)絡(luò)在結(jié)構(gòu)上屬于層次性網(wǎng)絡(luò)，最簡單的自組織神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有一個輸入層和一個競爭層，輸入層負(fù)責(zé)接受輸入信息并將輸入模式向競爭層傳遞，起到了“觀察”作用，競爭層主要負(fù)責(zé)對該模式進(jìn)行“分析比較”，找出規(guī)律以正確歸類。這種功能是通過競爭機(jī)制實現(xiàn)的。214神經(jīng)網(wǎng)絡(luò)工作方式人工神經(jīng)網(wǎng)絡(luò)的運行過程分為學(xué)習(xí)和工作兩個狀態(tài)。人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)狀態(tài)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要是指使用相關(guān)學(xué)習(xí)算法來不斷的調(diào)整神經(jīng)元之間的連接權(quán)值，最終使得神經(jīng)元的輸出更加符合實際要求。神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法又可以分為有導(dǎo)師學(xué)習(xí)和無導(dǎo)師學(xué)習(xí)兩種。有導(dǎo)師學(xué)習(xí)的方法時先給出一組訓(xùn)練集（TRAININGSET）作為輸入送入神經(jīng)網(wǎng)絡(luò)中，然后根據(jù)預(yù)期結(jié)果與實際輸出結(jié)果的差值情況來調(diào)整神經(jīng)網(wǎng)絡(luò)中神經(jīng)元的連接權(quán)值。有導(dǎo)師學(xué)習(xí)的主要步驟為1從給出的訓(xùn)練集合中選定一個樣本為輸入向量，表示期望的結(jié)果；2運行神經(jīng)網(wǎng)絡(luò)，獲得實際輸出O；3求出期望結(jié)果與實際輸出的差值D；4根據(jù)D調(diào)整權(quán)值矩陣W。5對每個樣本重復(fù)上面的過程，直到對每個樣本誤差都在允許的范圍內(nèi)是停止學(xué)習(xí)。無導(dǎo)師學(xué)習(xí)首先抽取出樣本集合中所蘊(yùn)含的統(tǒng)計特性，然后以神經(jīng)元之間的聯(lián)接權(quán)的形式存于網(wǎng)絡(luò)中。2人工神經(jīng)網(wǎng)絡(luò)的工作狀態(tài)人工神經(jīng)網(wǎng)絡(luò)的工作狀態(tài)就是整個過程中神經(jīng)元之間的權(quán)值不再做改變，神經(jīng)網(wǎng)絡(luò)作為分類器或者預(yù)測器等實用。22BP學(xué)習(xí)算法BP網(wǎng)路模型是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，也是全文的基礎(chǔ)所在。221三層BP神經(jīng)網(wǎng)絡(luò)BP（BACKPROPAGATION）網(wǎng)絡(luò)是1986年由RUMELHART和MCCELLAND為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。如果前饋神經(jīng)網(wǎng)絡(luò)采用了BP算法，則稱之為BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)自提出至今，至今已經(jīng)有26年的歷史，已經(jīng)成為應(yīng)用最為廣泛并且最具有代表性的神經(jīng)網(wǎng)絡(luò)模型之一10。BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（INPUT）、隱層HIDELAYER和輸出層OUTPUTLAYER。BPBACKPROPAGATION神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實際輸出與期望輸出不符時，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。一個典型的3層BP神經(jīng)網(wǎng)絡(luò)模型如圖22所示11圖22神經(jīng)網(wǎng)絡(luò)序列圖如圖22，三層BP神經(jīng)網(wǎng)絡(luò)中其中列向量表示隱層第J個神經(jīng)元對應(yīng)的權(quán)值向量，表示輸出層神經(jīng)元J與隱層神經(jīng)元K的連接權(quán)值。下面將分析BP神經(jīng)網(wǎng)絡(luò)中各層信號之間的數(shù)學(xué)關(guān)系對于神經(jīng)網(wǎng)絡(luò)輸出層有210對于神經(jīng)網(wǎng)絡(luò)隱層有211MJNETFYI,21（2XVROF12）在上面的兩個式子中的激活函數(shù)（或轉(zhuǎn)移函數(shù)）根據(jù)應(yīng)用需要可以均為S形函數(shù)函數(shù)，或者均為雙極S形函數(shù)。以上式以及激活函數(shù)共同構(gòu)成了三層前饋網(wǎng)的數(shù)學(xué)模型。LK222網(wǎng)絡(luò)誤差與權(quán)值調(diào)整當(dāng)神經(jīng)網(wǎng)絡(luò)的輸出與期望的輸出差距較大或則不在可接受范圍之內(nèi)時，即存在輸出誤差，其定義如下213212KODE將上面的誤差定義表達(dá)式展開，帶入隱層數(shù)據(jù)則有2141KKNETF將表達(dá)式展開到輸入層，則有22RMCRTHKWD（21OJF15）根據(jù)上市可以看出，神經(jīng)網(wǎng)絡(luò)輸出的誤差E是關(guān)于各層權(quán)值的函數(shù)，因此可以通過調(diào)整各層的權(quán)值來改變誤差E的大小。顯然，進(jìn)行權(quán)值調(diào)整的目的是不斷減少誤差E的大小，使其符合具體的要求。因此，要求權(quán)值的調(diào)整量與誤差的負(fù)梯度成正比，即LKMJWNFKJ,21,0（2FRVFRJ16）上式中，負(fù)號表示梯度下降，比例系數(shù)用常數(shù)表示,它就是神經(jīng)網(wǎng)絡(luò)訓(xùn)練中的學(xué)習(xí)速率。神經(jīng)網(wǎng)絡(luò)可以用作分類、聚類、預(yù)測等。神經(jīng)網(wǎng)絡(luò)需要有一定量的歷史數(shù)據(jù)，通過歷史數(shù)據(jù)的訓(xùn)練，網(wǎng)絡(luò)可以學(xué)習(xí)到數(shù)據(jù)中隱含的知識。在你的問題中，首先要找到某些問題的一些特征，以及對應(yīng)的評價數(shù)據(jù)，用這些數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。雖然BP網(wǎng)絡(luò)得到了廣泛的應(yīng)用，但自身也存在一些缺陷和不足，主要包括以下三個方面的問題。首先，由于學(xué)習(xí)速率是固定的，因此網(wǎng)絡(luò)的收斂速度慢，需要較長的訓(xùn)練時間。對于一些復(fù)雜問題，BP算法需要的訓(xùn)練時間可能非常長，這主要是由于學(xué)習(xí)速率太小造成的，可采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率加以改進(jìn)。其次，BP算法可以使權(quán)值收斂到某個值，但并不保證其為誤差平面的全局最小值，這是因為采用梯度下降法可能產(chǎn)生一個局部最小值。對于這個問題，可以采用附加動量法來解決。再次，網(wǎng)絡(luò)隱含層的層數(shù)和單元數(shù)的選擇尚無理論上的指導(dǎo)，一般是根據(jù)經(jīng)驗或者通過反復(fù)實驗確定。因此，網(wǎng)絡(luò)往往存在很大的冗余性，在一定程度上也增加了網(wǎng)絡(luò)學(xué)習(xí)的負(fù)擔(dān)。最后，網(wǎng)絡(luò)的學(xué)習(xí)和記憶具有不穩(wěn)定性。也就是說，如果增加了學(xué)習(xí)樣本，訓(xùn)練好的網(wǎng)絡(luò)就需要從頭開始訓(xùn)練，對于以前的權(quán)值和閾值是沒有記憶的。但是可以將預(yù)測、分類或聚類做的比較好的權(quán)值保存。第3章BP網(wǎng)絡(luò)的建模過程及精神病預(yù)測模型設(shè)計在流行病學(xué)中,可以應(yīng)用BP網(wǎng)絡(luò)建立疾病的預(yù)測模型,建模的基本過程如下首先收集導(dǎo)致疾病發(fā)生的主要影響因素及疾病發(fā)生的結(jié)果然后把影響因素及疾病結(jié)果輸入到設(shè)計好神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行反復(fù)訓(xùn)練,直到網(wǎng)絡(luò)收斂即達(dá)到預(yù)期的訓(xùn)練誤差,在訓(xùn)練過程中可適當(dāng)采用一定的技巧使網(wǎng)絡(luò)的訓(xùn)練速度最快、誤差最小、模型最優(yōu)最后用建立好的模型進(jìn)行疾病預(yù)測。下面具體探討網(wǎng)絡(luò)模型的設(shè)計要點。31模型的設(shè)計311確定訓(xùn)練樣本訓(xùn)練樣本應(yīng)來源于研究總體的一個隨機(jī)無偏樣本,并且按隨機(jī)、對照、重復(fù)及盲法等原則收集資料、整理資料、分析資料,保證訓(xùn)練結(jié)果的無偏性。訓(xùn)練樣本含量適宜,含量過大會造成訓(xùn)練速度偏慢,訓(xùn)練結(jié)果過分逼近訓(xùn)練集或者說是該研究的外部真實性較差,使得網(wǎng)絡(luò)的推廣泛化能力降低,況且,大樣本的收集大大增加了工作量樣本過小其代表性不夠,使訓(xùn)練結(jié)果不夠可靠或者說是該研究的內(nèi)部真實性較差。一般來說,網(wǎng)絡(luò)的結(jié)構(gòu)越復(fù)雜,所需樣本越多,結(jié)構(gòu)越簡單,所需樣本可相應(yīng)減少。對于單層BP網(wǎng)絡(luò)可參照LOGISTIC回歸對樣本含量的一般要求,當(dāng)樣本含量與連接權(quán)的個數(shù)比為101時,就基本能夠滿足要求,多層BP網(wǎng)絡(luò)的樣本量應(yīng)在此基礎(chǔ)上根據(jù)網(wǎng)絡(luò)的復(fù)雜程度適當(dāng)增加。312變量值的歸一化處理歸一化處理的目的是把變量值歸一到區(qū)間1,1內(nèi),此原因大致有兩個一是因為BP網(wǎng)絡(luò)中非線性傳遞函數(shù)的值域一般在區(qū)間1,1內(nèi),因此輸入及輸出變量的取值都限于這個區(qū)間之內(nèi)。二是為了使輸入值特別是那些比較大的輸入值均落在SIGMOID傳遞函數(shù)變化較大的區(qū)間,使網(wǎng)絡(luò)的訓(xùn)練速度最快,改善網(wǎng)絡(luò)的性能,當(dāng)然如果輸入及輸出值原本就位于0,1區(qū)間內(nèi),可不進(jìn)行的歸一化處理,歸一化處理可采取以下兩種形式（3/MIN,AX,JJIBJI1）（3A,JIJIJI2）上式中為歸一化后樣本中第J個樣品的第I個輸入變量,為原始資料第J個BJIXJIX樣品的第I個輸入變量XJI,MAX與XI,MIN為原始資料第J個樣品的第I個輸入變量的最大值和最小值。313BP網(wǎng)絡(luò)的初始化開始訓(xùn)練時,首先進(jìn)行網(wǎng)絡(luò)權(quán)值的初始化,這是因為如果初始權(quán)值選擇不當(dāng),有可能造成訓(xùn)練時間過長,誤差平面陷入局部極小12,甚至不收縮。所以網(wǎng)絡(luò)的初始權(quán)值一般取11之間的隨機(jī)數(shù),這樣可保證每個神經(jīng)元的權(quán)值都能夠在型傳遞函數(shù)變化梯度最大的地方進(jìn)行調(diào)節(jié)。314輸入層的設(shè)計輸入層僅設(shè)一層,輸入神經(jīng)元的個數(shù)與輸入變量的個數(shù)相同。315隱含層的設(shè)計一是隱含層的層數(shù),對BP網(wǎng)絡(luò)而言,一個三層BP網(wǎng)絡(luò)就可以完成任意的N維到M維的映射,一般情況下,采用單隱層的網(wǎng)絡(luò)就可滿足要求二是隱含層神經(jīng)元的個數(shù),隱單元數(shù)目的確定比較復(fù)雜,與資料的特點、輸入輸出單元的數(shù)目都有關(guān)系,往往根據(jù)設(shè)計者的經(jīng)驗和多次試驗來確定,本文采取類似于統(tǒng)計學(xué)中建立“最優(yōu)”多元回歸方程中逐步向前法和向后法的方式來確定隱單元的數(shù)目,該方法如下先根據(jù)以下公式確定一個隱單元數(shù)的范圍（33）式中N為輸入單元數(shù),M為輸出單元數(shù),A為1,10之間的常數(shù)。然后放入足夠多的隱單元,通過訓(xùn)練將那些不起作用的隱單元逐步剔除,直到不收縮為止此即靈敏度修剪算法或者在開始時放入比較少的神經(jīng)元,逐步增加隱單元的數(shù)目,直到達(dá)到比較合理的隱單元數(shù)目為止。316輸出層的設(shè)計輸出層僅有一層,輸出層神經(jīng)元的個數(shù)與所希望得出的預(yù)測變量數(shù)目相等。32其他需要注意的問題如何提高網(wǎng)絡(luò)的泛化能力。網(wǎng)絡(luò)的泛化能力,通俗的說就是網(wǎng)絡(luò)對新樣本的預(yù)測能力。網(wǎng)絡(luò)的泛化能力與網(wǎng)絡(luò)的結(jié)構(gòu)和訓(xùn)練樣本的特性有關(guān),一般說來,網(wǎng)絡(luò)的隱節(jié)點數(shù)與隱層數(shù)越少,網(wǎng)絡(luò)的泛化能力越強(qiáng),因此在實際應(yīng)用時盡可能采用較少的隱節(jié)點數(shù)和隱層數(shù)來得到較優(yōu)的網(wǎng)絡(luò),另外,加入噪聲等也可以提高網(wǎng)絡(luò)的泛化能力。如何提高網(wǎng)絡(luò)的訓(xùn)練速度與收斂速度。為提高訓(xùn)練速度,可采用變化的學(xué)習(xí)速率或自適應(yīng)的學(xué)習(xí)速率。如何克服局部極小。BP算法可以使權(quán)值收縮到某個值,但并不能保證其誤差平面的全局最小值,這是因為采用梯度下降發(fā)可能會產(chǎn)生一個局部最小值。對于這個問題,可采用附加動量法、遺傳算法等。AMN133精神病模型擬合實例某市通過隨機(jī)抽樣、多因素逐步LOGISTIC回歸分析該市的4所精神病醫(yī)院的精神分裂癥新發(fā)病例及其對照各131例,篩選出影響精神分裂癥發(fā)病的主要因素共10個X1本人學(xué)歷、X2母親學(xué)歷、X3婚姻狀況、X4事件經(jīng)歷史、X5性格、X6工作學(xué)習(xí)壓力、X7母親孕齡、X8出生體重、X9家族史、X10非雙親撫養(yǎng)史。變量賦值如表1。311確定訓(xùn)練樣本及測試樣本以上述131對樣品作為訓(xùn)練樣本,另外選取精神分裂癥患者及正常人各20例作為測試樣本。312設(shè)計合適的神經(jīng)網(wǎng)絡(luò)參數(shù)輸入神經(jīng)元10個,單層隱含層,隱含層神經(jīng)元數(shù)目413個之間,通過靈敏度修剪算法確定隱含層的最佳神經(jīng)元個數(shù),輸出層神經(jīng)元個數(shù)為1訓(xùn)練次數(shù)1000次,訓(xùn)練目標(biāo)001,學(xué)習(xí)速率01隱含層采用型正切函數(shù)TANSIG,輸出層采用型對數(shù)函數(shù)LOGSIG,網(wǎng)絡(luò)訓(xùn)練的函數(shù)設(shè)定為TRAINLM。表1精神分裂癥發(fā)病影響因素及量化編號因素賦值X1本人學(xué)歷0小學(xué)及以下1初中2高中及中專3大學(xué)4碩士及以上X2母親學(xué)歷0較低1中等2較高X3婚姻狀況0已婚1未婚X4事件經(jīng)歷史0否1是X5性格0內(nèi)向1一般2外向X6學(xué)習(xí)及工作壓力0很輕1一般2很大X7母親孕齡0小于37周或大于42周137到42周X8出生體重0小于2500克12500到4000克2大于4000克X9家族史0無1三代以內(nèi)旁系2三代以內(nèi)直系X10非雙親撫養(yǎng)0否1是Y是否發(fā)病0否1是313編寫程序應(yīng)用MATLAB70編寫B(tài)P神經(jīng)網(wǎng)絡(luò)程序如下P【0131003010；0112214121；】輸入訓(xùn)練樣本的輸入變量PFORI110PI,（PI,MINPI,）/MAXPI,MINPI,輸入變量的歸一化處理END輸入訓(xùn)練樣本的輸出量TT1111111THRESHOLD01010101010101010101限定輸入變量的最大值與最小值NO4567891011121314隱含層神經(jīng)元的個數(shù)FORI111NETNEWFFTHRESHOLD,KNOI,1,TANSIG,LOGSIG,TRAINLM設(shè)定網(wǎng)絡(luò)訓(xùn)練函數(shù)NETTRAINPARAMEPOCHS1000設(shè)定訓(xùn)練次數(shù)NETTRAINPARAMGOAL001設(shè)定訓(xùn)練目標(biāo)LPLR01設(shè)定學(xué)習(xí)速率NETINITNET網(wǎng)絡(luò)的初始化NETTRAINNET,P,T網(wǎng)絡(luò)訓(xùn)練P_TEST01310030100112214121輸入預(yù)測樣本的輸入變量FORI110P_TESTI,P_TESTI,MINP_TESTI,/MAXP_TESTI,MINP_TESTI,歸一化處理ENDOUTSIMNET,P_TEST輸出預(yù)測變量X11111111輸入預(yù)測樣本結(jié)果PLOT140,XOUT繪制預(yù)測誤差曲線314訓(xùn)練結(jié)果通過反復(fù)訓(xùn)練發(fā)現(xiàn),當(dāng)隱含層神經(jīng)元個數(shù)為8時,網(wǎng)絡(luò)的訓(xùn)練速度最快,僅需要9次訓(xùn)練便達(dá)到到了預(yù)期的訓(xùn)練誤差,訓(xùn)練的速度也比均勻,網(wǎng)絡(luò)振蕩最小。315測試樣本的前瞻性考核把40個測試樣本的調(diào)查資料輸入上述訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行前瞻性考核,如果按照預(yù)報誤差大于005時為預(yù)測錯誤的標(biāo)準(zhǔn),則病例中有2例預(yù)測錯誤,正常人有3例預(yù)測錯誤,靈敏度及特異度分別為90、85,預(yù)測的一致率為875,前瞻