基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證候非線性建模研究論文

《基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證候非線性建模研究論文》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、基于人工神經(jīng)網(wǎng)絡(luò)的中醫(yī)證候非線性建模研究論文.freeloid型可微函數(shù),可以實(shí)現(xiàn)輸入到輸出間的任意非線性映射,這使得它在函數(shù)逼近、模式識別、數(shù)據(jù)壓縮等領(lǐng)域有著廣泛的應(yīng)用,也使得它能夠應(yīng)用于中醫(yī)證候的非線性建模。3.2非線性建模方法證候具有典型的非線性特征,證候的診斷過程可以看作是一個從診斷指標(biāo)到證候的非線性映射過程,這個過程用非線性數(shù)學(xué)模型可以充分模擬,而ANN是典型的非線性數(shù)學(xué)模型,其中的BP網(wǎng)絡(luò)更具有強(qiáng)大的非線性擬合能力。因此,我們選擇ANN中最常用的BP神經(jīng)網(wǎng)絡(luò)技術(shù),并進(jìn)行適當(dāng)?shù)母倪M(jìn)后,建立中醫(yī)證候的非線性模型,然后對建立的證候模型的診斷性能進(jìn)行測試。具體步驟如下。3.2.1

2、數(shù)據(jù)預(yù)處理在建模之前,首先對試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理。包括對輸入數(shù)據(jù)的歸一化處理和對數(shù)據(jù)的主成分分析以及資料的分組處理等。先對所有數(shù)據(jù)進(jìn)行歸一化處理,使變換后的輸入輸出信息在(0,1)區(qū)間,以防止小數(shù)值信息被大數(shù)值信息所淹沒；然后對歸一化處理后的數(shù)據(jù)進(jìn)行主成分分析,主成分的選擇標(biāo)準(zhǔn)定為95%。數(shù)據(jù)經(jīng)過主成分分析,可對大量的輸入信息進(jìn)行降維處理；最后根據(jù)驗(yàn)證方法進(jìn)行病例分組,我們采用3倍交叉驗(yàn)證法,因此,將樣本隨機(jī)分為3組。3.2.2確定BP網(wǎng)絡(luò)的結(jié)構(gòu)在MATLAB7.0環(huán)境下,采用改進(jìn)的共軛梯度學(xué)習(xí)算法(trainscg學(xué)習(xí)算法),建立證候的三層前向BP網(wǎng)絡(luò)模型。該網(wǎng)絡(luò)包括輸入層、隱層和輸

3、出層,其中輸入層包含的輸入神經(jīng)元數(shù)即是證候的診斷指標(biāo)數(shù)；隱層的層數(shù)及每層包含的神經(jīng)元數(shù)根據(jù)具體情況而定；輸出層包含的輸出神經(jīng)元數(shù)即研究資料包含的基本證型數(shù)。兩個隱層之間通過雙曲線正切S型傳遞函數(shù)(tansig)連接,隱層與輸出層之間用對數(shù)S型傳遞函數(shù)(logsig)連接。設(shè)定網(wǎng)絡(luò)的系統(tǒng)誤差為小于0.01,最大迭代次數(shù)為500次,最小下降梯度為10－10。其中,網(wǎng)絡(luò)的輸出節(jié)點(diǎn)用來表示共幾種證型,表示方法是一個輸出節(jié)點(diǎn)對應(yīng)一種證型。我們將包含n個證型的輸出采用(0,1,…,0)的方式,括號內(nèi)共有n個數(shù)值,每一個數(shù)值代表一種證型,其中0表示診斷不成立,1表示診斷成立,這樣可以診斷兼夾證的情

4、況。另外,預(yù)測輸出值分原始輸出值和整合輸出值兩組,原始輸出值為0到1之間的連續(xù)值；整合輸出值既可整理成(0,1)的形式(規(guī)定≥0.5為1),又可整理成0－1之間的分段數(shù)值,比如(0,0.2,0.4,0.6,0.8,1)等6個數(shù)值,這樣根據(jù)數(shù)值大小既可診斷兼夾證,又可判斷證型的主、次情況。3.2.3證候網(wǎng)絡(luò)模型的訓(xùn)練先取樣本的兩組作為訓(xùn)練集,另一組作為測試集,再交換其中的一組,如此循環(huán),分別共做3次訓(xùn)練與測試,從中得出平均預(yù)測效果值。網(wǎng)絡(luò)參數(shù)的初始值取為-0.5,+0.5上均勻分布的隨機(jī)數(shù)。經(jīng)重置幾次網(wǎng)絡(luò)權(quán)值的學(xué)習(xí)率和動態(tài)訓(xùn)練集后,不斷改善權(quán)值。到權(quán)值趨穩(wěn),即認(rèn)為網(wǎng)絡(luò)訓(xùn)練完成。3.2.

5、4證候網(wǎng)絡(luò)模型的測試神經(jīng)網(wǎng)絡(luò)訓(xùn)練的期望目標(biāo)是以盡可能簡單的網(wǎng)絡(luò)結(jié)構(gòu)達(dá)到盡可能高的學(xué)習(xí)精度和盡可能好的泛化能力,因此考察神經(jīng)網(wǎng)絡(luò)的性能就要看網(wǎng)絡(luò)的泛化能力。所謂泛化,就是網(wǎng)絡(luò)對尚未學(xué)習(xí)過的數(shù)據(jù)的正確識別能力,是否具有良好的泛化能力是網(wǎng)絡(luò)能否投入實(shí)際使用及使用效果如何的重要因素。它可以通過測試樣本集網(wǎng)絡(luò)診斷結(jié)果的特異性和準(zhǔn)確率來衡量。證候網(wǎng)絡(luò)模型的權(quán)值趨穩(wěn),訓(xùn)練結(jié)束后,即可以采用三倍交叉驗(yàn)證的方法,分3次分別對1/3測試樣本做檢驗(yàn)。此時只有輸入矢量(即只有癥狀得分),無輸出期望值(即沒有相應(yīng)證型的判斷)。經(jīng)網(wǎng)絡(luò)運(yùn)算后,得出預(yù)測輸出值,與期望輸出進(jìn)行比較,分別統(tǒng)計(jì)各種證型預(yù)測值的特異性和準(zhǔn)

6、確率,以判斷該證候神經(jīng)網(wǎng)絡(luò)模型的診斷性能。4實(shí)現(xiàn)基于人工神經(jīng)網(wǎng)絡(luò)的非線性證候建模研究我們采用上述非線性證候建模方法,在MATLAB7.0環(huán)境下,對一組765例類風(fēng)濕性關(guān)節(jié)炎(rheumatoidarthritis,RA)臨床證候資料和一組449例糖尿病腎病(diabeticnephropathy,DN)臨床證候資料,分別建立了RA證候BP網(wǎng)絡(luò)模型和DN證候BP網(wǎng)絡(luò)模型,并均采用三倍交叉驗(yàn)證的方法,檢驗(yàn)了證候神經(jīng)網(wǎng)絡(luò)模型的診斷性能(具體內(nèi)容另文詳述)。測試結(jié)果顯示：兩種模型的平均單證特異性分別為81.31%、81.32%；平均單證準(zhǔn)確率分別為95.70%、96.25%；平均診斷準(zhǔn)確率分

7、別為90.72%、92.21%。說明基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的證候模型具有較高的診斷、預(yù)測能力。5討論“線性”和“非線性”是區(qū)別事物復(fù)雜性程度的標(biāo)尺,在數(shù)學(xué)中,當(dāng)兩個變量(自變量和應(yīng)變量)的關(guān)系成正比時就稱為線性關(guān)系,否則就是非線性關(guān)系4。在生命科學(xué)中,由上述概念推廣而來的線性和非線性邏輯則更具實(shí)用意義,非線性邏輯表征事物各組分之間是相互作用的,而不是相互獨(dú)立的、正則的、無限可微的和平滑的,即總體不等于部分之和,它是復(fù)雜系統(tǒng)的典型特征之一。證候是機(jī)體各層級結(jié)