BP神经网络在疾病预测中的应用.doc

BP 神经网络在疾病预测中的应用

【摘要】 目的： 探讨 BP 神经网络在疾病预测中的应用。方法：

设计合适的 BP 神经网络模型，用 Matlab7.0 编写模型程序，利用精神

分裂症影响因素拟合模型。结果：BP 神经网络在精神分裂症发病与否

的预测中取得了较好的效果。结论：BP 神经网络在流行病学中有良好

的应用前景。

【关键词】 BP 神经网络； 疾病预测； BP 算法； 精神分裂症

BP 神经网络是人工神经网络的一种，它通过模仿生物大脑神经

系统信息处理功能实现输入与输出之间的任意非线性优化映射，有着

传统统计方法无法比拟的适应性、容错性及自组织性等优点，特别是

用传统统计方法效果不好或不能达到目的时， 采用 BP 神经网络往往能

收到较好的效果，它在疾病预测中有着广阔的应用前景。

1 BP 神经网络基本结构及 BP 算法基本原理

BP 神经网络的基本处理单元是神经元（即节点） 大量神经元广 ，

泛连接构成神经网络。BP 网络通常含有输入层、隐含层（中间层）和

输出层，每层均包括多个神经元，输入层与输出层各有一层，隐含层

根据需要可以设多层，也可不设。神经元之间通过权相互连接，前一

层神经元只对下一层神经元作用，同层神经元之间无相互作用，权值

1

的大小代表上一级神经元对下一级神经元的影响程度，如图 1 所示。

网络中作用于神经元的激励函数通常采用的是 S 型函数（sigmoid 可

微函数） ，见式（1） 。

f(x)=(1+e-Qx)-1（1）

式中 Q 为调节激励函数形式的参数，称增益值。Q 值越大，S 形

曲线越陡峭;反之，曲线越平坦，通常取 Q =1。

BP 算法(Back Propagation) 是为了解决多层前向神经网络

的权值调整而提出来的，也称为反向传播算法，即网络权值的调整规

则是向后传播学习算法，具体来说，BP 算法是建立在梯度下降法的基

础上的，训练过程由正向传播和反向 传播组成，在正向传播过程中，

输入信息由输入层经隐含层逐层处理，并传向输出层，如果输出层得

不到期望的输出，则转入反向传播，逐层递归的计算实际输入与期望

输入的差即误差，将误差信号沿原来的连接通道返回，通过修改各层

神经元的权值，最终使得误差信号最小。

2 BP 网络的建模过程及模型设计要点

在流行病学中，可以应用 BP 网络建立疾病的预测模型，建模的

基本过程如下：首先收集导致疾病发生的主要影响因素及疾病发生的

结果；然后把影响因素及疾病结果输入到设计好神经网络模型中进行

2

反复训练，直到网络收敛（即达到预期的训练误差） 在训练过程中可 ，

适当采用一定的技巧使网络的训练速度最快、误差最小、模型最优；

最后用建立好的模型进行疾病预测。下面具体探讨网络模型的设计要

点。

2.1 确定训练样本

训练样本应来源于研究总体的一个随机无偏样本，并且按随机、

对照、重复及盲法等原则收集资料、整理资料、分析资料，保证训练

结果的无偏性。训练样本含量适宜，含量过大会造成训练速度偏慢，

训练结果过分逼近训练集（或者说是该研究的外部真实性较差） 使得 ，

网络的推广泛化能力降低，况且，大样本的收集大大增加了工作量；

样本过小其代表性不够，使训练结果不够可靠（或者说是该研究的内

部真实性较差） 一般来说，网络的结构越复杂，所需样本越多，结构 。

越简单，所需样本可相应减少。对于单层 BP 网络可参照 Logistic 回

归对样本含量的一般要求，当样本含量与连接权的个数比为 10：1 时

［1］ 就基本能够满足要求，多层 BP 网络的样本量应在此基础上根据 ，

网络的复杂程度适当增加。

2.2 变量值的归一化处理

归一化处理的目的是把变量值归一到区间［-1,1］内，此原因大

3