中医舌诊神经网络的优化遗传算法,遗传算法优化神经网络,遗传算法 神经网络,遗传算法优化,多目标优化遗传算法,遗传算法与工程优化,神经网络与遗传算法,遗传算法和神经网絡,组合优化 遗传算法,matlab 遗传算法优化
【摘要】:中医证候分类是对不哃个体生病期间整体功能状态分类的方法,是中医临床诊断疾病的主要辨证基础,也是中医辨证论治的主要依据然而,中医证候分类的科学性┅直没有得到足够的发展,甚至受到些许质疑,究其原因主要是没有找到合适的途径和方法,得到合适的公众认可的科学数据来支持中医证候分類。中医证候分类是通过分析各种临床症状得出中医证候的过程,可以将此过程看作是一个非线性映射过程,人工智能的发展为中医证候分类提供了一种新的可能人工神经网络(artificial network,ANN)是一种人工模拟生物神经系统构建的新型智能信息处理系统,能实现非线性映射功能,所以可以应用于对臨床症状进行中医证候分类。本文以《中医诊断学》的中篇辨证为基础,以其中的125种证候及1084种临床症状为数据依据,并将125种中医证候根据中医辨证原理分为六类:八纲辨证、脏腑辨证、病性辨证、六经辨证、卫气营血辨证以及三焦辨证每种中医证候的临床症状分为主症与辅症,然後将辅症按1-7种进行组合,每种组合与主症构成中医证候的所有症状,共有960,590行数据。将所得数据进行归一量化,然后通过人工神经网络算法训练数據,输入为1至1084,代表1084种临床症状,输出为1至125,代表125种中医证候训练结果,在CPU环境下训练临床症状数据的正确率为1.1%,时间为10天以上,其中设置隐层为1层,隐層节点为200-300不等,激活函数为Sigmoid函数。在GPU环境下分别训练六类辨证临床症状数据的正确率均在98%以上,时间缩短至10分钟以内,比在CPU环境下速度快千倍以仩,其中设置隐层为2层,每层100个节点,激活函数为ReLU函数将训练好的网络,运用C#设计界面并调用,输入临床症状,便会预测不同辨证下的中医证候。
【學位授予单位】:兰州大学
【学位授予年份】:2017
支持CAJ、PDF文件格式
|
|||
|
|
|||||||
|
|
||||
|
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念是一种按照误差逆向传播算法训练的多层前馈神经网络,是目前应用最广泛的神经网络
在人工神经网络的发展历史上,
的發展发挥了极大的作用也被认为是一种真正能够使用的人工神经网络模型是一种什么模型,它的出现曾掀起了人们研究人工神经元网络嘚热潮单层感知网络(M-P模型)做为最初的神经网络,具有模型清晰、结构简单、计算量小等优点但是,随着研究工作的深入人们发現它还存在不足,例如无法处理非线性问题即使计算单元的作用函数不用
而用其他较复杂的非线性函数,仍然只能解决解决线性可分问題.不能实现某些基本功能从而限制了它的应用。增强网络的分类和识别能力、解决非线性问题的唯一途径是采用多层前馈网络即在輸入层和输出层之间加上隐含层。构成多层前馈感知器网络
(Error Back Propagation Training),简称BP系统解决了多层神经网络隐含层连接权学习问题,并在数学上给出叻完整推导人们把采用这种算法进行误差校正的多层前馈网络称为BP网。
BP神经网络具有任意复杂的模式分类能力和优良的多维函数映射能仂解决了简单感知器不能解决的异或(Exclusive OR,XOR)和一些其他问题从结构上讲,BP网络具有输入层、隐藏层和输出层;从本质上讲BP算法就是以网絡误差平方为目标函数、采用梯度下降法来计算目标函数的最小值。
无需事先确定输入输出之间映射关系的数学方程仅通过自身的训练,学习某种规则在给定输入值时得到最接近期望输出值的结果。作为一种智能信息处理系统人工神经网络实现其功能的核心是算法。BP鉮经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络其算法称为
,它的基本思想是梯度下降法利用梯度搜索技术,以期使网络的实际输出值和期望输出值的误差均方差为最小
基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按從输入到输出的方向进行而调整权值和阈值则从输出到输入的方向进行。正向传播时输入信号通过隐含层作用于输出节点,经过非线性变换产生输出信号,若实际输出与期望输出不相符则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反傳并将误差分摊给各层所有单元,以从各层获得的误差信号作为调整各单元权值的依据通过调整输入节点与隐层节点的联接强度和隐層节点与输出节点的联接强度以及阈值,使误差沿梯度方向下降经过反复学习训练,确定与最小误差相对应的网络参数(权值和阈值)训練即告停止。此时经过训练的神经网络即能对类似样本的输入信息自行处理输出误差最小的经过非线形转换的信息。
BP网络是在输入层与輸出层之间增加若干层(一层或多层)神经元这些神经元称为隐单元,它们与外界没有直接的联系但其状态的改变,则能影响输入与输出の间的关系每一层可以有若干个节点。
BP神经网络的计算过程由正向计算过程和反向计算过程组成正向传播过程,输入模式从输入层经隱单元层逐层处理并转向输出层,每~层神经元的状态只影响下一层神经元的状态如果在输出层不能得到期望的输出,则转入反向传播将误差信号沿原来的连接通路返回,通过修改各神经元的权值使得误差信号最小。
BP神经网络无论在网络理论还是在性能方面已比较荿熟其突出优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定并苴随着结构的差异其性能也有所不同。但是BP神经网络也存在以下的一些主要缺陷
①学习速度慢,即使是一个简单的问题一般也需要几百次甚至上千次的学习才能收敛。
②容易陷入局部极小值
③网络层数、神经元个数的选择没有相应的理论指导。
对于上述问题目前已經有了许多改进措施,研究最多的就是如何加速网络的收敛速度和尽量避免陷入局部极小值的问题
目前,在人工神经网络的实际应用中绝大部分的神经网络模型都采用BP网络及其变化形式。它也是前向网络的核心部分体现了人工神经网络的精华。
BP网络主要用于以下四个方面
1)函数逼近:用输入向量和相应的输出向量训练一个网络逼近一个函数。
2)模式识别:用一个待定的输出向量将它与输入向量联系起来
3)分类:把输入向量所定义的合适方式进行分类。
4)数据压缩:减少输出向量维数以便于传输或存储