论文部分内容阅读
人工神经网络(Artificial Neural Network)是一门新兴的边缘学科,是生物神经网络在结构、功能及某些基本特性方面的理论抽象、简化和模拟而构成的一种信息处理系统。神经网络具有分布式信息存储方式、并行式信息处理方式、强大的容错性、自组织、自学习、自适应能力和非线性处理能力等特性,与传统医学统计方法相比,人工神经网络不需要精确的数学模型,没有任何对变量的假设(如正态性、独立性等)要求,因此可以弥补传统统计方法的不足,为解决实际问题提供新的思路和方法。对于医学工作者而言,如何构建神经网络模型使其具有较好的泛化能力,并解决实际问题是他们关注的。本文针对在医学领域中应用广泛的BP(Back-propagation)神经网络,介绍了BP神经网络的基本原理及其改进算法。针对BP算法及其改进算法中出现的过拟合(over-fitting)问题,探讨了提高BP神经网络泛化能力的方法,提出了基于贝叶斯正规化(Bayesian regularization)的算法,在网络目标函数中引入表示网络结构复杂性的惩罚项,使得在训练优化的过程中降低了网络结构的复杂性,并通过贝叶斯推理得出目标函数的最优化参数,达到避免网络过拟合的目的。本研究在介绍神经网络基本理论和实现方法的基础上,进行了理论模拟研究和实际资料的应用研究。模拟研究结果表明:基于贝叶斯正规化法的BP神经网络比其他改进算法具有更好的适应性,拟合效果及泛化能力都更好。在医学实例分析中对神经网络的构建、训练和优化进行了讨论,用贝叶斯正规化BP神经网络建立煤矿工人Ⅱ期高血压患者收缩压的预测模型,模型的决定系数R 2=0.97,预测的平均相对误差仅为2%,回代及预测结果都好于多元线性回归模型,表明该网络模型不仅能准确地拟合训练值,而且能更合理的进行预测未知样本,具有较好的泛化能力。研究结果表明贝叶斯正规化BP神经网络有效的避免了神经网络学习过程中的过拟合问题,且当实际资料中样本量有限或无法保证代表性时,使用贝叶斯正规化方法建立神经网络可以提高其泛化能力,为实际工作者正确运用神经网络模型具有普遍的指导意义。