基于BP神经网络和DS证据理论的疾病预测模型研究

发布时间：2017-09-12 08:00

  本文关键词：基于BP神经网络和DS证据理论的疾病预测模型研究

  更多相关文章： 预测模型 BP神经网络 DS证据理论 心脏病预测

【摘要】：随着生活水平的提高,人们期待获得更优质的医疗服务。计算机技术的快速发展使得它已经广泛地应用于医疗领域的各个方面,然而,计算机技术主要用于病人医疗信息的采集、显示、存储等方面,疾病的诊断仍然主要由医生来确定。利用计算机进行辅助疾病诊断,实现智慧医疗,目前正处于开始发展阶段。将计算机技术应用于疾病辅助诊断和预测[1],对于疾病的早发现、早治疗、减少误诊等方面具有很重要的意义。目前常用的方法包括时间序列预测法、Markov预测法、人工神经网络法、回归预测法等[2]。另外,人们也尝试将多个数学模型结合进行疾病预测,以提高预测的准确率。本文以心脏病预测为研究背景,通过BP神经网络[3]建立疾病预测模型,对病人的病情进行预测,并引入DS证据理论[4]以提高预测准确率。论文首先总结了BP神经网络和DS证据理论各自的特点。BP神经网络具有自适应、容错性和自组织性强的特点。但表现出容易陷入局部极小点,在多目标预测的过程中会产生识别率差和可信度不高的情况。DS证据理论的优点是可以将证据之间微弱的差别累加起来,当这些差别累计到一定程度时,就能够进行区分,达到提高预测准确率的效果,DS证据理论的这一优点正好可以弥补BP神经网络预测精度不高的缺点。鉴于BP神经网络和DS证据理论的特点,论文提出了一种将BP神经网络和DS证据理论结合起来进行疾病预测的模型。该模型用BP神经网络进行建模,得到疾病预测模型,并用该模型依据特征数据对病情进行预测,得到的结果用DS证据理论进行合成,合成结果作为最后的预测结果。为验证模型的正确性,论文通过心脏病数据对模型进行测试。先利用心脏病数据进行训练,生成BP神经网络。然后将数据分为多组输入,经归一化处理后,输入到BP神经网络进行预测,得到多组输出结果。该输出进行归一化处理,作为DS证据理论可以合成的基本概率向量。最后,利用DS证据理论对基本概率向量进行合成,合成的结果如果满足预期结果,则将合成结果输出,这一结果就是最终对心脏病的预测结果。实验表明,将BP神经网络和DS证据理论结合起来进行心脏病预测不仅预测准确率大大提高,而且算法的鲁棒性也较好。将此模型应用于其他疾病的预测,对该模型的应用范围进行扩展,将会为未来的智慧医疗的发展提供广阔的应用空间。
【关键词】：预测模型 BP神经网络 DS证据理论 心脏病预测
【学位授予单位】：太原理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP183;TP202
【目录】：

• 摘要3-5
• ABSTRACT5-9
• 第一章 引言9-16
• 1.1 论文的研究背景和研究意义9-12
• 1.2 国内外研究现状12-13
• 1.3 本文主要研究内容13-14
• 1.4 本文的结构14-15
• 1.5 本章小结15-16
• 第二章 BP神经网络技术16-27
• 2.1 人工神经网络16-21
• 2.1.1 人工神经元构造18-19
• 2.1.2 激活函数19-20
• 2.1.3 神经网络的一般模型20-21
• 2.1.4 神经网络的工作原理21
• 2.2 BP神经网络的相关理论21-25
• 2.2.1 三层BP神经网络21-24
• 2.2.2 BP神经网络的算法和实现过程24-25
• 2.2.3 BP神经网络的优点25
• 2.3 本章小结25-27
• 第三章 DS证据理论27-36
• 3.1 DS证据理论27
• 3.2 DS证据理论的基本概念27-32
• 3.2.1 DS证据理论的识别框架27-28
• 3.2.2 基本信任分配函数28-30
• 3.2.3 基本信任函数30
• 3.2.4 似然函数30-32
• 3.3 DS证据理论的合成规则32-35
• 3.3.1 两个证据合成规则32-34
• 3.3.2 多个证据合成规则34-35
• 3.4 DS证据理论合成的性质35
• 3.5 证据理论的优势35
• 3.6 本章总结35-36
• 第四章 基于BP神经网络和DS证据理论的疾病预测模型36-50
• 4.1 BP-DS模型36-39
• 4.1.1 BP-DS疾病预测模型框架36-37
• 4.1.2 疾病预测模型实现过程37-38
• 4.1.3 BP-DS算法的描述38-39
• 4.2 BP-DS模型心脏病预测39-49
• 4.2.1 实验环境介绍39-40
• 4.2.2 数据集划分40-41
• 4.2.3 数据归一化41-42
• 4.2.4 神经网络结构确定42-45
• 4.2.5 证据理论的合成45-47
• 4.2.6 实验结果分析47-49
• 4.3 本章小结49-50
• 第五章 总结与展望50-52
• 5.1 总结50-51
• 5.2 展望51-52
• 参考文献52-56
• 致谢56-58
• 攻读硕士期间发表的论文58

【相似文献】

中国期刊全文数据库 前10条

1 云中客;新的神经网络来自于仿生学[J];物理;2001年10期

2 唐春明,高协平;进化神经网络的研究进展[J];系统工程与电子技术;2001年10期

3 李智;一种基于神经网络的煤炭调运优化方法[J];长沙铁道学院学报;2003年02期

4 程科,王士同,杨静宇;新型模糊形态神经网络及其应用研究[J];计算机工程与应用;2004年21期

5 王凡,孟立凡;关于使用神经网络推定操作者疲劳的研究[J];人类工效学;2004年03期

6 周丽晖;从统计角度看神经网络[J];统计教育;2005年06期

7 赵奇 ,刘开第 ,庞彦军;灰色补偿神经网络及其应用研究[J];微计算机信息;2005年14期

8 袁婷;;神经网络在股票市场预测中的应用[J];软件导刊;2006年05期

9 尚晋;杨有;;从神经网络的过去谈科学发展观[J];重庆三峡学院学报;2006年03期

10 杨钟瑾;;神经网络的过去、现在和将来[J];青年探索;2006年04期

中国重要会议论文全文数据库 前10条

1 徐春玉;;基于泛集的神经网络的混沌性[A];1996中国控制与决策学术年会论文集[C];1996年

2 周树德;王岩;孙增圻;孙富春;;量子神经网络[A];2003年中国智能自动化会议论文集（上册）[C];2003年

3 罗山;张琳;范文新;;基于神经网络和简单规划的识别融合算法[A];2009系统仿真技术及其应用学术会议论文集[C];2009年

4 郭爱克;马尽文;丁康;;序言(二)[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

5 钟义信;;知识论:神经网络的新机遇——纪念中国神经网络10周年[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

6 许进;保铮;;神经网络与图论[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

7 金龙;朱诗武;赵成志;陈宁;;数值预报产品的神经网络释用预报应用[A];1999年中国神经网络与信号处理学术会议论文集[C];1999年

8 田金亭;;神经网络在中学生创造力评估中的应用[A];第十二届全国心理学学术大会论文摘要集[C];2009年

9 唐墨;王科俊;;自发展神经网络的混沌特性研究[A];2009年中国智能自动化会议论文集（第七分册）[南京理工大学学报（增刊）][C];2009年

10 张广远;万强;曹海源;田方涛;;基于遗传算法优化神经网络的故障诊断方法研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

中国重要报纸全文数据库 前10条

1 美国明尼苏达大学社会学博士 密西西比州立大学国家战略规划与分析研究中心资深助理研究员 陈心想;维护好创新的“神经网络硬件”[N];中国教师报;2014年

2 卢业忠;脑控电脑 惊世骇俗[N];计算机世界;2001年

3 葛一鸣 路边文;人工神经网络将大显身手[N];中国纺织报;2003年

4 中国科技大学计算机系　邢方亮;神经网络挑战人类大脑[N];计算机世界;2003年

5 记者 孙刚;“神经网络”：打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报记者 刘霞;美用DNA制造出首个人造神经网络[N];科技日报;2011年

7 健康时报特约记者　 张献怀;干细胞移植：修复受损的神经网络[N];健康时报;2006年

8 刘力;我半导体神经网络技术及应用研究达国际先进水平[N];中国电子报;2001年

9 ;神经网络和模糊逻辑[N];世界金属导报;2002年

10 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

中国博士学位论文全文数据库 前10条

1 杨旭华;神经网络及其在控制中的应用研究[D];浙江大学;2004年

2 李素芳;基于神经网络的无线通信算法研究[D];山东大学;2015年

3 石艳超;忆阻神经网络的混沌性及几类时滞神经网络的同步研究[D];电子科技大学;2014年

4 王新迎;基于随机映射神经网络的多元时间序列预测方法研究[D];大连理工大学;2015年

5 付爱民;极速学习机的训练残差、稳定性及泛化能力研究[D];中国农业大学;2015年

6 李辉;基于粒计算的神经网络及集成方法研究[D];中国矿业大学;2015年

7 王卫苹;复杂网络几类同步控制策略研究及稳定性分析[D];北京邮电大学;2015年

8 张海军;基于云计算的神经网络并行实现及其学习方法研究[D];华南理工大学;2015年

9 李艳晴;风速时间序列预测算法研究[D];北京科技大学;2016年

10 曾U喺，

本文编号：835999