当前位置:主页 > 28365365网址 > 文章内容

PSO-BP算法在医学中的应用

来源:365bet线上娱乐城 作者:足球外围bet365 发布时间:2019-01-28

PSO-BP算法在医学中的应用
作者:未知
摘要:粒子群优化(PSO)是一种具有全局随机性的群随机进化算法。它具有鲁棒性,并结合粒子群优化算法和BP算法来解决BP算法的慢收敛问题,很容易陷入局部最小值。PSOBP算法的收敛性能,学习速度和稳定性优于BP算法。
结合实际需要,以印度肝癌为例,探讨PSOBP算法在医学中的应用。
关键词:粒子群算法BP算法PSOBP算法印度肝癌。中图分类号的医疗应用:TP301文献标识码:AA文章编号:1009-3044(2013)07-1689-05和医疗改革,引进更多的政策方针,但医疗服务的问题,人们会逐步得到解决,遇到医生的问题无法帮助人们解决根本问题:对疾病持乐观态度,可以从根本上预防多种疾病,提前做好治疗准备我会的。合理管理药物,使用剂量,从而提高医疗服务质量,降低医疗费用和药物费用,使人们可以摆脱生病的痛苦和问题。通过这种方式,我们将确保人们的健康。
在云计算和大数据时代,医院为患者提供了大量数据。通过处理大量数据,建立预测模型,对其模型进行测试和培训,以提取数据和隐藏诊断中的有价值信息。这是可能的。
在本文中,BP算法和粒子群优化算法简要介绍着眼于两种算法的组合,使用它与实验形成PSOBP算法来优化BP算法的初始权值和阈值我测试了它。性别,最后,分析PSOBP算法的应用,印度肝癌疾病,作为医学应用的一个例子。
1 BP神经网络BP网络神经网络(back propagation,BP)是从仿生学的角度模仿生物智能的科学行为。它是一种先进的多层神经网络,具有先进的自适应,自组织,基于误差传播的极点,具有强大的学习,关联,容错和抗干扰性[1]。
BP神经网络可以模拟任意线性和非线性函数,因此具有出色的预测能力。
包括输入图层,隐式图层和输出图层。每层有几个神经元,相邻层的所有单元相互连接。两个单元之间的连接强度称为“重量”。
主要步骤如下。1 BP确定神经网络的结构。
取决于研究的具体问题,为了初始化与BP神经网络,神经网络的输入层,隐含层,输出层相关联的参数,并设置层2的节点号。这包括学习率3根据连接层之间的权重和阈值,隐藏的H层输出和预测误差O,网络输出误差4,误差满足要求,如果没有。
根据错误,调整每个层的错误并更新网络连接权重和阈值。
5检查重复是否已结束,如果尚未结束则返回3。
2粒子群优化算法(PSO)粒子群优化算法(PSO)是由Kennedy和Eberhart等人[2,3]于1995年开发的进化计算。社会模型的模拟。
通过集团内个人之间的合作和信息交流,需要最佳的全球解决方案。两个最优位置之后共享信息的原理为优化算法的设计提供了新思路。这两个位置中的一个是当前粒子找到的最优解,另一个是邻近个体目前发现的最优解Pbest[4]。
在粒子群优化算法中,粒子是三维搜索空间中的粒子,没有质量和体积,具有位置和速度信息,并且在搜索空间中以可变速度飞行。个人飞行经验和集体飞行经验是动态调整的[5]。
如果内的搜索空间具有n个颗粒,所述第i个个体颗粒的位置可以被表达为X I =(X I1,X I2,X I3,X 6-14)。
Xin);飞行速度Vi =(Vi 1,Vi 2,Vi 3,Vi 4)。
Vin);粒子i经历的最佳适应值的位置是Pi =(Pi1,Pi2,Pi3,Pi4)。
Pin),粒子组经历的最佳位置是Pg =(Pg 1,Pg 2,Pg 3,Pg 4)。
Pgn);粒子位置和速度用以下公式更新。[6]其中W是惯性因子。这显示了粒子的历史速度对当前速度的影响。c1和c2是加速系数,c1控制粒子飞到最佳全局位置c2 = c2 = 2[6]。rand1和rand2是均匀分布的随机数,范围从0到1(包括0和1)。xidk是粒子i 5[7]的位置向量i的第d维的第一个元素。速度方程(1)的第二项表示个体的认知能力。第三项表示社会认知能力。
基于方程(1)和(2)的粒子群算法称为基本粒子群算法[8]。
标准PSO算法的流程图如图1所示。
基于PSOBP算法的研究粒子群优化算法高效,结构简单,收敛速度快,易于实现,性能稳定。粒子群优化算法优化了BP神经网络的权重和阈值。BP神经网络算法随机生成权重和阈值。PSOBP算法的步骤如下。步骤1:通过训练样本确定BP神经网络的输入层,隐藏层和输出层中的节点数。
步骤2:根据步骤1中确定的BP神经网络结构,建立BP神经网络的权重和阈值与粒子空间之间的映射关系,即数量。与连接阈值神经网络总重量初始化参数等于颗粒在颗粒组大小:惯性重量W,加速度常数C1和C2,初始位置X和初始速度V最大速度和最小速度,调整人口和进化代数的大小。
第3步:设置[error = i = 1i = n |Oi预测 - Oi current |],即作为学习误差的评估函数和BP神经网络的物理条件的函数。当误差值最小时,粒子群的粒子的物理状态达到最高水平,问题达到最优解。
Oi被预测为神经网络的预测输出,而Oi实际上是神经网络的实际输出。
步骤4:根据BP神经网络和步骤3的训练误差计算粒子群的粒子的有效值。
步骤5:比较每个粒子的适应度与其过去的最佳位置。如果更好,请将粒子适应度更新为Pbest,即粒子的最佳值。
步骤6:将每个粒子的有效性值与最佳组的最佳历史位置的最佳位置进行比较。如果您不介意,请更新gbest。
步骤7:根据等式1和等式2的等式2调整粒子的速度并更新粒子的位置。步骤8:根据人口的最佳位置调整BP神经网络的相关参数。主要是连接重量和阈值。
步骤9:对更新的粒子组执行相关性评估,以确定迭代次数是否已达到最终条件。当满足最终条件时,算法停止。如果不满足,则必须转移到步骤5继续迭代,直到满足最终条件。4 PSOBP算法与BP算法的实验比较Matlab是一种高性能的工程和可视化工程计算软件,提供完整的神经网络工具箱。
可以大大节省编程神经网络的学习算法的时间,并且还提高了网络输出的准确性。
使建立的网络更加可靠和有效[9]。
因此,实验是在matlab环境中完成的。
在函数z = x ^ 2 + y ^ 2(-5)上随机生成1900个组



(阅读次数: