LMBP神經(jīng)網(wǎng)絡算法改進及其應用.pdf

1、隨著人類社會的日益發(fā)展，知識和信息的大規(guī)模積累已經(jīng)開始使得人們應接不暇。特別是21世紀以后互聯(lián)網(wǎng)時代浪潮的來臨，人們所接觸到的信息正迎來爆炸式地增長。對大量數(shù)據(jù)的智能化分析、處理和預測乃至跨學科多領(lǐng)域的研究越來越受到人們的關(guān)注和重視，神經(jīng)網(wǎng)絡便是其中一個方興未艾的研究課題。它可以通過建立智能模型來有效地解決工程上和科學上的實際問題，適用于廣泛的應用領(lǐng)域，是一個極具研究價值和應用前景的方向。近幾十年來，神經(jīng)網(wǎng)絡在醫(yī)學診斷上的應用越來越多，

2、對醫(yī)學發(fā)展的貢獻也越來越大。人們將神經(jīng)網(wǎng)絡應用于心臟病分型診斷、胃癌細胞分析、器官移植次數(shù)優(yōu)化、呼吸道感染率分析、心電圖和腦波分析等醫(yī)療病例。
　　神經(jīng)網(wǎng)絡中比較常用和流行的網(wǎng)絡模型是反向傳播BP(Back Propagation)網(wǎng)絡。它是在Widrow-Hoff學習算法和ADALINE(ADAptive LInear NEuron)網(wǎng)絡的基礎(chǔ)上針對其單層網(wǎng)絡結(jié)構(gòu)只能夠解決線性可分問題的局限性而提出的。BP網(wǎng)絡可以用來訓練多層網(wǎng)

3、絡結(jié)構(gòu)，通過自我學習來調(diào)節(jié)網(wǎng)絡參數(shù)從而能夠解決復雜的非線性關(guān)系的數(shù)據(jù)分析預測和性能優(yōu)化問題。由于其強大的非線性建模能力，甫一問世便得以流行開來。但BP網(wǎng)絡算法有2個主要的不足之處:(1)由于BP網(wǎng)絡采用的是目標函數(shù)的一階導數(shù)信息導致其只具有線性收斂速度，網(wǎng)絡的收斂速度較慢使得其需要較長的訓練時間，當實際的問題規(guī)模較大時可能需要數(shù)小時甚至數(shù)天才能得出結(jié)果;(2)由于BP網(wǎng)絡使用的是局部優(yōu)化算法，而且多層網(wǎng)絡結(jié)構(gòu)的目標函數(shù)曲面一般相對而言比

4、較復雜，這就導致網(wǎng)絡產(chǎn)生局部收斂從而得不到問題最優(yōu)解。人們對此根據(jù)不同的實際需求進行了各種方式地優(yōu)化改進，許多改進算法卓有成效，但這個問題仍是目前研究的難點。
　　針對以上問題的不足之處，本文選用了BP神經(jīng)網(wǎng)絡的一個衍生算法LMBP(Levenberg-Marquardt Back Propagation)算法，并在此基礎(chǔ)上進一步提高了算法的收斂速度和網(wǎng)絡參數(shù)計算的準確性?；趯MBP算法中Hessian矩陣的理論分析以及分治法

5、的思想，本文提出了一種基于矩陣分塊的Cholesky遞歸分解算法。該算法在2個方面加速了網(wǎng)絡的收斂過程:一是通過分析Hessian矩陣的正定性質(zhì)，使用Cholesky矩陣分解算法來避免矩陣的求逆操作，將Hessian矩陣分解成上三角和下三角矩陣并轉(zhuǎn)換成線性方程組求解問題;二是在計算Cholesky矩陣分解時并不直接計算，而是分而治之，即先進行矩陣分塊，對分塊進行遞歸分解，然后通過分塊矩陣間的計算來得到最終所要求的三角矩陣。本文還從理論上

6、進行了算法改進程度的量化計算，通過對算法的時間復雜度進行理論上分析和計算，得出改進算法比傳統(tǒng)標準算法和目前已有改進算法的計算速度都要快一些。通過Matlab實驗仿真，實驗數(shù)據(jù)結(jié)果與理論計算值基本符合。最后，利用LMBP算法對影響人體亞健康的經(jīng)絡數(shù)據(jù)進行建模并訓練，最終模型對人體亞健康狀態(tài)的預測準確率達到83％。限于醫(yī)學上尚未制定相關(guān)的理論標準、人生理經(jīng)絡的復雜性、受測人群的地域和年齡覆蓋范圍以及經(jīng)絡測量數(shù)據(jù)的誤差等因素，預測結(jié)果具有一定