科学网—标签 - BP神经网络

相关帖子	版块	作者	回复/查看	最后发表

s110500617 2015-6-27 16:10

按照《神经网络与机器学习》一书的原理自己编写BP神经网络拟合正弦曲线的代码，可是拟合结果完全不是一条正弦曲线，自己找不出原因，希望科学网的老师不吝赐教，看看以下代码为什么没能做出正确的拟合？代码如下： %功能：BP神经网络对正弦信号做1-35-1网络训练，训练样本25点，测试样本250点 %日期：6.26 %作者：陈颖频 clc; clear all; %测试样本为25点 t=-0.8:1.6/25:0.8-1.6/25; y_t=sin(2*pi*125/256.0*t); figure(1); plot(y_t); %25点是训练样本 title('训练样本'); Hide_N=35; %隐层为35层 %w_in_1为输入层阈值，w_in_2为输入层到隐层的权重，w_hide_out为隐层到输出层权重 w_in_1=zeros(Hide_N,1)+0.1*rand(Hide_N,1); w_in_2=zeros(Hide_N,1)+0.1*rand(Hide_N,1); w_hide_out=zeros(Hide_N+1,1)+0.01*rand(Hide_N+1,1); theta1=1; %输入层的阈值1 theta2=1; %隐层到输出层的阈值2 c=zeros(Hide_N+1,1);c(1)=theta2; for i=1:200 %训练次 for j=1:25 %对每个训练样本做BP训练 hide=tanh( theta1*w_in_1+t(j)*w_in_2 ); %隐层输出 c(2:end)=hide; %隐层输出加隐层到输出的阈值1，所以c是20行一列，这样编程的好处是后面调整权w_hide_out的同时就调整了阈值 out=tanh( w_hide_out.'*c ); %输出层输出 e=y_t(j)-out; %误差 deta_o=e*(1+out)*(1-out); %反向回传梯度 dw_hide_out=0.02*deta_o*out; %0.02是学习率1 w_hide_out=w_hide_out+dw_hide_out; end for k=1:Hide_N %调整输入到隐层的权重和阈值 deta_in_hide(k)=(1+hide(k))*(1-hide(k))*deta_o*(w_hide_out(k)); %这里面的(1+hide(k))*(1-hide(k))表示对双曲正切函数的求导结果 w_in_2(k)= w_in_2(k)+0.01*deta_in_hide(k)*hide(k); %调整输入层权重 w_in_1(k)= w_in_1(k)+0.01*deta_in_hide(k)*hide(k); %调整输入层阈值 end end %测试用250点，上面的程序已经训练200次，以w_in_1为输入层阈值，w_in_2为输入层到隐层的权重，w_hide_out为隐层到输出层权重 d=zeros(Hide_N+1,1);d(1)=theta2; t2=-0.8:1.6/250:0.8-1.6/250; for j=1:250 d(2:end)=tanh( theta1*w_in_1+t2(j)*w_in_2 ); out2(j)=tanh( w_hide_out.'*d ); end figure(2); plot(out2); title('拟合曲线'); 仿真结果如下，实在不忍直视，但是代码我自己找不出问题所在。

5190 次阅读|0 个评论

基于PCA-BP肝炎患者舌诊的光谱识别

热度 1 人为峰 2010-3-13 09:20

1 引言祖国医学认为，肝脏与舌有着密切的联系，《灵枢。经脉》中曰厥阴者肝脉也，而脉络于舌本也，舌的两侧隶属于肝，肝脏及肝经的异常可出现相应的改变，肝炎就是肝脏出现异常的表现，而我国又是一个肝炎大国，本病可能被误诊为流感，或者由于一些病人没有任何症状，致使许多肝炎病例在早期没能被诊断出来，而耽误了治疗，并进一步发展成为肝硬化、肝衰竭和原发性肝癌，因此进行早期预防、诊断和治疗显得极其重要。目前国内外对肝炎患者的诊断主要是通过流行病学、临床症状、体征及实验室检查，如病原学、病理活检、CT、超声波等方法，结合患者具体情况及动态变化进行综合分析。并且还有很多学者将模糊理论、人工神经网络、支持向量机等各种算法用于肝病诊断建立了相应的模型。但是这些方法及建模所用的数据都要靠我们的专业技术人员丰富的实践经验作出判断，对病症的准确判断与医师的经验化有很大的关系，而且仅靠一些单一的指标进行分析，不能系统辩证的、全面的描述病症。近红外光谱分析技术具有速度快、效率高、分析重现性好、非接触性、无辐射、无创无损等特点, 可充分利用全谱段或多波长下的光谱数据进行定性或定量分析。目前已有很多学者将近红外光谱技术广泛应用于农业、石油化工、食品、医药等领域的品种鉴别和成分的预测，都取得良好的效果。本课题组已通过对舌体的光谱进行分析，得出了光谱能客观地反映舌表面的成分与结构信息。因此本文将利用人体的生理病理能表现于舌体，而光谱又能更全面、更客观的反映舌体所携带的生理病理信息，突出舌体的细微差别的特点。采用光谱法采集舌边的数据，并对其光谱数据进行预处理，应用主成分分析（PCA）和神经网络相结合的方法提取光谱信息中的差异，对肝炎患者舌边与健康人舌边的光谱数据进行分类建模，取得了较为满意的效果。这对加强中医舌诊的客观化起到了很好的促进作用。 2 实验与方法 2.1 仪器设备实验使用美国海洋光学公司的NIR-512近红外光谱仪，测定波长范围853.59 -1737.26nm，分辨率5.0nm，光源和光纤采用定制的GY－30光纤耦合溴钨灯及其配套光纤。光源输出直接经过光纤耦合作为照明垂直入射到被测体表面，而反射光又通过光纤输入到光谱仪，并利用配套软件spectralsuit进行采样，采集到的数据直接转化为光强值通过USB口进入计算机。 2.2 光谱数据的获取受试对象分别来自河北医科大学第一医院29例病毒性肝炎患者，天津市塘沽区永久医院体查科的7例病毒性肝炎患者和36例健康人，共72例受试者。其中入选的36例病毒性肝炎患者的肝功能进行实验室检测，经专家进行综合分析符合2000年《病毒性肝炎防治方案》诊断标准，如血清转氨酶增高、病原学检测阳性等。测试条件是：受试者取坐位，将舌自然伸出口外，充分暴露，呈扁平形，使舌体放松，让光线充足直射入口；要求受试者在不进饮食和漱口后立即进行舌诊。打开光源5分钟，待光源光谱稳定后，光纤探头垂直入射到舌体表面，对舌体的舌两侧进行测试。经多次实验后确定距离约1cm，设定积分时间为35ms，在测量范围之间采集512个波长数据，同一部位采集50次。 2.3 数据预处理教育由于外界的光源干扰、采集方法等因素使得采集到的数据存在着噪声，因此在进行分析之前必须进行预处理。由于某一物体的光谱反射率是反映自身的物理性质，不随外界照明条件的改变而改变。因此本文对光谱数据进行归一化反射率处理以消除照明光源的影响，能更客观地反映舌表面成分与结构的信息。首先对采集到的每个波长的50个原始数据进行叠加平均，再进行反射率计算并归一化处理，再对归一化预处理后的数据进行主成分析分析，将主成分得分矩阵作为BP的输入层节点数，由于舌左和舌右的分析方法一样，因此本文只取了舌左边（简称舌边）进行分析建模，整个处理过程都是由MATLAB软件完成。 3 实验结果与分析 3.1 舌诊近红外光谱图分析健康人与肝炎患者舌边的光谱如图1所示，(为图形显现清晰，健康者与肝炎患者只任意选取1条光谱曲线)，曲线1为健康人舌边光谱曲线，曲线2为肝炎患者舌边光谱曲线，横坐标为波长范围 853.59 ～ 1737.26 nm , 纵坐标为光谱归一化反射率。在 1328 ～ 1544nm 和1642 ～1737 nm 波段中两类受试者的光谱曲线相互重叠比较严重，而在其它波段却有较细微的差别，这为识别健康人与患者奠定了一定的理论依据。图1 近红外光谱归一化反射率 Fig.1 The normalized reflectance rate of near-infrared spectroscopy 3.2 主成分聚类分析主成分分析旨在利用降维的思想，把多变量转化为少数几个综合变量，将许多相关性很高的变量转化成彼此相互独立或不相关的变量。通过对大量的归一化反射率原始光谱变量进行转换，得到数目较少的新变量成为原变量的线性组合，而且新变量能最大限度地表征原变量的数据信息。对舌边近红外归一化反射率的共72个样本光谱数据进行主成分分析，样本前10个主成分累计贡献率见表1。由表1可知，前8个主成分累计贡献率达 98.33% ，而且这之后，随着主成分数的增加，累计贡献率增加相当缓慢，所以每个样本的光谱数据可以用前8个主成分代替。表 1 前10个主成分及其累积贡献率 Table1 The first 10 principal components and accumulative reliabilities 主成分贡献率累计贡献率 PC1 83.57% 83.57% PC2 6.65% 90.22% PC3 4.2% 94.42% PC4 1.89% 96.31% PC5 0.76% 97.07% PC6 0.61% 97.68% PC7 0.4% 98.08% PC8 0.25% 98.33% PC9 0.21% 98.54% PC10 0.17% 98.61% 图2所示为受试者前两个主成分得分图，图中横轴表示样本的第一主成分得分(PC1)，纵轴表示样本第二主成分得分(PC2)。从图2可知健康人的聚类效果较好,主要分部于纵轴的负半轴，肝炎患者主要分部于纵轴的正半轴，但比较分散，而且也有少部分样本在有些区域是相互交叉的，不具有完全可分性，因此为了达到更高的预测精度，需要在主成分分析的基础上采用BP神经网络所具有的非线性进行分析。图 2 舌边样本主成分1和主成分2得分图 Fig.2PCA scores plots( PC1PC2) for tongue sample 3.3 BP 神经网络模型本研究建立了一个三层 BP 神经网络，在 853.59 ～ 1737.26 nm 波段内共集采了 512 个波长的数据，如果将全部的光谱波段作为神经网络的输入，大大加大了神经网络的计算量，因此选取能代表原始变量所能提供的绝大部分信息的前 8 个主成分为神经网络的输入，即输入节点数为 8 ，输出值为不同人群的编码，设定 01 为健康人， 10 为肝炎患者，此代码在训练集中为目标值，在预测集中为相应的编码，因此输出层节点数为 2 。通过多次试验分析对比，确定隐层神经元数为 6 ，即网络输入层、隐含层、输出层节点数分别为 8 、 6 、 2 。输入层激励函数为 tansig ，输出层激励函数为 purelin ，训练函数为 traincgb ，训练次数为 1000 次，目标误差为 0.05 。将 72 个样本中随机选取健康人和肝炎患者各 26 个作为训练集本样，其余 20 例为预测集数据。对 20 个未知样本的预测结果见表 1 ，表 1 中 1 至 10 例为健康人，其真实值是 01 ， 11 至20 例为肝炎患者，其真实值为 10 ，从预测结果可见设定预测结果偏差在士0.2 内为预测正确情况下，该模型对预测集样本识别准确率达到 100% ，平均相对偏差为 1.5% 。表 1 利用BP网络对未知样本的预测结果 Table 1 the prediction results of unknown samples using BP network 样本号预测值真值样本号预测值真值 1 0.1304 0.8584 0 1 11 0.992 0.0154 1 0 2 -0.0137 1.0104 0 1 12 1.0009 0.0065 1 0 3 0.0123 1.0054 0 1 13 1.0293 -0.0028 1 0 4 0.0132 1.007 0 1 14 1.0138 0.0399 1 0 5 0.0658 0.9211 0 1 15 0.9999 0.0092 1 0 6 0.0133 1.0089 0 1 16 1.0125 -0.0269 1 0 7 0.0169 1.0166 0 1 17 1.0047 0.0003 1 0 8 0.0088 0.9992 0 1 18 0.9899 0.0174 1 0 9 0.0152 1.0111 0 1 19 1.0079 0.0169 1 0 10 0.0072 1.0124 0 1 20 0.9457 -0.0647 1 0 4 结　论通过对生理、生化指标进行综合分析，用主成分分析方法和BP神经网络相结合，对采集的舌边近红外光谱数据进行归一化反射率预处理后，进行主成分分析，选取能代表原始变量所能提供的绝大部分信息的前8个主成分为神经元的输入，建立了肝炎患者与健康人的识别模型，在以设定预测结果偏差在士0.2内为预测正确情况下，用该模型对预测集样本的识别准确率达到100%，预测值与实测值相对偏差小于1.5%。不仅为识别不同人群舌体的类别进行快速无损检测提供了一种新的方法，更重要的是从系统辩证、整体观出发，根据生理生化指标及舌诊的光谱信息中对中医症候的客观化进行了探索。参考文献: 岳小强.舌质颜色的模式识别及原发性肝癌患者舌色的临床研究．上海第二军医大学，2005． Yue Xiaoqiang. Study on paHern recognition of tongue color and its clinical characteristics in patients with primary hepatic carcinoma . Shanghai:Second Military Medical University,2005. MireenFriedrich-Rust et al. Ultrasound Evaluation of Perihepatic Lymph Nodes During Antiviral Therapy with the Protease Inhibitor Telaprevir (VX-950) in Patients with Chronic Hepatitis C Infection . Ultrasound in Medicine and Biology, 2007,33(9):1362-1367． , NicoleForestier , ChristophSarrazin , 宋闽宁，黄文琪，闵峰，吴贵华，郑玉清．CT诊断早期肝炎后肝硬化与临床病理对照分析．中国误诊学杂志，2009，9（10）：2272-2275． Song Minning, Huang Wenqi, Min Feng, et al. Comparative analysis on CT diagnosis of early posthepatitic cirrhosis and clinical pathology results . Chin J Misdiagn, 2009, 9(10):2272-2275(in Chinese)．章浩伟，朱训生，胡兆燕，张琴．基于灰色和模糊理论的中医肝炎肝硬化诊断方法及其比较．生物医学工程杂志，2007，24（4）：906-909． Zhang Haowei, Zhu Xunshen, Hu Zhaoyan1 Zhangqin. Comparative study of hepatocirrhosis case diagnosed by traditional chinese medicine based on grey system and fuzzy cluster . Journal of Biomedical Engineering, 2007, 24(4):906-909(in Chinese)． Mevlut Ture, Imran Kurt. Comparison of four different time series methods to forecast hepatitis A virus infection . Expert Systems with Applications, 2006,31(1):41-46． Rouhani, M., Haghighi, M.M.. The Diagnosis of Hepatitis diseases by Support Vector Machines and Artificial Neural Networks//International Association of Computer Science and Information Technology - Spring Conference, 2009(4):456-458．高俊，姚成，章俊．人工神经网络用于近红外光谱预测汽油辛烷值．分析科学学报, 2006，22（1）：71-73． Gao Jun, Yao Cheng, Zhang Jun. Application of artificial neural network for the prediction of gasoline octane number by near-infrared spectroscopy . Journal of Analytical Science, 2006, 22（1）:71-73(in Chinese)． Sun Jun, Mao Hanping, Yang Yiqing, et al. Model of moisture content of paddy rice leaf based on canopy spectral reflectance . Nongye Gongcheng Xuebao/Transactions of the Chinese Society of Agricultural Engineering, 2009, 25(9):133-136． Kim, J.G., Mengna Xia, Hanli Liu. Extinction coefficients of hemoglobin for near-infrared spectroscopy of tissue . IEEE Engineering in Medicine and Biology Magazine, ． 2005, 24(2):118-121 Niwayama, Masatsugu, Murata, et al. Noncontact tissue oxygenation measurement using near-infrared spectroscopy . Review of Scientific Instruments ．. , 2006, 77(7): 073102-073102-4 中华医学会传染病与寄生虫学分会,肝病学分会.病毒性肝炎防治方案 .中华传染病杂志,2001,19(1)56-62． Chinese Medical Association and infectious and parasitic credits．liver credits．Viral hepatitis prevention and treatment programs．Chin J Infect Dis,2001,19(1)56-62． R. Xu, H. Nguyen, P. Sobol, et al. Application of Principal Component Analysis to the FTIR Spectra of Disk Lubricant to Study LubeCarbon Interactions . IEEE transactions on magnetics, 2004, 40(4):3186-3188．张淑娟，王凤花，张海红，等．鲜枣品种和可溶性固形物含量近红外光谱检测．农业机械学报，2009，40（4）：139-142． Zhang Shujuan，Wang Fenghua，Zhang Haihong，et al．Detection of the fresh jujube varieties and SSC by NIR spectroscopy ．Transactions of the Chinese Society for Agricultural Machinery，2009，40（4）：139-142 (in Chinese) ．

个人分类: 生活点滴|7180 次阅读|3 个评论

基于DEA与BP神经网络的科技投入评价研究

yuliping 2009-6-29 15:03

按：该文发表于《科技管理研究》，2009.6 俞立平为了对中国地区宏观科技投入进行事前评价，本文首先选取科技投入产出的若干指标利用数据包络分析法测度效率，然后选取科技投入的相对指标作为输入变量，效率值作为输出变量，利用 BP 神经网络进行学习，建立预测模型，取得了较高的精度。在此基础上，可以通过优选科技投入指标、采用最新数据、增加学习样本等方法提高模型的精度。该方法除了进行宏观科技投入的评价外，也适用于特定行业的企业。 PDF文件下载

个人分类: 科学计量|4915 次阅读|1 个评论

针对ETM基于BP网络像元分解模型分类研究

maokebiao 2009-5-31 17:58

摘　要:限制遥感图像分类精度的一个主要原因是混合像元问题。因此像元分解也一直是遥感研究的一个热点问题。本文针对传统像元分解方法的缺点，首先对影像进行纯净像元提取，再对混合像元进行分解。在提取纯净像元时，利用ETM影像的全色波段和单波段不同的分辨率选取训练样本，从而克服了传统像元分解中需要两种影像或地面实测资料的缺点。然后用BP神经网络对混合像元进行分解。同时用民乐县的ETM影像作了试验。又利用对应的土地利用图作了验证。取得了比较好的效果。 1. 毛克彪 , 覃志豪 , 张万昌 , 针对 ETM 基于 BP 网络模型的像元分解研究 , 遥感信息 , 2004, 74(2):27-30. PDF下载

个人分类: 星星点灯|3674 次阅读|0 个评论

帐号		自动登录	找回密码
密码			注册

关闭安全验证

标签: BP神经网络

相关帖子

相关日志

关闭 安全验证

标签: BP神经网络

相关帖子

相关日志

关闭安全验证