基于BP神经网络的脑血管疾病专家诊断系统研究

论文摘要

脑血管疾病已成为危害中老年人身体健康和生命的主要疾病。根据其病理变化分为出血性和缺血性脑血管病两大类,主要症状表现为:头痛、眩晕、恶心、呕吐、偏瘫、偏身感觉障碍、偏盲、失语、嗜睡或昏迷等。人工神经网络是近期发展最快的人工智能领域研究成果之一。BP神经网络模型是阶层型神经网络中使用最广泛的一类,它通过迭代梯度算法求解前馈网络的实际输出与期望输出之间的最小均方差值,并能反向传递和修改误差。随着误差逆传播修正的不断进行,网络对输入模式响应的正确率也不断上升。当参数适当时,此网络能够收敛到较小的均方差。本文在介绍BP神经网络的有关原理的基础上,针对BP神经网络收敛缓慢的缺陷,以L-M算法代替梯度下降法训练神经网络,建立了基于L-M算法的脑血管疾病BP神经网络模型。该算法较梯度下降算法大大加快了网络的训练速度,BP神经网络模型共三层由16个输入层节点,11个隐含层节点,4个输出层节点组成,用该模型可以根据16个脑血管疾病典型症状诊断出4种脑血管疾病。本文采用Visual C++6.0实现了该BP神经网络模型,为了加强模块化和以后改进方便训练算法和矩阵操作部分分别用动态链接库实现。系统分为训练和诊断两部分,系统首先根据给定样本数据进行训练,然后保存BP网络权值矩阵。在诊断时首先调入权值矩阵,根据输入的症状,进行BP网络的前向计算,得到输出结果,然后和4种疾病的标准输出比较得出诊断结果。本文将训练后的系统用于诊断测试,取得了较好的效果。表明人工神经网络方法在疾病诊断方面的应用是可行的并且是有效的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景
• 1.1.1 脑血管疾病介绍
• 1.1.2 医学诊断专家系统发展历史
• 1.1.3 人工神经网络在医学领域的研究现状
• 1.2 课题研究的内容及意义
• 1.2.1 研究内容
• 1.2.2 研究意义
• 第2章 BP 神经网络理论
• 2.1 人工神经网络的基本原理
• 2.1.1 生物神经元
• 2.1.2 人工神经元与人工神经网络模型的构成
• 2.1.3 人工神经网络的学习机理及学习规则
• 2.1.4 人工神经网络的典型模型
• 2.1.5 神经网络的基本特征
• 2.2 BP 神经网络模型
• 2.2.1 BP 算法的出现
• 2.2.2 BP 神经网络的构成
• 2.2.3 BP 神经网络学习算法
• 2.2.4 BP 算法的缺陷
• 2.2.5 BP 算法的改进
• 2.2.6 L-M 算法
• 2.3 本章小结
• 第3章 系统分析及设计
• 3.1 脑血管疾病知识分析
• 3.1.1 短暂性脑缺血发作
• 3.1.2 脑梗塞
• 3.1.3 脑出血
• 3.1.4 蛛网膜下腔出血
• 3.2 BP 神经网络拓扑结构及参数的分析
• 3.2.1 输入输出层及隐层的确定
• 3.2.2 隐层节点数
• 3.2.3 学习步长
• 3.2.4 网络的初始连接权值
• 3.2.5 传递函数的确定
• 3.2.6 BP 神经网络的训练
• 3.2.7 网络模型的性能和泛化能力
• 3.3 功能模块设计
• 3.4 开发步骤
• 3.5 开发环境及工具
• 3.5.1 开发环境
• 3.5.2 动态链接库技术介绍
• 3.6 本章小结
• 第4章 系统详细设计及编码
• 4.1 系统工作流程
• 4.2 L-M 训练算法
• 4.2.1 初始化BP 神经网络
• 4.2.2 前向传播计算
• 4.2.3 L-M 算法计算流程
• 4.3 矩阵类的设计
• 4.4 本章小结
• 第5章 系统实现及BP神经网络训练
• 5.1 系统介绍
• 5.1.1 训练界面设置
• 5.1.2 诊断界面
• 5.2 系统训练
• 5.2.1 样本选取
• 5.2.2 参数设置及神经网络训练结果
• 5.2.3 保存神经网络矩阵
• 5.3 系统测试
• 5.4 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的学术论文
• 致谢