醫藥信息分析與決策第八章人工神經網絡2

人腦的結構、機制和功能中凝聚著無比的奧秘和智慧。地球是宇宙的驕子，人類是地球的寵兒，大腦是人的主宰。

現在是探索腦的奧秘，從中獲得智慧，在其啟發下構造為人類文明服務的高級智能系統的時候了！*本章要點一、神經網絡簡介二、MATLAB簡介三、神經網絡建模基礎四、利用MicrosoftSQLServer2005實踐神經網絡算法3《醫學信息分析與決策》課程組*一、神經網絡簡介人腦與計算機信息處理機制的比較系統結構信號形式信息存儲信息處理機制*5《醫學信息分析與決策》課程組一、神經網絡簡介

生物神經網絡人類的大腦大約有1.41011個神經細胞，亦稱為神經元。每個神經元有數以千計的通道同其它神經元廣泛相互連接，形成復雜的生物神經網絡。人工神經網絡以數學和物理方法以及信息處理的角度對人腦神經網絡進行抽象，并建立某種簡化模型，就稱為人工神經網絡（ArtificialNeuralNetwork，縮寫ANN）。*6《醫學信息分析與決策》課程組一、神經網絡簡介人工神經網絡定義神經網絡是由多個非常簡單的處理單元彼此按某種方式相互連接而形成的計算系統，該系統是靠其狀態對外部輸入信息的動態響應來處理信息的。人工神經網絡是一個由許多簡單的并行工作的處理單元組成的系統，其功能取決于網絡的結構、連接強度以及各單元的處理方式。人工神經網絡是一種旨在模仿人腦結構及其功能的信息處理系統。*7《醫學信息分析與決策》課程組一、神經網絡簡介*9《醫學信息分析與決策》課程組聯想記憶功能神經網絡的基本功能一、神經網絡簡介*10《醫學信息分析與決策》課程組神經網絡的基本功能非線性映射功能神經網絡的基本功能*11《醫學信息分析與決策》課程組分類與識別功能一、神經網絡簡介神經網絡的基本功能*13《醫學信息分析與決策》課程組知識處理功能一、神經網絡簡介神經網絡的應用領域：信息處理領域信號處理模式識別數據壓縮*14《醫學信息分析與決策》課程組一、神經網絡簡介神經網絡的應用領域：自動化領域系統識別神經控制器智能檢測*15《醫學信息分析與決策》課程組一、神經網絡簡介神經網絡的應用領域：醫學領域檢測數據分析生物活性研究醫學專家系統*17《醫學信息分析與決策》課程組一、神經網絡簡介神經網絡的應用領域：經濟領域信貸分析市場預測*18《醫學信息分析與決策》課程組一、神經網絡簡介神經網絡的軟硬件實現神經網絡編程語言既可用高級語言也可用低級語言。C語言是神經網絡應用軟件的基本編程工具;匯編語言常用于提高神經網絡的已有功能或解決與硬件相關的難點。MATLAB名字由MATrix和LABoratory兩詞的前三個字母組合而成。20世紀七十年代后期，時任美國新墨西哥大學計算機科學系主任的CleveMoler教授出于減輕學生編程負擔的動機，為學生設計了一組調用LINPACK和EISPACK庫程序的“通俗易用”的接口，此即用FORTRAN編寫的萌芽狀態的MATLAB。*19《醫學信息分析與決策》課程組一、神經網絡簡介神經網絡的軟硬件實現在歐美大學里，諸如應用代數、數理統計、自動控制、數字信號處理、模擬與數字通信、時間序列分析、動態系統仿真等課程的教科書都把MATLAB作為內容。這幾乎成了九十年代教科書與舊版書籍的區別性標志。在那里，MATLAB是攻讀學位的大學生、碩士生、博士生必須掌握的基本工具。*21《醫學信息分析與決策》課程組一、神經網絡簡介神經網絡的軟硬件實現MATLAB的推出得到了各個領域的專家學者的廣泛關注，在此基礎上，專家們相繼推出了MATLAB工具箱，主要包括信號處理、控制系統、神經網絡、圖像處理、魯棒控制、非線性系統控制設計、系統辨識、最優化、模糊邏輯、小波等工具箱，這些工具箱給各個領域的研究和工程應用提供了有力的工具。*22《醫學信息分析與決策》課程組一、神經網絡簡介參考文獻[1]人工神經網絡教程（第1版）韓力群，北京：北京郵電大學出版社，2006年[2]神經網絡(影印版),SatishKumar,北京：清華大學出版社，2006年[3]神經網絡設計(英文版)（美）黑根等著,機械出版社，中信出版社，2002[4]神經網絡模型及其MATLAB仿真程序設計，周開利，康耀紅，北京：清華大學出版社，2005年*23《醫學信息分析與決策》課程組一、神經網絡簡介二、MATLAB簡介語言規則MATLAB要區分大小寫，它的命令全是小寫的。一行可以輸入幾個命令，用“；”或“，”隔開。如用“；”則該函數的執行結果不顯示（圖形函數除外）。如用“’”則該函數的運行結果要顯示。*25《醫學信息分析與決策》課程組二、MATLAB簡介數值與變量①數值②變量：變量名、函數名是對大小寫很敏感的，兩個字符串表示的變量，字母都相同，大小寫不同，也視為不同的變量；第一個字母必須是英文字母；字符間不可留空格；最多只能有31個字符（只能用英文字母、數字和下連字符）一行中“%”后的內容僅作注釋用，對MATLAB的計算不產生任何影響。*26《醫學信息分析與決策》課程組二、MATLAB簡介矩陣元素的操作（1）矩陣元素的提取：（2）小矩陣構造大矩陣。（3）[]：可以用它來刪除矩陣的行列，或整個矩陣。*29《醫學信息分析與決策》課程組二、MATLAB簡介運算符算術運算符：+，-，*,/,\,^關系運算符：==,~=,<,>,<=,>=*30《醫學信息分析與決策》課程組二、MATLAB簡介M文件的編輯與建立命令文件按在指令窗口中的指令輸入順序，依次將指令編輯在命令文件中。如果某個命令的結果不需要顯示出則在該命令后加上“；”，注意文件名一定是“.m”。如：函數文件function返回變量列表=函數名（輸入變量列表）命令文件的變量在文件執行完后保留在內存；而函數文件內定義的變量僅在函數文件內部起作用，當函數文件執行完成后，這些內部變量將被清除。*31《醫學信息分析與決策》課程組二、MATLAB簡介繪圖命令plot：繪制二維線性圖形及兩個坐標軸；

plot(x,y)表示以x為橫坐標，y為縱坐標的圖形。

x=0:pi/100:2*pi;y=sin(x);plot(x,y)plot3：繪制三維線性圖形及三個坐標軸；plot3(x,y,z)

t=0:pi/100:6*pi;x=cos(t);y=sin(t);z=2*t;plot3(y,x,z)*32《醫學信息分析與決策》課程組二、MATLAB簡介M文件的編輯與建立命令文件按在指令窗口中的指令輸入順序，依次將指令編輯在命令文件中。如果某個命令的結果不需要顯示出則在該命令后加上“；”，注意文件名一定是“.m”。如：函數文件function返回變量列表=函數名（輸入變量列表）命令文件的變量在文件執行完后保留在內存；而函數文件內定義的變量僅在函數文件內部起作用，當函數文件執行完成后，這些內部變量將被清除。*33《醫學信息分析與決策》課程組二、MATLAB簡介Matlab的編程條件語句if〈條件1〉語句塊1else語句塊2end*34《醫學信息分析與決策》課程組二、MATLAB簡介Matlab的編程switch——case——end分支結構Switch表達式Case常量表達式1

語句塊1case常量表達式2

語句塊2case{常量表達式n，常量表達式n+1,常量表達式n+2…}

語句塊notherwise

語句塊n+1end*35《醫學信息分析與決策》課程組二、MATLAB簡介Matlab的編程for循環語句for〈循環變量〉=〈初值〉:[步長:]〈終值〉

循環體

end*36《醫學信息分析與決策》課程組二、MATLAB簡介Matlab的編程while循環語句while〈條件〉，

循環end*37《醫學信息分析與決策》課程組三、神經網絡建模基礎

神經生理學和神經解剖學的研究結果表明，神經元(Neuron)是腦組織的基本單元，是人腦信息處理系統的最小單元。生物神經元生物神經網絡*38《醫學信息分析與決策》課程組三、神經網絡建模基礎生物神經元*39《醫學信息分析與決策》課程組生物神經元在結構上由:細胞體(Cellbody)、樹突(Dendrite)、軸突(Axon)、突觸(Synapse)四部分組成。用來完成神經元間信息的接收、傳遞和處理。人工神經網絡的生物學基礎*40三、神經網絡建模基礎生物神經元:信息的產生神經元間信息的產生、傳遞和處理是一種電化學活動。*41《醫學信息分析與決策》課程組

神經元狀態：靜息興奮抑制

膜電位：極化去極化超極化三、神經網絡建模基礎*42三、神經網絡建模基礎*43《醫學信息分析與決策》課程組生物神經元:信息的傳遞與接收三、神經網絡建模基礎*44《醫學信息分析與決策》課程組生物神經元:信息的整合空間整合：同一時刻產生的刺激所引起的膜電位變化，大致等于各單獨刺激引起的膜電位變化的代數和。時間整合：各輸入脈沖抵達神經元的時間先后不一樣。總的突觸后膜電位為一段時間內的累積。生物神經網絡*45《醫學信息分析與決策》課程組

由多個生物神經元以確定方式和拓撲結構

相互連接即形成生物神經網絡。

生物神經網絡的功能不是單個神經元信息

處理功能的簡單疊加。

神經元之間的突觸連接方式和連接強度不

同并且具有可塑性，這使神經網絡在宏觀

呈現出千變萬化的復雜的信息處理能力。三、神經網絡建模基礎三、神經網絡建模基礎

神經元及其突觸是神經網絡的基本器件。因此，模擬生物神經網絡應首先模擬生物神經元人工神經元(節點)

從三個方面進行模擬:節點本身的信息處理能力節點與節點之間連接(拓撲結構)相互連接的強度(通過學習來調整)*46《醫學信息分析與決策》課程組決定人工神經網絡整體性能的三大要素三、神經網絡建模基礎節點本身的信息處理能力(數學模型)節點與節點之間連接(拓撲結構)相互連接的強度(通過學習來調整)*47《醫學信息分析與決策》課程組三、神經網絡建模基礎模型的六點假設：(1)每個神經元都是一個多輸入單輸出的信息處理單元；(2)神經元輸入分興奮性輸入和抑制性輸入兩種類型；(3)神經元具有空間整合特性和閾值特性；(4)神經元輸入與輸出間有固定的時滯,主要取決于突觸延擱；(5)忽略時間整合作用和不應期；(6)神經元本身是非時變的，即其突觸時延和突觸強度均為常數。*48《醫學信息分析與決策》課程組三、神經網絡建模基礎假設1圖(a)表明，正如生物神經元有許多激勵輸入一祥，人工神經元也應該有許多的輸入信號，圖中每個輸入的大小用確定數值xi表示，它們同時輸入神經元j，神經元的單輸出用oj表示。*49《醫學信息分析與決策》課程組三、神經網絡建模基礎假設2生物神經元具有不同的突觸性質和突觸強度，其對輸入的影響是使有些輸入在神經元產生脈沖輸出過程中所起的作用比另外一些輸入更為重要。圖(b)中對神經元的每一個輸入都有一個加權系數wij，稱為權重值，其正負模擬了生物神經元中突觸的興奮和抑制，其大小則代表了突觸的不同連接強度。*50《醫學信息分析與決策》課程組三、神經網絡建模基礎假設3作為ANN的基本處理單元，必須對全部輸入信號進行整合，以確定各類輸入的作用總效果，圖(c)表示組合輸人信號的“總和值”，相應于生物神經元的膜電位。神經元激活與否取決于某一閾值電平，即只有當其輸入總和超過閾值時,神經元才被激活而發放脈沖,否則神經元不會產生輸出信號。*51《醫學信息分析與決策》課程組三、神經網絡建模基礎假設4圖(d)人工神經元的輸出也同生物神經元一樣僅有一個，如用oj表示神經元輸出，則輸出與輸入之間的對應關系可用圖(d)中的某種非線性函數來表示，這種函數一般都是非線性的。*52《醫學信息分析與決策》課程組三、神經網絡建模基礎*53《醫學信息分析與決策》課程組τij——輸入輸出間的突觸時延；

Tj——神經元j的閾值；

wij——神經元i到j的突觸連接系數或稱權重值；

f()——神經元轉移函數。(1)上述內容可用一個數學表達式進行抽象與概括。令xi(t)表示t時刻神經元j接收的來自神經元i的信息輸入，oj(t)表示t時刻神經元j的信息輸出，則神經元j的狀態可表達為1式。三、神經網絡建模基礎*54三、神經網絡建模基礎(2)為簡單起見，將1上式中的突觸時延取為單位時間，則式(1)可寫為2式。上式描述的神經元數學模型全面表達了神經元模型的6點假定。其中輸入xi的下標i=1,2,…,n，輸出oj的下標j體現了神經元模型假定(1)中的“多輸入單輸出”。權重值wij的正負體現了假定(2)中“突觸的興奮與抑制”。Tj代表假定(3)中神經元的“閾值”；“輸入總和”常稱為神經元在t時刻的凈輸入，*55神經元的數學模型：(3)三、神經網絡建模基礎*56《醫學信息分析與決策》課程組net’j(t)

體現了神經元j的空間整合特性而未考慮時間整合，當net’j-Tj>0時，神經元才能被激活。oj(t+1)與xI(t)之間的單位時差代表所有神經元具有相同的、恒定的工作節律，對應于假定(4)中的“突觸延擱”；wij與時間無關體現了假定(6)中神經元的“非時變”。神經元的數學模型：net’j=WjTX(4)三、神經網絡建模基礎*57《醫學信息分析與決策》課程組為簡便起見，在后面用到式(3)時，常將其中的(t)省略。式(3)還可表示為權重向量Wj和輸入向量X的點積WTX。

其中Wj和X均為列向量，定義為Wj=(w1w2…wn）T，X=(x1x2…xn)T如果令x0=-1，w0=Tj，則有-Tj=x0w0，因此凈輸入與閾值之差可表達為神經元的數學模型：(5)oj=f(netj)=f(WjTX)(6)三、神經網絡建模基礎*58《醫學信息分析與決策》課程組顯然，式(2.4)中列向量Wj和X的第一個分量的下標均從1開始，而式(5)中則從0開始。采用式(5)的約定后，凈輸入改寫為netj，與原來的區別是包含了閾值。綜合以上各式，神經元模型可簡化為神經元的數學模型：三、神經網絡建模基礎

神經元各種不同數學模型的主要區別在于采用了不同的轉移函數，從而使神經元具有不同的信息處理特性。神經元的信息處理特性是決定人工神經網絡整體性能的三大要素之一，反映了神經元輸出與其激活狀態之間的關系，最常用的轉移函數有4種形式。*59《醫學信息分析與決策》課程組(1)閾值型轉移函數 1x≥0 f(x)=(7)

0x＜0 三、神經網絡建模基礎*60《醫學信息分析與決策》課程組神經元的轉移函數：(2)非線性轉移函數三、神經網絡建模基礎*61《醫學信息分析與決策》課程組非線性轉移函數為實數域R到[0.1]閉集的非減連續函數，代表了狀態連續型神經元模型。最常用的非線性轉移函數是單極性的sigmoid函數曲線，簡稱S型函數。其特點是函數本身及其導數都是連續的，因而在處理上十分方便。S型函數函數又分為單極性和雙極性兩種，分別定義如下：神經元的轉移函數：(2)非線性轉移函數三、神經網絡建模基礎*62《醫學信息分析與決策》課程組神經元的轉移函數：(3)分段線性轉移函數三、神經網絡建模基礎*63《醫學信息分析與決策》課程組該函數特點是神經元的輸入與輸出在一定區間內滿足線性關系，模擬了實際系統中的飽和特性。由于具有分段線性的特點，因而在實現上比較簡單。這類函數也稱為偽線性函數，表達式如下：神經元的轉移函數：(3)分段線性轉移函數 0x≤0 f(x)= cx0＜

x≤xc(9)

1xc＜

x 三、神經網絡建模基礎*64《醫學信息分析與決策》課程組神經元的轉移函數：(4)概率型轉移函數溫度參數三、神經網絡建模基礎*65《醫學信息分析與決策》課程組采用概率型轉移函數的神經元模型其輸入與輸出之間的關系是不確定的，需用一個隨機函數來描述輸出狀態為1或為0的概率。設神經元輸出為1的概率為由于采用該轉移函數的神經元輸出狀態分布與熱力學中的玻爾茲曼（Boltzmann）分布相類似，因此這種神經元模型也稱為熱力學模型。神經元的轉移函數：三、神經網絡建模基礎節點本身的信息處理能力(數學模型)節點與節點之間連接(拓撲結構)相互連接的強度(通過學習來調整)*66《醫學信息分析與決策》課程組三、神經網絡建模基礎人工神經網絡的模型很多，可以按照不同的方法進行分類。其中常見的兩種分類方法是，按網絡連接的拓撲結構分類和按網絡內部的信息流向分類。*67《醫學信息分析與決策》課程組三、神經網絡建模基礎分類：按網絡連接的拓撲結構分類層次型結構互連型網絡結構按網絡內部的信息流向分類前饋型網絡反饋型網絡*68《醫學信息分析與決策》課程組三、神經網絡建模基礎層次型結構：將神經元按功能分成若干層，如輸入層、中間層（隱層）和輸出層，各層順序相連。互連型網絡結構：網絡中任意兩個節點之間都可能存在連接路徑.*69《醫學信息分析與決策》課程組人工神經網絡模型網絡拓撲結構類型

層次型結構三、神經網絡建模基礎*70《醫學信息分析與決策》課程組輸出層到輸入層有連接三、神經網絡建模基礎網絡拓撲結構類型

*71《醫學信息分析與決策》課程組層內有連接層次型結構三、神經網絡建模基礎網絡拓撲結構類型

*72全互連型結構三、神經網絡建模基礎網絡拓撲結構類型

*73局部互連型網絡結構三、神經網絡建模基礎網絡拓撲結構類型

*74網絡信息流向類型前饋型網絡前饋:網絡信息處理的方向是從輸入層到各隱層再到輸出層逐層進行反饋型網絡在反饋網絡中所有節點都具有信息處理功能，而且每個節點既可以從外界接收輸入，同時又可以向外界輸出。*75《醫學信息分析與決策》課程組三、神經網絡建模基礎前饋型網絡網絡信息流向類型*76《醫學信息分析與決策》課程組三、神經網絡建模基礎反饋型網絡網絡信息流向類型*77三、神經網絡建模基礎節點本身的信息處理能力(數學模型)節點與節點之間連接(拓撲結構)相互連接的強度(通過學習來調整)*78《醫學信息分析與決策》課程組三、神經網絡建模基礎

神經網絡能夠通過對樣本的學習訓練，不斷改變網絡的連接權值以及拓撲結構，以使網絡的輸出不斷地接近期望的輸出。這一過程稱為神經網絡的學習或訓練，其本質是可變權值的動態調整。神經網絡學習*79《醫學信息分析與決策》課程組三、神經網絡建模基礎神經網絡的學習類型：有導師學習(有監督學習)無導師學習(無監督學習)死記式學習神經網絡學習*80三、神經網絡建模基礎學習的過程（權值調整的一般情況）*81《醫學信息分析與決策》課程組三、神經網絡建模基礎1949年，心理學家D.O.Hebb最早提出關于神經網絡學習機理的“突觸修正”的假設。假設：當神經元i與j同時處于興奮時，兩者之間的連接強度應增強。神經網絡學習Hebb學習規則*82《醫學信息分析與決策》課程組三、神經網絡建模基礎例：設有4輸入單輸出神經元模型，其閥值T=0，學習效率η＝1，3個輸入樣本向量和初始權向量分別為X1=(1,-2,1.5,0),X2=(1,-0.5,-2,-1.5)T,X3=(0,1,-1,1.5)T,W(0)=(1,-1,0,0.5)T神經網絡學習*83《醫學信息分析與決策》課程組三、神經網絡建模基礎1958年，美國學者FrankRosenblatt首次定義了一個具有單層計算單元的神經網絡結果，稱為感知器（Perceptron）