神经网络的实现过程篇1

关键词：计算机网络模型；神经网络算法；分析

中图分类号：TP393文献标识码：A文章编号：1009-3044（2016）35-0212-02

计算机网络是人们多年研究科技进步最重要的成果，其被广泛运用到教育、工作、科学等方面，也具有良好的成就。目前，基于服务器的集线式网络具有实现网络互连的功能，但也成为了网络进一步发展的阻碍。虽然大量的信息能够丰富网络中的内容，但是其中的多媒体技术发展却使网络运行力不从心，比如图像、声音等，全面优化计算机网络整体性能是其发展的必要途径。将神经网络算法与计算机网络相结合，能够有效解决大规模复杂性的问题。

1浅析神经网络算法

1.1神经网络算法内涵

思维界认为，人类大脑思维包括灵感思维、逻辑思维、形象思维三种方式，神经网络模拟的就是人类思维的形象思维，是一种非线性动力学系统。神经网络算法指的是逻辑性思维根据逻辑规则推理的过程。神经网络的内容目前被广泛研究，包括建立理论模型、生物原型研究、建立网络模型与算法研究、人工神经网络应用系统等。

优化网络的神经网络主要是Hopfield神经网络，是1982年由美国物理学家提出的，它能够模拟神经网络的记忆机理，是全连接的神经网络。Hopfield神经网络中的每个神经元都能够信号输出，还能够将信号通过其他神经元为自己反馈，那么其也称之为反馈性神经网络。

1.2神经网络优化的基础

Hopfield神经网络其实是一个分线性动力系统演变的过程，通过能量函数分析系统的稳定性，将能量函数看做需要优化的问题目标函数。将能量函数的初始状态转变为稳定点这一过程，就成为求解优化问题过程，这个过程也可以称为在计算机联想记忆基础上解决优化问题的过程。

1.3神经网络优化模型的算法

反馈网络的联想记忆和优化是相对的，通过优化计算得知W，其目的就是为了找出E的最小稳定状态；联想记忆的稳定状态是特定的，要通过一些过程才能够找到适合的W。这个过程中的关键就是将问题的目标函数通过二次型能量函数进行表达。如下式所述：

Hopfield神经网络比较常见的类型有DHNN（离散型）和CHNN（连续性）两种，他们的动态方程分e为：

DHNN（离散型）动态方程：ui=fi（v1，v2，...，vN）

Vi=g（ui），vi∈{0，1}，i=1，2，...，N

式子中的gi表示为阶跃函数，vi=g（ui）[（1，ui>0）（0，ui

CHNN（连续性）动态方程：dui/dt=fi（v1，v2，...，vN）

Vi=gi（ui），i=1，2，...，N

式子中的gi表示为常用函数sigmoid，vi=gi（ui）=1/2[1+tanh（ui/u0）]，u0表示的为可控函数的斜率，当u0=0的时候，gi就为阶跃函数。【1】

1.4神经网络算法的优化步骤

其一，通过合适的问题将方法表述出来，使神经网络的输出和这一问题的解相互对应；

其二，创建有效的能量函数，要求问题的最优解能够对应最小值；

其三，使用有利条件和能量函数创建网络参数；

其四，创建对应的动态方程和神经网络；

其五，使用有效的初值，要求网络根据动态方程进行验算，直到收敛。

2基于神经网络算法的网络流优化模型

网络流优化模型的关键就是最小切割、图的划分和最大流问题，下面一一描述：

最小切割：最小切割是指寻找使隔集容量达到最小的切割。图的切割是指划分一个N―n1Un2，一个隔集为一组弧（i，j），i∈n1，j∈n2，隔集弧的权值总和为它的容量。使N=（W，T）是T=0的网络，要求能量最小为N图的最小切割。

图的划分：图的划分指的是将图划分为K个部分，要求每个部分中的节点数都相等。

最大流问题。要求有向图G（v，e）中的开始点为S，结束点为Z，边容量为Cij。如果每条边都有非负数fij，并且每条边为fij≤Cij且除了S和Z之外具有∑fij=∑fki。当S和Z有∑fsi=∑fiz=W的时候，W的最大值≤任何切割的容量。【2】

3基于神经网络算法的动态路由选择模型

通信网中的物理网络的连接一般是点到点，其可以用无向图G=（v，e）来表示，将交换节点表示为顶点，通路表示为边，每一边都有最大容量，为了能够满足网络中点和点能够相互通信，还E能够根据网络业务的量和用户呼叫为基础进行路由安排。现在一般使用的都是静态方式，能够提供给动态路由一些可能性，其的优化模型是：

如果网络图是G=（v，e），而且对网络中的边进行编号，路径经过的边表示为1，路径不经过的边表示为0，L*M神经元表示为L需要这多个路由，将备选的路由数量表示为M，如果通信网中具有N个节点，那么目标函数就是E=E1+E2+E3。【3】

4结束语

基于神经网络算法的优化网络模型有着简单、稳定、快速、规范的优势，其与其他算法相结合，能够较大程度的提高计算机网络模型的整体性能。但是Hopfield神经网络算法中的优化网络模型并不严格，它有着核心策略下降的缺点，那么在使用过程中会出现网络收敛的最优解呈局面状态、网络收敛解不可行、网络参数的不正当选择会导致偏差等，所以在今后就要深入研究计算机网络模型中的神经网络算法，使其更加完善。

参考文献：

[1]丁建立.基于神经网络算法的计算机网络优化模型研究[J].洛阳师范学院学报，2003，22（2）：59-62.

神经网络的实现过程篇2

关键词：神经网络化工过程人工智能

中图分类号：TM835文献标识码：A文章编号：1007-9416（2016）12-0024-01

大量的处理单元就如同神经单元一样，经过一系列的排列组合构成了复杂的神经网络系统，广泛应用于复杂信息处理、机器视觉、智能化控制等方面。仿生学的设计和智能化软件的设计，使得神经网络系统具有自动处理数据、自动组织、自动学习，使得化工过程控制具有高精度、高安全系数、智能化的特点。化工生产是一个复杂的生产过程，其中涉及的设备多，涉及的工艺复杂，控制难度高，如何促进化工生产的过程控制，从而实现科学管理、优化生产、提高生产率的目的。设备的多样、工艺的复杂、流程复杂等一系列的因素，使得神元或者是多个单元实现智能化控制，既能收集生产过程产生的数据，而且也能对这些数据进行处理，达到监测生产环境、监控生产过程、实时优化生产的目的。

1神经网络技术的基本理论和基本结构

神经网络技术的发展是建立在对人脑神经系统的构成和作用机制认识的基础上，神经单元构成了庞大的神经系统，神经单元接受信息并传递信息，神经中枢处理信息并反馈信息。神经网络技术模拟神经系统处理单元类似于神经单元，计算机控制系统相当于神经中枢，分析数据、处理数据、输出结果。计算机技术的发展、传感器的应用，为神经网络的发展提供了基础。神经网络包括一个输入层和输出层，若干的隐含层。输入层的作用是接受外部信息并传递信息；输出层的作用是接受输入层传递的信息，处理信息并反馈信息；隐含层的作用是将输入层的信息进行组合，预处理。信息的接受、传递、处理和反馈一系列的过程使神经网络发挥作用的过程。

由于处理单元的应用，使得神经网络系统是一种自学习、自处理、自组织的智能化系统。神经系统的运行类似于人学习的过程，由简单到复杂，不断的修正节点的连接方式，直到输出满意的结果和符合实际应用。神经网络系统是建立在数学模型的基础上，利用数学建模搭建神经网络节点，建模主要有M-P模型、BP模型、RBF模型等。根据外部参数的不同和应用的目的，采用不同的函数，如可逆函数、线性函数、非线性函数、S函数等等，建立数学模型，输入参数，不断的优化模型，优化的过程使神经网络系统自学的过程。神经网络训练算法与模型的设置有关，如BP模型采取反传处理误差的训练算法，优化算法，达到优化模型的目的，使建立的模型更加符合实际应用情况。

2神经网络在化工过程控制中的应用

神经网络具有很强的信息处理能力、自学习能力、自组织能力。根据输出的信息，可以建立信息之间的关系和处理多余的信息，简化生产过程中的信息，检测生产环境，监控生产，达到最优化的生产过程。神经网络覆盖生产过程中的所有要考虑的因素，因此神经网络的应用也覆盖化工过程控制的方方面面。

化工生产涉及的环节多种多样，当某一环节发生故障，若处理不及时，将使这一环节瘫痪甚至使整个生产过程瘫痪，造成重大安全事故。高效、实时、预测的检测和诊断故障的系统是化工过程控制中安全、高效生产的保障。美国的科学家首次提出将神经网络技术用于化工过程控制中，用于检测、诊断、预警故障。神经网络系统是一种仿生系统，具有思维、意识和学习能力的动力学系统，能够处理复杂的事物和环境，根据实际生产过程不断校正系统，实时监测参数的变化，对故障进行诊断和报警。目前主流的故障诊断的神经网络系统有：反传动态经网络控制系统、自适应神经网络控制系统和RBF神经网络控制系统。

神经网络技术主要靠传感器接受外部信息，大量传感器的应用，有利于智能化控制生产过程。化工过程的控制主要是对生产过程中的机器控制，生产过程涉及的机器种类繁多，同时维持安全、高效率阶段比较困难。神经网络系统自动控制机器生产，控制生产参数和生产流程，最优化生产过程控制和安全化控制，实时跟踪控制生产。控制主要有两种基本的方法，一种数学建模，将对象的目标信息作为标准，经过不断的训练和反馈，修正误差，化模型，优化控制模式；另外一种是控制器设置，如PID控制器，实现实时控制，不仅对精确知识进行处理，而且对模糊信息也能进行处理。国内外都已经有成熟的化工过程控制中的神经网络系统，如对乙酸乙烯酯聚合成乳液过程的实时控制，氯气生产过程的故障预报神经网络系统。

3总结

神经网络技术是21世纪最重要的技术之一，化工过程控制是化工生产的安全保障。化工过程控制应用神经网络技术，有利于提高控制的安全系数，提高生产效率，有利于智能化管理，提高管理水平，有利于整个社会生产力水平的提高和社会智能化发展。化工过程控制采取神经网络技术，有利于工业技术的创新和改善工人工作环境，保障工人人身安全。

参考文献

神经网络的实现过程篇3

关键词：生物发酵BP神经网络算法研究

1概述

现代意义上的微生物发酵工程是指在一定条件下使微生物增殖，从而产生对人类有价值的生物成份的过程[1]。发酵过程是一个基于微生物生长繁殖和控制的生物化学反应过程，和普通意义上的上的工业控制不同，具有非线性、时变性和时滞性等特点，内部机理非常复杂。因此对于发酵过程的控制一直都是发酵工业生产中的难点。随着科技进步，新的非线性控制技术的发展为控制发酵过程提供了有力的工具。

当前对于发酵过程的控制，其基本原理是将发酵过程中的主要控制因素采用一定的人工手段进行干预，以发酵过程中所产生的发酵液温度、PH值等关键因素为控制指标，并将其进行动态监测，从而将发酵过程控制在人们所期望的的范围内。由于发酵过程具有实时性，因此对于发酵过程的控制按时间特性可分为离线控制和在线控制两大类[2]。随着研究的深入，在线控制已经成为研究的重点。在线控制是一种基于反馈信息的过程控制方法。其原理是实时监测发酵系统的输出值期望值之间的误差，按照一定的过程控制算法进行调整，将发酵过程中关键的发酵指标控制在期望范围之内。本文将就发酵过程的在线控制方法和实践展开讨论。

2发酵过程控制的硬件系统简介

对发酵过程的控制是建立在必要的硬件条件基础上的。发酵系统的组成主要由两部分构成：即发酵装置和控制器。对于发酵过程的控制关键是控制温度、溶氧、pH值等。这些因素都可以通过实时监测发酵装置传感器信息来实现。

本文中以大肠杆菌发酵产生类人胶原蛋白为例，需要监测的主要内容有四项：pH值、温度、溶氧量和尾气。监测设备分别为：pH电极、铂电极、溶氧电极和尾气分析仪。

对于发酵过程的智能控制，重点是实现对控制器的智能化，在下一节中将进行具体的讨论。在本文中所涉及的控制器软件的智能化设计基于silicoulab公司的片上系统芯片（SoC），发酵装置型号为NLF22机械搅拌式发酵罐，发酵罐罐体上装配有监测温度、溶氧、pH值等参数的传感器和尾气分析仪。这类实时数据的监测和控制在LabVIEW图形化编程软件设计的人机交互界面上进行。

3BP人工神经网络控制原理

发酵过程具有高度的非线性特点，因此在本文中采用适合于给类问题的基于BP神经网络控制算法。该算法不依赖精确数学模型，具有非线性的映射能力，可以从大量实时监测数据中寻找输入和输出之间的非线性关系，计算出最优的控制量，从而实现对发酵过程的有效控制。

人工神经网络控制算法是建立在现代神经生物学和仿生学对人类大脑活动的认识模式研究的基础上，通过构造人工神经元形成的网络来模拟神经活动，是当前人工智能研究的热点和智能化控制的研究方向。

人工神经元是神经网络算法的基本信息处理单元，其输入输出关系可由式（1）和式（2）来描述：

Ii=■wijxj-θi（1）

yi=f(Ii)（2）

上式中，xj为来自于其他与本神经元相连接的神经元所传递的输入信息，wij为神经元I，j之间的信息权重；θi为阈值；函数f称为作用函数或转移函数。

目前在人工神经网络研究中已经有很多种网络模型，本文中所采用的是前馈式神经网络模型。BP算法（(ErrorBackPropagation)即属于这类前馈式网络模型，该模型以神经网络的误差平方和为目标函数，以某种优化算法（如梯度法）计算使得目标函数最小的控制值[3]。其拓扑结构可参考相关文献。

4BP神经网络的应用

本文中以大肠杆菌发酵生产类人胶原蛋白过程为例，简介BP神经网络智能控制在其发酵过程控制中的应用。

4.1输入层和输出层节点数分析依据工神经网络运行的基本原理，输入层的节点数是由训练样本数据的维数来决定，输出层的节点数则取决于控制者的实际控制目标。在本文算例中，发酵过程的关键控制因素主要有4个，即酸碱度（pH值）、温度、溶氧度、搅拌速度和时间。这五类数据通过传感器数据可以方便的得到，因此将其作为训练样本，并得到样本数据的维数为5，输入层的单列节点数为4。对输出层而言，依据生产经验，在胶原蛋白的发酵过程中的关键因素为溶氧量，因此将其作为关键控制因素和最终控制目标，由此可得到输出层的节点数为1个。

4.2隐含层层数和隐含层节点数分析本文中设定隐含层的层数为1（原因可参照单隐含层对非线性函数的逼近特性[4]）。隐含层的节点数可由式（3）进行计算：

m=■+■（3）

其中，m为隐含层的节点数，N表示输入层的节点数，L表示输出层的节点数，P表示新样本数据，α为1-10之间的常数。依据实测数据（此处从略），可计算得到隐含层的节点数为18。

4.3程序实现本文中采用Matlab编程实现上述BP神经网络控制，其基本步骤概述如下。

首先利用newff()函数来生成上述指定结构的神经网络，其参数设定如式（4）所示：

NET=newff(minmax(p)，[4]，18，1）{‘tansig'，'purelin'，}，'traingd

m)（4）

其次设定基于上述网络NET的训练参数，该步骤涉及到的函数的参数设定结果为：NET.trainParam.epochs=500、NET.trainParam.goal=0.02、NET.trainParam.show=25、NET.trainParam.Ir=0.05。

最后采用命令[NET，tr]=train(NET，Fd，T)训练上述神经网络。

5结果分析

表1中对比了采用BP神经网络控制前后的利用大肠杆菌发酵产生类人胶原蛋白的产物湿重产量（g）。有表1可见，通过对发酵过程的BP神经网络控制后，胶原蛋白的产物湿重总体有明显的提高，表明该方法在这类发酵过程控制中是有效的。

6结语

生物发酵过程是一个复杂的过程，具有高度非线性和难于用精确数学模型描述的特点。本文利用BP神经网络控制方法来综合控制发酵过程中的关键因素，以氧容量作为控制要点，经过网络训练后可提高对发酵过程中关键因素的控制效果，实践表明可大幅度的提高类人教员蛋白的产物湿重产量。上述结果表明利用智能算法控制这类高度非线性的生物发酵过程较之于传统方法具有明显的优势，是今后生物发酵过程控制中重要的研究方向。

参考文献：

[1]陶兴无.生物工程概论[M].北京:化学工业出版社，2011.

[2]谢玉龙.FF现场总线在泰乐霉素发酵控制系统中的应用[D].济南:山东大学，2009.

神经网络的实现过程篇4

关键词：BP神经网络造价预测研究

Abstract:thispaperintroducestheBPneuralnetworkofnetworkstructureandthelearningprocess,andtheBPneuralnetworktopredicttheapplicationofprojectcost.

Keywords:BPneuralnetworkcostpredictionresearch

中图分类号：TU723.3文献标识码：A文章编号：

BP神经网络的算法称为反向传播算法(Back-Propagation)简称BP算法，BP网络也由此得名。BP网络的学习过程是由信号的正向传播与误差的反向传播两个过程组成。在正向传播过程中，信号从输入层传入，经隐单元逐层处理后传向输出层，如果在输出层的实际输出与期望输出不符，则转入反向传播，将误差信号以某种形式由原来的连接通路返回，通过隐层向输入层反传，并在返回过程中修改各层神经元连接的权值。这种过程循环进行，直到输出误差达到允许的范围或达到网络预先设定的学习次数。

1BP神经网络的网络结构

BP神经网络结构如图1所示，输入数据由输入层进入，输入层连接隐层，隐层连接输出层，输出数据从输出层导出。输入层、输出层神经元个数根据具体实际情况设置，隐层可以是一层，也可是多层由相应的输入层、输出层神经元个数根据公式确定。各层之间神经元连接强度的加权值（简称权值）允许不同，权值越大表示该输入的影响越大。神经元的所有输入采用加权和的方式。输入、输出向量分别用x和y，且x=(x1，x2，…，xn)，y=(y1，y2，…，ym)，表示输入层、输出层分别有n、m个节点输入输出向量分别是n维和m维。

图1BP神经网络结构示意图

2BP神经网络的学习过程

简单说来BP网络的整个学习过程就是权值与阈值的不断修正过程，BP网络的整个学习过程的步骤如下图：

图2BP神经网络学习过程

3BP神经网络在工程造价预测中应用

工程造价预测是一个十分复杂的模式识别问题，特别是预测中存在广泛的非线性问题，这增加了模式识别的复杂性。BP神经网络由于其本身信息处理的特点，使其能够出色解决那些传统识别方法难以解决的问题，近年来工程领域的仿真预测成为神经网络的重要应用领域之一。

对于一般的神经网络预测，诊断工作可以分为测前工作与测后工作两部分工作。测前工作，根据经验在一定的条件下，将常见的各种费用超支情况及正常情况所对应的理论值用实验或理论计算求出。并以此作为BP神经网络的样本及样本期望,输入特定的BP神经网络，进行神经网络训练，实际预测时，在同样的条件下，将实际数据经处理后输入特定的BP神经网络。其输出即是对应的预测值。神经网络具有推论联想的能力，具有很强的泛化能力，不仅能识别已经训练过的样本，而且能通过推论联想识别为出现过的样本。综上所述，用BP神经网络进行公路工程造价预测，步骤可以总结为：建模、参数选定、预测模型结构确定。

3.1神经网络建模步骤

在实际应用中，面对一个具体的问题，首先需要分析利用神经网络求解问题的性质，然后依据问题特点，确立网络模型。最后通过对网络进行训练、仿真等，检验网络的性能是否满足要求。主要步骤包括：确定信息表达式、网络模型的确定、网络参数的选择、训练模式的确定、网络测试。

3.2模型参数的确定

（1）实际完成金额

公路工程造价的发展具有连续性，其数量特征呈相对稳定，或者与其他经济现象之间的相互联系具有相对稳定的模式，因而有可能对其发展过程加以模拟，利用实际完成金额等历史资料比较准确地推断其将来。

（2）主要材料价格

由于公路工程涉及工程材料种类多，工程施工经历时间跨度大，期间材料价格波动影响因素较多，要综合考虑这些因素进行预测往往要大量的基础资料。

（3）天气状况

由于公路项目施工主要是在野外作业，所以受天气影响比较大，所以天气状况也是影响工程造价的一个因素。

（4）进场主要施工机械设备数量

设备材料费，是工程造价的主要组成部分。因此，施工设备投入数量，是影响工程造价增减的重要动态因素

4结语

基于BP神经网络的公路工程造价预测，能够充分利用公路工程造价的历史数据，通过高度的非线性映射，得到预测结果。与传统的工程造价方法相比较，该方法具有自组织、自学习、自适应和泛化能力，因而有广泛的应用前景。而BP神经网络的精确预测需要真实、可靠、准确的样本输入数据以及相对应的样本期望数据，就需要我国公路工程造价历史数据的不断积累，公路工程造价制度的不断完善。

参考文献

[1]袁助,基于项目总控模式的高速公路造价动态控制方法研究[D],长沙理工大学,2009年.

神经网络的实现过程篇5

摘要：目前世界超过5亿人患有不同的肾脏疾病，但全社会对慢性肾脏病的知晓率尚不足10%，肾病患者甚至一些非肾脏科的大夫对慢性肾脏病的危害缺乏足够的了解，由于慢性肾脏病早期多没有明显症状，很容易被忽略，很多患者直到肾功能完全恶化导致尿毒症时才去就医。同时，针对不同慢性肾病的等级又有对应的不同治疗方向。因此，对慢性肾病进行分级预警是一个影响非常深远的课题。在进行慢性肾病分级的过程中，肾小球滤过率对慢性肾病分级起着基础与指导的作用，因此我们必须着重解决一个重要的问题：肾小球滤过率的评估。

本文主要针对肾小球滤过率的预测进行设计。为了达到人工智能对慢性肾病进行分级的最终目的，本文将通过MATLAB软件平台对肾小球滤过率的评估进行仿真。接着对于在医院收集好的数据进行筛选，最终选出一组具有较高参考意义的数据，对其使用适当的处理方法，并运用了BP神经网络来构建合适的预测模型，对肾小球滤过率进行预测评估。在经过反复的网络学习，测试后，最终确定一个误差最少，精度最高，稳定性最好的BP神经网络评估模型。最后，根据训练好的神经网络对数据进行分级，从而最终构建出一个实用性良好的慢性肾病分级预警模型。

关键词：慢性肾病；肾小球滤过率；BP神经网络

一、前言

在众多的神经网络结构中，多层前馈神经网络是目前应用最广泛也是最成熟的一种网络结构。Rumelhart，McClelland和他们的同事洞察到神经网络信息处理的重要性，于1982年成立了一个PDP小组，在研究并行分布信息处理方法，探索人类认知的微结构的过程中，于1986年提出了BP网络(Back．PropagationNetwork，简称BP网络)模型，实现了Minsky的多层网络设想[1]。在多层前馈神经网络MFNN中，网络权值的调整是通过著名的误差反向传播学习算法——BP算法来进行的。BP网络具有非线性映射能力、泛化能力和容错能力，同时BP网络结构简单，是在自动控制中是最有用的学习算法之一，也是慢性疾病分析的首选神经网络[2-5]。因此，本文选取这种网络结构作为慢性肾病分级预测的基础，在后面将对它进行详细论述。

二、基于BP神经网络的慢性肾病分级预警模型设计框架

要设计出慢性肾病的分级预警模型，关键在于如何把慢性肾病进行分级[6-9]。我所采用的设计框架是基于MATLAB的BP神经网络，把从医院获得的临床数据进行筛选，并对网络进行初始化设置，运用BP神经网络对数据进行学习，根据不断的误差修正以及数据的测试，构建起肾小球滤过率的预测模型，根据肾小球滤过率的指标最终建立起符合实际的慢性肾病分级预警模型，如图1所示。

图1慢性肾病预警模型设计框架

因此，本文的整个设计重点分为两部分：第一部分为建立肾小球滤过率的预测模型，第二部分为建立基于人工智能的慢性肾病分级预警模型。

（一）BP神经网络进行肾小球滤过率预测的原理

BP神经网络是通过对以往历史数据的学习，找出不同测量指标对肾小球滤过率的相应的非线性的变化关系，并将具体的资料存储于相应的权值与阈值之中，从而对肾小球滤过率进行预测。

（二）基于BP神经网络的肾小球滤过率预测模型

利用BP神经网络对肾小球滤过率进行预测时，网络的拓扑结构的设计、隐层节点个数的确定、样本数据的选取以及对原始数据、输出数据的预处理的确定等问题，都直接影响着我们所建立的肾小球滤过率预测模型的各项性能[10-12]。

1.网络拓扑结构的设计。

由于网络训练样本是有限的，因此把推广能力作为主要的要求来操作的话，则强调选择能达到要求的最小网络[13]。许多理论都表明，一个三层网络可以任意逼近一个非线性连续函数。由于这种三层网络简单、易于实现、计算量小、并行性强得众多特点，目前仍然是多层式网络训练的首选网络结构之一，并且已经被人们广泛应用于解决实际的问题。因此，鉴于上述提及的论点，本文采取三层网络建模进行对肾小球滤过率的预测。

相比起输入输出层节点的选择，隐层节点数目的选择可谓是一个较为复杂的问题，因为没有很好的表达式来表示。隐层节点的数目与我所需要的输入、输出节点数目密切相关。隐层节点数目太小，则会导致学习过程不能收敛，或者导致网络实用性不强，不能识别以前所没有遇到过的样本；但是如果隐层节点数目过多，虽然网络映射能力会增强，局部极小点会越少，且越容易收敛到全局最小点，但会使学习时间加长，同时使得网络训练过度，这时网络不但记住了训练样本的一般特征，而且记住了训练样本中的一些个别特征，包括随机噪声，这样将会导致网络的容错性降低[14]。

确定一个最佳的隐层节点数的一个常用方法称为试凑法，可先设置较少的隐层节点用以训练网络，随后逐渐增加隐层节点数，用同一样本进行训练，从中确定出网络误差最少的时候对应的隐层节点数[15]。在使用试凑法的时候，可以用一些确定隐层节点数的经验公式。这些公式计算出来的隐层节点数虽然只是一些粗略的估计值，但是可作为大致隐层节点数目的参考：

（3-1）

（3-2）

（3-3）

以上各式中m为隐层节点数，n为输入层节点数，l为输出层节点数，a为1-10之间的常数[16]。在本文中采取了式（3-1）来确定隐层节点数的大概范围，然后将根据实验结果反复修正具体的隐层结点个数。

对于BP网络来说，为了节约训练网络的时间，可以采用部分连接的方式，使得在合理的时间内获得比较好的精度。而本文将采用相邻两层节点全连接，而同一层的节点互不相连的连接方式构造BP神经网络。

（三）肾小球滤过率预测模型的MATLAB实现。

在建立了肾小球滤过率的预测模型之后，就要开始使用MATLAB仿真软件构件BP神经网络，同时通过对网络的不断训练，以求达到最好的肾小球滤过率的预测效果。

1.BP网络的MATLAB实现。

MATLAB是一套功能强大的工程计算及数学分析的可视化软件。1984年，Mathwork公司将MATLAB推向市场。90年代又逐步拓展起数值计算、符号解析运算、文字处理、图形显示等功能，至今，MATLAB已经成为线性代数、自动控制理论、概率论及数理统计、数字信号处理、时间序列分析、动态系统仿真等方面重要的数学计算工具[19]。它具有程序可读性强、程序简单等优点，尤其是在编写含矩阵运算的复杂程序时，能给用户提供极大方便。

现在，神经网络已经成为了解决一些问题的手段以及方法，但利用神经网络来解决问题的时候，必定会设计到大规模的运算量，其中包括了矩阵计算的问题等，考虑到MATLAB的神经网络工具箱的特殊功能，以及效率与准确性的问题，本文选择了专门用于了MATLAB软件进行仿真模拟。

（1）BP神经网络的生成及初始化。

在MATLAB软件中，我们采用newff函数来生成BP网络，而newff函数的调用格式为：

（3-4）

其中PR为维的矩阵，表示R维输入矢量中每维输入的最小值和最大值之间的范围；因此，通常我们会设定，即设定PR为P的最小值和最大值之间的范围；中n表示BP神经网络所具有的层数，而Sn则表示具体第几层具有多少个神经元；中各元素表示各层神经元采用的传递函数；BTF则表示神经网络训练时所用的训练函数；net为生成的BP网络对象。对于newff生成的BP神经网络，网络本身对各层的权值和阈值会自动进行初始化，如果用户需要，则可以对各层网络的权值和阈值的初始化函数重新定义。

（2）BP神经网络的训练。

在BP神经网络生成及初始化后，就可以开始对网络进行训练了。BP神经网络的训练通常采用train函数来完成，在训练之前需要对网络的训练参数net.trainparam进行适当的设置。当设置完训练参数之后，就可以开始调用train函数对BP神经网络进行训练了。该函数采用自适应学习速率法，返回误差参数。其调用格式如下：

（3-5）

其中P是输入样本；T是对应的输出样本；等号的左右两侧的net分别用于表示训练得到的和训练之前的神经网络对象；tr存储了训练过程中的步数信息以及误差信息，并给出了网络误差的实时变化曲线。

（3）BP神经网络的仿真。

在MATLAB的应用中，我们选用sim函数对训练之后所得到的网络进行仿真，sim函数的调用格式如下：

（3-6）

其中，net为神经网络对象，P为输入样本，Pi为输入延迟的初始状态，Ai为层延迟的初始状态，T为输出样本，Y为网络的实际输出，Pf为训练终止时的输入延迟状态，Af为训练终止时的层延迟状态，E为输出样本和实际输出之间的误差，pref为网络性能值。

对于本文的sim函数调用，采取了如下调用格式进行简化：

（3-7）

（4）BP神经网络的保存。

在完成网络的训练后，必须要对训练后的网络进行保存，这样才能在下次进行预测的时候沿用训练过的网络，在MATLAB中，保存网络的调用格式如下：

（3-8）

以上即为肾小球滤过率预测模型的设计流程。

2.BP神经网络进行肾小球滤过率预测的实现。

（1）数据样本的选取。

为实现肾小球滤过率的预测模型，本文选取了广州珠江医院的327例慢性肾病病历作为研究对象。

初始权值采取的是随机数，输入层到单隐层采用的传递函数为tansig函数，单隐层到输出层采用的传递函数为logsig函数，训练函数采用trainlm函数。同时，设置300个训练网络的样本数据，误差精度设置为E

BP神经网络的训练是网络是否成功的一个非常重要的环节，网络训练的好坏直接影响到预测的准确性与稳定性。因此，对网络进行训练和测试的时候，必须要反复修改设置参数，方能达到最佳效果。

在神经网络训练完成之后，需要用另外的测试数据来对网络进行检验，而这些测试的数据应该要是独立的数据。因此，学习与测试过程需要独立开来，一旦BP网络学习完成了，就必须要将权值保存下来，以供下次预测使用。

（四）仿真实验及结果分析。

1.应用肾小球滤过率预测模型建立慢性肾病分级预警模型。

上述建立肾小球滤过率预测模型的目的，正是为了建立起慢性肾病的分级预警模型。在预测到肾小球滤过率的基础上，运用数据，建立起对应的慢性肾病的分级模型。在表1中，根据归纳方法，列出了以上20组预测数据的预测分级情况与这20组数据实际的分级情况的对比。

表120组数据的预测分级与实际分级情况对比

序号123456

预测分级532451

实际分级541551

序号789101112

预测分级413553

实际分级313543

序号131415161718

预测分级133243

实际分级134152

序号1920

预测分级42

实际分级52

从上表1可以看出，基于MATLAB的神经网络对慢性肾病的分级有较好的准确性，能较好地对慢性肾病进行分级预警，因此，具有良好的推广性以及实用性。

三、结论

本文的工作只是一种基础性的、初步的工作，涉及到BP神经网络的一些重要应用显得还比较浅，因此，在今后的研究里面，还需要对其中的许多性能参数进行有效的修改，方能得到理想的结果。

在今后的研究中，对BP网络的算法修改是一个非常大的课题，为了能使网络的预测能力最大限度地根据实际情况达到目的，必须针对现有的数据资料，对使用的算法进行改良。同时，为了更有效，更准确地得到预测结果，需要对样本的数量继续加以增加，方能达到理想的目标。

因此，以BP神经网络对医学各个方向的预测是今后研究许多医学问题的主要趋势，是一个值得深入探讨的重要课题。

参考文献：

[1]程晓霞.慢性肾病的幕后推手.疾病与营养。

[2]张春,邓安国.慢性肾脏病心血管并发症的危险因素与防治.临床内科杂志，200825（7）。

[3]陆汉魁.中华检验医学杂志.20073（11）P.1211-1212。

[4]叶解明.简化估算肾小球滤过率模型算法的参考限及临床特性.2010,25(4)。

[5]M．Kastra．ForecastingCombiningwithNeuralNetworks．Forecast，1996，15(1)：49—61。

[6]韩力群．人工神经网络教程．北京：北京邮电大学出版社，2006。

[7]王万森．人工智能原理及其应用．北京：电子工业出版社，2006．27-51。

[8]T．Kohonen．Theselforganizingmap．ProcIEEE，1990，(78)：1464～1480。

[9]D．E．Rumelhart,GE．Hinton，R．J．Williams．LearningRepresentationsbyBack．propagatingErrors．Nature，1986，323(9)：533-536。

[10]钟义信．智能理论与技术——人工智能与神经网络．北京：人民邮电出版社．1992：45--46。

[11]吴凌云．BP神经网络学习算法的改进及其应用．信息技术，2003，27(7)：42—44。

[12]吴耿锋等．股票短期预测的一种非线性方法．上海投资，1999：35、37。

[13]徐丽娜．神经网络控制．哈尔滨：哈尔滨哈尔滨工业大学出版社，2006：241～256。

[14]师智斌，陈立潮，靳雁霞．基于神经网络的股票交易数据的预测研究．华北工学院学报，2003，34(6)：12～16。

[15]尹念东．BP神经网络的应用设计．信息技术，2003，27(6)：18～20。

[16]韩力群．人工神经网络教程．北京：北京邮电大学出版社，2006：74～75。

[17]吴佑寿，赵明生．激活函数可调的神经元模型及其监督学习与应用．中国科学E辑，2001，3l(3)：263。