疾病诊断的问题模型分析
基于时间序列数据的疾病预测与诊断研究
基于时间序列数据的疾病预测与诊断研究近年来，随着科技的不断发展和医疗数据的积累，基于时间序列数据的疾病预测与诊断研究变得越来越重要。
这种研究方法可以通过对疾病发展过程中的时间序列数据进行分析和建模，提供准确的预测和诊断结果，有助于医生制定更有效的治疗方案和改善病人的生活质量。
时间序列数据是按照时间顺序记录的数据，它可以是某一疾病的临床指标，如血压、脉搏等，也可以是生物医学信号数据，如心电图、脑电图等。
基于这些时间序列数据，研究人员可以应用各种数据处理和分析技术，以达到疾病预测和诊断的目的。
在疾病预测方面，时间序列数据的分析可以帮助医生预测病人将来可能发生的病情变化。
通过对病人历史数据的建模和分析，可以发现潜在的规律和趋势，并据此预测疾病的发展状况。
例如，在心血管疾病的预测中，可以通过监测病人的心电图信号，建立相应的模型来预测病情的发展趋势和可能出现的并发症，为医生提供及时的干预和治疗建议。
除了疾病预测，基于时间序列数据的疾病诊断也是一个重要的研究方向。
通过对疾病的早期信号和病理变化的分析，可以在疾病出现之前或早期阶段进行准确的诊断。
例如，在肺癌的诊断中，可以通过对呼吸音的时间序列数据进行特征提取和模式识别，建立肺癌的诊断模型，从而实现早期肺癌的有效筛查和诊断。
基于时间序列数据的疾病预测与诊断的研究离不开数据分析和机器学习的支持。
现如今，随着人工智能的快速发展，各种数据处理和机器学习算法被应用到时间序列数据的分析和建模中，提高了预测和诊断的准确性和效率。
例如，支持向量机、决策树和深度学习等算法可以用于建立时间序列数据的预测模型；而基于聚类、分类和检测等算法则可用于诊断模型的建立。
然而，基于时间序列数据的疾病预测与诊断研究仍然面临一些挑战。
首先，时间序列数据通常具有高维度、大量特征和复杂结构，因此需要进行有效的特征提取和模型选择。
其次，由于数据的不完整性和噪声的存在，模型的鲁棒性和泛化能力是一个需要解决的问题。
医学预测模型的建立和应用
医学预测模型的建立和应用医学预测模型是指通过对医学数据的处理和分析，建立数学模型，透过这些模型来预测疾病的发生和治疗效果等方面的情况。
医学预测模型的建立和应用，是现代医学科技的大成之一，它可以提高疾病的诊断和治疗的准确性，同时也可在医学研究和管理方面起到重要的作用。
一、医学预测模型的基础建立医学预测模型所需要的基础，是医学背景和数据统计学知识。
医学方面，需要相关的知识来选择合适的医学数据，以及了解和处理这些数据；数据统计学方面，则包括数据整合、数据处理和数据分析等方面的知识。
只有将这些知识综合运用，才能建立准确可靠的医学预测模型。
二、医学预测模型的建立医学预测模型的建立通常分为以下几步：1、数据获取。
医学预测模型所用的数据，包括患者的基本信息、疾病的症状、治疗方法和治疗结果等。
通过收集这些数据，才能进行后续的处理和分析。
2、数据整合。
医学预测模型所用的数据，来源往往比较分散，需要通过数据整合的方式，将这些数据整合到一个可操作的数据集合中。
3、数据处理。
数据处理是为了去除无用信息和处理缺失数据，同时还可以针对一些特定问题进行处理和修改。
4、数据分析。
数据分析是建立预测模型的最后步骤，通过统计学分析方法来建立预测模型，并从中分析出疾病发生的原因和治疗效果等方面的数据。
以上步骤可以用不同的方法和工具来完成，如人工方法、计算机算法、机器学习算法等。
三、医学预测模型的应用医学预测模型的应用范围比较广泛，主要包括以下几个方面：1、医学研究。
通过建立预测模型，可以揭示各种病情的发生机理和变化规律，并为相关研究提供科学依据。
2、诊断和治疗。
建立预测模型可以提高医生的诊断和治疗的准确性，为患者提供更好的治疗效果，同时也节省了人力和物力资源。
3、疫情分析。
通过对疫情数据的分析，可以建立预测模型，预测疫情的发展趋势和方向，为应对疫情提供科学依据。
4、医学管理。
建立预测模型可以对医疗资源的分配和利用进行优化，以提高医疗服务的效率和质量。
基于深度学习算法的疾病预测与诊断应用
基于深度学习算法的疾病预测与诊断应用随着人口老龄化和生活方式的改变，特别是饮食和环境污染的不断加剧，疾病的种类和数量也不断增加。
传统的诊疗方法需要大量的医学知识和经验，并且存在主观性和误判的问题。
而基于深度学习算法的疾病预测和诊断应用则可以有效地解决这些问题。
深度学习算法是人工智能领域的研究热点，它可以通过模仿人脑的神经网络结构，自动地学习和提取数据中的特征，从而实现复杂的模式识别和预测。
在医学领域，深度学习算法已经被广泛应用于疾病的预测和诊断。
一种基于深度学习算法的疾病预测和诊断方法是使用神经网络模型。
神经网络模型是由多层神经元组成的，每一层神经元都与上一层的所有神经元相连。
神经网络模型的输入可以是病人的各种体征和检查结果，输出则是对疾病的预测或诊断结果。
神经网络模型的训练需要大量的数据集，并且需要对数据进行处理和清洗，确保数据的质量和准确性。
另一种基于深度学习算法的疾病预测和诊断方法是使用卷积神经网络模型。
卷积神经网络模型能够自动地提取图像、语音等数据的特征，并且对这些特征进行分类和识别。
在医学领域，卷积神经网络模型可以用于医学图像的识别和分析，例如CT扫描、MRI等影像数据的分析。
基于深度学习算法的疾病预测和诊断应用具有以下优点：一、自动化和高效性。
深度学习算法可以自动地进行数据的提取、分类和诊断，不需要人工干预，大大提高了诊断的效率和准确性。
二、可扩展性和适应性。
深度学习算法可以接受大量的数据输入，并且可以不断地学习和优化模型，适应新的疾病和新的病例。
三、解决复杂问题。
深度学习算法可以解决复杂的问题和多维数据分析，例如对多个因素的影响进行评估和预测。
但是，基于深度学习算法的疾病预测和诊断应用也存在一些挑战：一、缺乏标准化和规范化的数据。
深度学习算法的训练需要大量的数据集，并且需要对数据进行处理和清洗，确保数据的质量和准确性。
但是，现实中许多医院和机构的数据质量和规范化程度存在差异，缺乏可重复性和可比性。
人体健康风险评估模型
人体健康风险评估模型全文共四篇示例，供读者参考第一篇示例：人体健康风险评估模型是一种通过综合分析个体的健康情况、生活习惯以及遗传背景等因素，预测个体未来患病的风险程度的工具。
这种模型可以帮助个体及医疗专业人士更好地了解个体的健康风险，并采取相应的预防措施，有助于提高人体健康水平，延长寿命。
人体健康风险评估模型的建立是基于大量的研究数据和医学知识，通过分析这些数据和知识的关系，构建出一个预测模型。
这个模型一般包括以下几个方面的内容：个体的基本情况。
包括性别、年龄、身高、体重等基本信息。
这些信息可以帮助确定个体的整体健康状况，比如身体质量指数（BMI）可以帮助评估个体是否存在肥胖问题。
个体的生活习惯。
包括饮食习惯、运动情况、吸烟饮酒习惯等。
这些生活习惯对个体的健康状况有很大的影响，比如吸烟和饮酒会增加心脑血管疾病的风险。
个体的遗传背景。
包括家族史和遗传因素等。
一些疾病是由遗传因素决定的，比如乳腺癌、糖尿病等。
了解个体的遗传背景可以帮助预测个体是否会患上这些疾病。
个体的健康检测结果。
比如血压、血糖、血脂等生化指标。
这些检测结果可以帮助评估个体是否存在某些慢性疾病的风险。
在实际应用中，人体健康风险评估模型可以用于个体定制化的健康管理方案的制定。
根据个体的健康风险评估结果，制定合理的饮食计划、运动计划、定期体检计划等，帮助个体预防疾病的发生，保持健康的生活方式。
人体健康风险评估模型也可以用于医疗机构及医疗保险公司的决策支持。
通过对个体健康风险的评估，可以帮助医疗机构和医疗保险公司更好地制定健康管理政策，提高医疗资源的利用效率，降低整体医疗成本。
第二篇示例：人体健康风险评估模型是一种利用科学方法和数据分析来评估个人健康状况和潜在风险的工具。
该模型通常结合个人生活方式、遗传因素、环境因素等多个方面的信息，通过计算和分析来预测个体可能面临的健康风险，并提出相应的预防措施和建议。
人体健康风险评估模型的制定是基于医学、统计学、生物学等多个学科的知识和方法，旨在帮助个人更好地了解自己的健康状况，并采取有效的健康管理措施。
慢性病风险评估模型介绍2015版
讣识风险评估
未患病的 人群
量化 危险因素
评估结果 表达
风险评估分类
单因素加权法
• 单一危险因素 不发病率的相 兲性强度加权 得分
• 简单、实用、 易改良
• 美国CDC和卡 特中心
多因素模型法
• 采用统计学概 率理论对多个 危险因素数理 分析得出兲系 模型
• 分层、定量 • 弗兰明翰模型
及其衍生
全因素综合法
确定危险因素——依据
• 临床资料显示有很强的相兲度
1
2 • 在我国人群中是常见的因素 3 • 测量方法简单、费用小、易控制 4 • 干预后可改变疾病风险
确定危险因素——数据
通过体检可以获得全身主要的 检测数据
• 评估常用到的有身高、 体重、腰围、血压、血 脂、血糖、肿瘤标记物 等。
• 要求年龄、性别、身高、 体重、血压、血糖、血 脂为必须检查项目
确定危险因素——丼例
高血压 收缩压、舒张压 家族史（高血压） 体重指数 腰围 高钠低钾饮食 过量饮酒 长期精神过度紧张 年龄 现病史（代谢相兲） 血脂异常 睡眠充足程度 缺乏体力活劢 性别 南向北逐渐增高 情绪引发的问题 文化、收入、职业 吸烟 血型 家族史（中风、肥胖）
相关性 1 1 1 1 1 1 1 2 2 2 2 2 3 3 3 3 3 4 4
说明：团体慢病风险评估结果实例，为多个团队体检的汇总结果。“未评估”的情况见后“评估控制”页面。
解读说明
评估的控制 评估的对象不时效 评估的目的 评估不体检 评估不临床
评估的控制
已患疾病不评
• 系统能通过采 集体检结论、 问卷收集客户 既往史等方式 确定客户是否 患病。
缺少关键项不评
• 如评估高血压 病丌能缺少血 压值，评估糖 尿病丌能缺少 血糖值等。
循证医学的核心方法与主要模型
循证医学的核心方法与主要模型循证医学的核心方法与主要模型引言：随着医学技术的快速发展以及现代医疗环境的复杂性增加，循证医学作为一种基于科学证据的临床决策方法而逐渐受到重视。
循证医学不仅为医生提供了更准确、可靠的决策依据，而且能够帮助患者获得更为个体化和安全的医疗服务。
本文将介绍循证医学的核心方法以及主要模型。
一、循证医学的核心方法1. 提出问题：循证医学的首要任务是从临床实践中确定问题，这些问题可能是关于疾病的诊断、治疗、预防或者预后等方面。
医生需要明确研究的目标和可行性，以便设定研究的具体问题。
2. 检索证据：循证医学要求医生收集最新的科学研究证据，以支持他们在临床决策过程中的选择。
医生需要利用各种可靠的医学数据库和信息资源来检索相关研究文献，并且需要选择和筛选最有用、可靠的证据。
3. 评估证据：医生需要对所检索到的证据进行分析和评估。
这包括对研究的方法学质量、样本容量、结果的可靠性等进行判断，从而能够得出合理、可靠的结论。
同时，医生还需要对不同研究的结果进行综合分析，以找出最为可信的结论。
4. 制定决策：循证医学强调将最新的科学证据与临床经验相结合，以制定最佳的临床决策。
医生需要根据研究结果和患者的实际情况，制定符合患者个体化需求的治疗方案，并与患者共同讨论和决定最终的治疗策略。
5. 实施和监测：循证医学强调实施和监测治疗方案的效果和安全性。
医生需要密切关注患者的治疗效果，及时调整治疗方案，并在适当的时候重新评估已有的科学证据。
通过实施和监测，医生能够不断优化患者的治疗方案，提高治疗效果。
二、循证医学的主要模型1. PICO模型：PICO模型是循证医学中常用的研究问题构建模型。
P代表“患者(population)”或“问题(problem)”，I代表“干预(intervention)”或“介入(intervention)”，C代表“对照组(control)”，O代表“结果(outcome)”。
基于中西医临床病证特点的偏头痛动物模型分析
• 1892 •中华中医药杂志(原中国医药学报)2021年4月第36卷第4期CJTCMP，April2021，Vol.36, No.4•论著.基于中西医临床病证特点的偏头痛动物模型分析雷会霞，白明，苗明三(河南中医药大学，郑州450046)摘要：通过梳理分析中西医对偏头痛的诊断标准及临床表现，总结偏头痛动物模型的复制方法及特点，根据临床诊断标准及症状特点，对现有动物模型与临床症状的吻合程度进行关联度研究，明确其优缺点及应用前景。
偏头痛动物模型造模方法较多，在一定程度反映了偏头痛临床病症特点，但无法充分体现偏头痛中西医病因。
偏头疼动物模型后续研究可探索既能反应偏头痛临床病症特点并可体现偏头痛中西医病因的造模方式，以期复制出更加吻合临床病症特点的动物模型。
关键词：偏头痛；临床特点；病证结合模型；模型分析；动物模型基金资助：河南省产学研合作项目（No.182107000029 )，国家国际合作基地（N〇.2016-65 )，国家中医药管理局中医药标准化专项（No.2017-149-11 )Analysis of migraine animal model based on clinical syndrome characteristics oftraditional Chinese and Western medicineLEI Hui-xia, BAI Ming, M I A O Ming-san(Henan University of Chinese Medicine,Zhengzhou450046, China)A b s t r a c t:By combing and analyzing the diagnostic criteria and clinical manifestations of migraine in traditional Chineseand Western medicine,the replication methods and characteristics of migraine animal models were summarized.According to theclinical diagnostic criteria and symptom characteristics,the correlation degree between the existing animal models and clinicalsymptoms was studied,and its advantages,disadvantages and application prospects were clarified.There are many modelingmethods of migraine animal model,which reflect the clinical symptoms of migraine to a certain extent,but can not fully reflect theetiology of migraine in traditional Chinese and Western medicine.Follow-up studies on animal models of migraines can explorethe modeling methods that can reflect the clinical features of migraine and reflect the etiology of migraine in Chinese and Westernmedicine,in order to replicate animal models that are more consistent with the characteristics of clinical symptoms.K e y W〇r d S!Migraine;Clinical characteristics;Disease-syndrome combination model;Model analysis;Animal modelFunding：Henan Provincial Industry-University-Research Cooperation Project (No.182107000029), National Base Project for International Cooperation (No.2016-65), TCM Standard Program of National Administration of Traditional ChineseMedicine(No.2017-149-11)偏头痛是由颅内血管收缩引起的一种慢性神经 血管性疾病。
诊断试验与ROC曲线分析
诊断试验与ROC曲线分析诊断试验与ROC曲线分析⽬录⼀、基本概念1.诊断试验四格表基本统计基本指标2.ROC曲线：⼆、实例分析1）各诊断项⽬（变量）分别诊断效果分析：2）诊断模型分析：3）⽐较两预测模型：4）时间依赖的ROC曲线(Time-dependent ROC)分析⼀、基本概念1.诊断试验四格表基本统计基本指标诊断试验⾦标准诊断结果合计患病（D+）未患病（D-）阳性a（真阳性）b（假阳性）a+b阴性c（假阴性）d（真阴性）c+d合计a+c b+d N=a+b+c+d1)检测患病率(prevalence): 是指被检测的全部对象中，检测出来的患者的⽐例。
即：检测患病率 = (a+b)/(a+b+c+d)2)实际患病率(prevalence): 是指被检测的全部对象中，真正患者的⽐例。
即：实际患病率 = (a+c)/( a+b+c+d)。
实际患病率对被评价的诊断试验也称为验前概率，⽽预测值属于验后概率。
3)敏感性: 敏感性就是指由⾦标准确诊有病组内所检测出阳性病例数的⽐率（%）。
即本实验诊断的真阳性率。
其敏感性越⾼，漏诊的机会就越少。
即：敏感性= a/( a+c)4)特异性: 是指由⾦标准确诊为⽆病组内所检测出阴性⼈数的⽐率（%），即本诊断实验的真阴性率。
特异性越⾼，发⽣误诊的机会就越少。
即：特异性= d/(b+d)5)诊断准确率: 是指临床诊断检测出的真阳性和真阴性例数之和，占总检测⼈数的⽐例，即称本临床实验诊断的准确性。
即：准确性= (a+d)/ (a+b+c+d)6)阳性似然⽐（positive likelihood ratio）: 阳性似然⽐是指临床诊断检测出的真阳性率与假阳性率之间的⽐值，即阳性似然⽐=敏感性/（1-特异性）= (a/(a+c))/(b/(b+d))。
可⽤以描述诊断试验阳性时，患病与不患病的机会⽐。
提⽰正确判断为阳性的可能性是错误判断为阳性的可能性的倍数。
阳性似然⽐数值越⼤，提⽰能够确诊患有该病的可能性越⼤。
minitab 分类模型案例
minitab 分类模型案例Minitab是一种常用的统计分析软件，它可以用于各种分类模型的建立和分析。
下面列举了10个基于Minitab的分类模型案例，来说明其在实际应用中的作用和效果。
1. 疾病诊断模型：医院收集了大量患者的临床数据和诊断结果，利用Minitab建立了一个疾病诊断模型。
该模型可以根据患者的临床指标，如血压、血糖、血脂等，预测患者是否患有某种疾病，并给出相应的诊断建议。
2. 信用评分模型：银行通过Minitab分析了大量客户的信用记录和还款情况，建立了一个信用评分模型。
该模型可以根据客户的个人信息、财务状况和信用历史等因素，预测客户的还款能力和风险等级，并据此决定是否给予贷款。
3. 市场细分模型：一家电商公司利用Minitab分析了大量用户的购物行为和偏好数据，建立了一个市场细分模型。
该模型可以根据用户的购买记录、浏览行为和兴趣标签等，将用户分为不同的市场细分群体，并据此进行个性化推荐和营销策略。
4. 员工离职预测模型：一家公司利用Minitab分析了员工的离职记录和个人信息，建立了一个员工离职预测模型。
该模型可以根据员工的职位、工龄、绩效等因素，预测员工是否有离职倾向，并据此采取相应的人力资源管理措施。
5. 欺诈检测模型：一家保险公司利用Minitab分析了保单的理赔记录和客户信息，建立了一个欺诈检测模型。
该模型可以根据保单的理赔金额、申请时间、客户的历史记录等因素，预测保单是否存在欺诈嫌疑，并据此采取相应的调查和处理措施。
6. 产品质量分类模型：一家制造公司利用Minitab分析了产品的质量数据和生产参数，建立了一个产品质量分类模型。
该模型可以根据产品的生产批次、工艺参数、质量指标等因素，预测产品的合格率和质量等级，并据此进行质量控制和改进。
7. 股票市场预测模型：一家投资公司利用Minitab分析了股票市场的历史数据和宏观经济指标，建立了一个股票市场预测模型。
该模型可以根据股票的历史价格、交易量、市场情绪等因素，预测股票的涨跌趋势，并据此进行投资决策和风险管理。
联合模型介绍及在医学研究中的应用
联合模型介绍及在医学研究中的应用-概述说明以及解释1.引言1.1 概述概述联合模型在医学研究中扮演着重要的角色，它是一种综合利用多种数据来源的统计模型，能够同时考虑并分析多个变量之间的关系。
在医学领域中，联合模型的应用能够帮助研究人员更全面地理解疾病的发病机制、预测疾病风险、优化治疗方案等方面。
本文将重点介绍联合模型的概念、在医学研究中的意义以及一些具体的应用案例，以期为读者提供对联合模型的深入理解，并展望其在医学研究中的潜在应用价值。
1.2 文章结构文章结构部分的内容可以是：文章结构部分主要介绍了整篇文章的组织结构和各个部分内容的概要。
通过对文章结构的介绍，读者可以更好地了解整篇文章的逻辑顺序和主要内容，有助于读者对整篇文章有一个整体的把握。
在本篇文章中，文章结构部分将详细介绍引言、正文和结论部分的内容安排和主要信息。
同时还将提供每个部分的主要目的，以便读者可以更清晰地了解整篇文章的写作目标和意图。
引言部分将包括对联合模型和其在医学研究中的应用的总体概述，以及文章结构部分的简要介绍。
正文部分将详细介绍联合模型的概念、在医学研究中的意义以及应用案例。
结论部分将总结全文的主要内容，并对未来联合模型在医学研究中的发展进行展望。
通过文章结构部分的介绍，读者可以更清晰地了解到本文的整体框架和各个部分的主要内容，从而更好地理解和阅读本文。
1.3 目的本文的主要目的是介绍联合模型的概念以及其在医学研究中的应用。
通过对联合模型的概念进行解析和对其在医学研究中的意义进行阐述，希望能够让读者对联合模型有更深入的了解，并了解其在医学研究中的重要性。
此外，通过介绍一些实际的联合模型在医学研究中的应用案例，可以帮助读者更加直观地了解联合模型在医学研究中的具体应用和价值。
最终，通过对联合模型在医学研究中的应用进行综合分析，可以为医学研究人员提供一些启发和思路，促进联合模型在医学研究中的更广泛应用。
2.正文2.1 联合模型的概念联合模型是指将多个模型或变量结合起来进行分析的统计模型。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
学士学位论文疾病诊断分析的问题模型作者单位西北民族大学指导老师 ***作者姓名 ***专业、班级数学与应用数学 2009级应数班提交时间2013年5月疾病诊断分析的问题模型专业：2009级数学与应用数学姓名：*** 指导教师：***摘要在对肾炎进行诊断时，医生通过测得到人体内元素的含量数据，进行肾炎的诊断.结合临床实际数据，根据测得体内元素Cu、Fe、Ca、Zn、Mg、K、Na的含量数据特征，分别建立了健康系数、距离判别、bp神经网络三种模型，介绍了三种模型的计算过程及结果，作为判别人们是否患病的依据.为了使医生减少化验时的数据，得出了影响人们患病的主要指标为Cu、Fe、Ca，使得检验即方便又节省化验费用.利用人体内各种元素含量协助医生对就诊人员进行诊断，通过对三种模型的比较，找出了最佳模型bp神经网络模型，使得诊断的结果比其他模型的准确度要高.关键字疾病诊断，健康系数，欧氏距离，神经网络，模型ABSTRACTNephritis diagnosis, the doctor can be measured to obtain the elements of the content data of the human body, the diagnosis of nephritis associated with the actual clinical data, according to the measured body elements Cu, Fe, Ca, Zn, Mg, K, Na content data definitionswere established health factor, distance discriminant, bp neural network of three models, the calculation process and results of the three models, come to influence doctors in order to reduce the data in the laboratory, as discrimination based on whether people are sick.the people sick indicators for Cu, Fe, Ca, making the test that is convenient and save laboratory costs. use the content of various elements of the human body to assist doctors in diagnosis treatment personnel, through the comparison of the three models to identify the bestmodel bp neural network model, the results of the diagnostic accuracy is higher than other models.Key word:disease diagnosis, health factors, Euclidean distance, neural network model目录摘要 (2)引言.................................... 错误！未定义书签。
1. 问题阐述 (2)1.1问题提出 (2)1.2 基本假设 (2)1.3模型的符号说明 (2)1.4 问题分析 (2)2.健康系数模型 (2)2.1模型建立 (3)2.3 模型求解 (3)2.3结果分析 (4)3. 距离判别模型 (4)3.1模型建立 (4)3.2模型求解 (5)3.3结果分析 (5)4. 神经网络模型 (5)4.1 神经网络的概念 (5)4.2模型建立 (6)4.3模型求解 (6)4.4结果分析 (7)5. 主因素的选取 (8)5.1 软件实现 (8)5.3 结果验证 (9)5.4 模型的确立 (10)6. 结论及建议 (11)6.1结论 (11)6.2 存在的问题 (11)6.3 推广 (11)参考文献 (12)附录 (13)答谢 (22)引言随着医学技术的不断壮大，对疾病研究的专业人才是越来越多，大量医学界的人士对疾病的研究有了更多的认识.据统计100万人中大约有上近百人是由于肾炎而危机生命，因此找出肾炎好的治疗方法是治疗前正确的诊断方法一个迫不眉睫的，诊断无论是对医学还是对诊断的病人来说都是至关重要的.随着现代化的技术对肾炎的诊断，肾炎的诊断有较好的理论基础.因此，对肾炎的正确诊断可以为医生进行辅助诊断.肾炎是一种免疫性疾病，是不同的抗原产生不同的抗体，组合成不同的免疫复合物.人们到医院进行检查时，医生通常都是化验人体尿液中的几种元素的含量，通过这些元素含量的多少判断人们是健康还是患病，因此需要找出一种或几种方法能够很好的判断某人是否患肾炎，并且此方法费用低，能快速得到结果能够使大多数人们所接受，从而既不错过最好的治疗时间，也能让大多数人认可.国内外对肾炎的诊断研究现有很多方法，但有的过于复杂，诊断实现较麻烦，不但浪费人力和物力，还错过了治疗的绝佳机会，而检验方法过于简单，诊断不够准确，或者诊断的费用较高，因此，需要得到一种简便方法势在必行.本文主要通过测得人体内的各元素含量的多少，以此确定人们是否健康，用人体内的各元素含量的数据，通过matlab软件编程来获得患者与健康者的两个总体，由此建立健康系数，距离判别，bp神经网络三种模型，并通过已获得诊断的数据来验证此模型是否可行，并通过这三种模型的诊断的结果，比较找出最精确实用的模型，使多数让人们能接受通过该模型诊断的结果.1. 问题阐述1.1 问题提出大夫给人们诊断是否患病时，一般都是要获得人体的各种元素的含量.表1（见附件一）是对60个人的诊断结果，诊断为患病的是前30个人，而后30个人诊断为健康的.表2（见附件二）只是得到的是各元素的含量，并未诊断.以下是关于该病得到数据的几个问题：1) 观察表1的数据，找到一种或几种方便的模型方法，使得能够判别前面已经诊断的结果的数据，并检查其模型的真确性；2) 从1中找到的方法，对表2中40组数据根据已经建立的模型来进行判别，来诊断是患病者还是健康者；3) 通过以上数据，以此通过所建立的模型来找出影响人们患病的主要指标；4) 从3的结果中，对表2中未检测的数据进行诊断，诊断这些数据那些是患病的那些是健康的；5) 对得到主要指标进行诊断的结果与全部指标诊断的结果进行分析，以此进一步的确定最好的模型.1.2 基本假设肾炎病患者和健康者中，体检人员有时需要留取尿液标本进行化验检查，因此要正确得到要化验的标本，只有这样才能得到正确的数据.在诊断所建立之前要所说明的情况：1) 论文里所提供的数据都是无疑义的；2) 除了在数据中的所需要的指标外，没有其他的元素对之影响；3) 外部因素对患病的影响不计；4) 在这只有患肾炎的和健康的，其他的病不影响；5) 在这患病的各元素的含量不受其他病的影响；6) 在这测得数据的准确度很高，误差可以不计.1.3 模型的符号说明1G --------表示患者总体2G --------表示健康者总体 μ--------iG 的均值 k ---------表示健康系数X--------表示样本0---------表示健康者1---------表示患者)(∙f -------表示激活函数C --------表示输入信号W---------表示连接权b---------各指标的系数ky---------输出值kF---------统计量RMSE------标准剩余差---------输入信号的加权和1.4问题分析在治疗疾病时，通过化验一些重要指标来协助医生对就诊人员进行诊断，这样可以减少误判的概率，以保证诊断的正确性.如果能够提取影响人患这种病的重要指标，这样使得可以减少化验的指标，降低化验费用，可见利用指标辅助诊断，可以是一个不错的方法.从临床实际数据，抽取30名患者和30名健康者的数据，通过这些数据中各取25名患病者和25名健康者，体内的各种元素含量作为模型确立的样本建立比较简单而准确的健康系数、距离判别、神经网络三种模型，并利用剩下的5名患病者和5名健康者对模型方法的正确性进行检验，以确定所建模型方法的可行性.主要是通过Matlab一个软件来实现在得到以上模型的基础上，利用Matlab软件对40组待测数据代入进行判定，并得到三种模型方法判定的结果.比较三种模型，算出结果的吻合度和精确度，确定最终的模型.用最终的模型，从得到的各指标中提取重要指标，利用Matlab 软件中stepwise命令对提取的七种元素进行逐步回归，在移入各指标后，使剩余标准差逐渐减小，统计量F逐渐增大，最后确定回归函数，根据函数排除不重要因素，得到影响人患这种病的关键因素.通过以上模型的建立，排除了元素的不重要因素，选出在诊断判定中起关键作用主要指标，再利用神经网络模型对40组待测数据重新进行判别.提取重要指标后，再对40组数据重新诊断，得到的结果与原来的诊断结果进行对比，观察两者之间错判的程度有多大，从就诊者判定结果的变化，分析用主要因素进行诊断判断模型的的利与弊.2.健康系数模型2.1 模型建立本文所给出的样本包含了七个指标，分别是锌（Zn）、铜（Cu）、铁（Fe）、钙（Ca）、镁（Mg）、钾（K）、钠（Na），因此每个样品的的七个指标可以构成一个七维行向量，对应为七维空间里的一点.为了对样本进行分类，引进了健康系数这一概念，所谓健康系数，我们做如下定义：定义：样本到健康样本总体平均距离的1‰为该样本的健康系数，即第i 个样本i A 的健康系数为:∑=-=712)(10001j iji xk μ 2.3 模型求解首先，通过健康系数的公式，得出给定样本中健康者的数据在七维欧式空间里描绘出相应的点（以二维平面作为示意，如图1所示），通过Mintab 软件求出这一系列的离散点的中心，即为该组样本均值，我们再以距离中心点最远的点和中心点之间的距离为半径作圆，至此，圆内包含了所有健康者的数据点，再任意拿一样本，若样本落在圆内，则样本对应的病例号为健康者，否则病例号为患者.为了说明此方法的正确性，将用给定的样本中患者的数据加以验证.图1 样本散点图 由于各种因素的影响，任何诊断结果都存在一定的误判，所以有必要对给定的原始数据作进一步分析.因为此方法对给定的样本中健康者的数据要求十分严格，故此首先对给定的确诊样本中的病例号为31—60号的样本数据进行分析，作健康数据的各种指标之间的系数值如下图2所示：图2 健康系数值2.3结果分析从图2中可以直观地看到，27个健康人员指标的健康系数中只有三个在1.5以上，把这三个健康系数在1.5以上的样本去掉，剩余的样本数据中，最大的健康系数为1.3119，将这个最大的健康系数记为K，当样本的健康系数Kk≤时，样本属于健康类；当健康系数Kk>时，样本属于患病一类.用30个给定的已经确诊患病的样本的健康系数对以上方法加以验证得到的结果见表1（模型一）.很显然，从图上可以看到，30个患病指标中只有2个样本的健康系数在1.3119以下，即用这种方法对30个患病者的验证中只有2个异常数据，在误诊概率不可避免的情况下，这种判断人健康与否的标准显然是可以接受的.从以上过程能看到，在60个确定的样本中，一共剔除了8个异常样本，所以通过引进健康系数的这个方法来判断一个待诊断人是否患病的成功率为86.67%，准确率还是比较高的，说明此方法确实可行.通过此方法得到了60个数据的患病的情况，但是健康系数的模型没有理论依据，也许这只是数据上的重合，要想结果更加具有说服力，还得需要很多的诊断过的数据，实现起来很是困难，这模型只是通过自己想象力得到的模型，需找到一个具有理论依据模型，并有根据的才能使得结果更加切实可行.3. 距离判别模型3.1模型建立进行两总体的分类，通常有三种判别分析方法，在这用距离判别来进行模型的建立现利用距离判别来分析，设1G和2G为两总体，对于给定的样本X，即7种元素的含量记作样本点，计算k个欧氏距离2,1),,(=iGXdi ，找出两者中小的一个，则判定样本X来自iG，2,1=i.其分析结构图如下图3所示：样本点X图3 判别分析图即⎪⎩⎪⎨⎧>∈≤∈),(),(,),(),(,2212222121G X d G X d G X G X d G X d G X 当当特别，当),(),(2212G X d G X d =时，则判X 的归属是无效的.[1]其中 )')(()(),(712μμμ--=-=∑=i i j ij ij i X X xG X d ，40,,2,1K =i3.2 模型求解对于所给的数据，直接利用matlab 软件编写欧氏距离的程序（见附录一），代入数据来求得各样本Xi 与1G 与2G 的欧式距离，即所得的结果见表1（模型二）所示.3.3 结果分析使用附件一的数据，编写程序(见附录一)，把其中的数据（n 维向量，40=n ）输入，则输出s 为1行40列矩阵，里面对应的数可以知道待测样本的归属，给定40个样本中，有24个为患者，16个为健康者，不管做的再好，知道有时对样本判别时，不管用什么方法，都可能发生误判，即样品来自与1G 而误判为2G 或者样本来自于2G 而误判为1G ，总希望判断得越准越好，所以对总体1G 和2G 进行验证，求出误判概率，得%00)1|0(%,3.23307)0|1(====P P ，这样得到，把健康者误判为患者的概率高达23.3%，误差太大.而其精确度为%3.8860760=-=P ，在计算的过程中，检查健康者的数据，发现健康者第10个数据出现异常，其所得的精确度也不是很高，则踢出异常数据，踢出后将数据带入，所得的结果做成表格形式（如表1所示）， 从表1的结果显示，40位病例中有22位是患者，18位是健康者，再对两总体进行验证，得到的误判概率为%00)1|0(%,8.13293)0|1(====P P ，可知，与为改进前的对比，把健康者判为患者的误判概率明显变小，精确度%9560360=-=P 表示踢出后做出来的可信度比原来得到的好多了，精确度明显提高了很多，该模型还是可以接受的.4. 神经网络模型4.1 神经网络的概念人工神经网络也叫做神经网络，它是通过模仿生物的神经网络来进行信息处理的一种数学模型，通常都是用是来对得到的算法或函数的逼近，它可以帮助解决许多一般的方法难以解决的问题.在这主要采用BP 算法建立神经网络模型.[2]BP 算法叫误差反向向后神经网络算法，主要是通过输出后的误差对输出层的直接前导层的误差进行估计，继续用此法来估计更前层的误差，如此一层一层的估计下去，就得到了其他各层的误差估计，这样形成了正向输入的方向与输出层估计得到误差有相反的方向，逐级向网络的输入层递进的过程.其网络模型如图4所示：图4 神经网络模型图4.2 模型建立建立一个含有6个隐含层的神经网络模型，以25名患病者和25名健康人体内的7种元素含量作为神经网络的输入层，以MATLAB 软件中的trainlm 函数为训练函数，确定网络最大训练次数为5000，学习率为0.01，训练精度要求为10-8，我们用0和1 代替健康和患病的，即用1代替患者，用0代替健康者,对其进行求解.4.3 模型求解利用MATLAB 神经网络工具箱里的函数，编写程序（见附录二）对问题进行求解，就得到如图5的训练结果：图5 BP 神经网络训练图输入信号输出 阈值或偏置. . . . . . 激活函数 求和 y k连接权 C 7C 2 C 1W 11W 22 W 77∑)(∙fu kb k4.4结果分析由神经网络训练图可以发现，所有的训练拟合结果和实际情况完全相符，其正确率达到100%，而在对5名患病者和5名健康人的检验判定中，获得结果与所给数据相比，完全相符，正确率可以达到100%.因此该种模型切实可行，并且效果十分明显.在此模型的建立和分析的基础上，把40组待测数据代入MATLAB程序中，得到结果见如下表（模型三）所示.基于问题一所得三种模型的判定结果汇总见表1所示.以上三种模型的比较，模型一与模型二结果的吻合度36/40=90%,模型二与模型三结果的吻合度为39/40=97.5%,模型一与模型三结果的吻合度为35/40=87.5%,通过三种模型所得结果的比较与检验的正确率判断可以得到模型三最适合，且模型三的效果也比较明显，故采用模型三，舍弃模型一与模型二.以下是通过模型三来得到患病中的主要指标.5. 主因素的选取根据数据一的特征，要得到人们患肾炎的主要指标，从所建立的模型中，来寻找人们患肾炎的主要指标，这里我们MATLAB函数，对各指标的相关系数的大小将各指标（自变量）逐个引入函数，对不显著指标进行剔除，一直重复，把全部的指标都输入，最后剔除剩的就是所要求的主要因素.也就是说的逐步回归的方法得到结果.在此得到指标我们所需的是MATLAB软件中的stepwise函数，通过此函数我们可以任意的选择指标，来进行对指标的分析，其函数形式为：stepwise（x,y,inmodel,alpha）其中该函数里的x是自变量，它是mn⨯的矩阵，y是因变量，是n的矩阵，inmodel是所导入矩阵的列数，是刚开始模型中所需要1⨯指标，也就是本模型中的指标集，不写时默认为全部指标，alpha代表显著性水平，不写时默认为0.5.5.1 软件实现利用MATLAB中的stepwise命令（见附录二），得到Stepwise 1和Stepwise 7 窗口，如图6所示：图6 Stepwise 1和Stepwise 2窗口根据判别分析移入相关变量，得最后结果如下图7：图7 逐步回归最后结果从得到的窗口结果中可以看出剩余标准差RMSE 比前面的要小得多，统计量F 的值从没有到有，所以回归后得到的模型比前面的要的多.由图7易知，影响人们患这种病的关键因素为x2（Cu ）、x3（Fe ）、x 4（Ca ），其回归后得到的常数项9424.00=b ，各系数分别为：0004.0,0020.0,0164.0432-=-==b b b .即，最终的回归模型为：9424.00004.00020.00164.0332+--=x x x y在通过逐步回归后所得方程中，可看出Cu 、Fe 、Ca 该模型的显著指标，所以说是影响人们患肾炎的主要因素.5.3 验证根据问题一中模型三的分析，在剔除Zn 、Mg 、K 、Na 等不重要的影响因素后，再次建立BP 神经网络，根据0-1 代换的思想，用1代替患者，用0代替健康者，对40未检测的进行训练，得到如下所示的误差变化曲线图和判别所得到的结果.图8 误差变化曲线 图9 未检测的判别结果根据图8中误差曲线的变化，可以看到经过多次训练之后，误差最终逼近于0.0001.从图9中可以看出40组待测样本是否患病的结果如表2所示：从表2的结果来看将简化后得出的结果与之前的结果进行对应，能看出用主因素得到结果与用全部指标得到的结果基本上是一样的.可以说是训练后的数据具有较好的拟合性.5.4 模型的确立将用全部指标判定的结果与主因素判定的结果进行对比，得到如下表3所示：通过对表二进行分析可以看出，以7中指标为样本数据和所得三种主要指标为样本，进行结果的判别，与前面的相比，得到的还是有个别的差异.虽然找出了影响人们患病的主要指标，可以使医生化验的量减少，节约了很多的人力和物力，但却简化后的模型难免会使模型的精度有所下降.例如，对于33号待测数据，问题二中均确定为患病，但在问题四中却被判定为健康，这容易造成判别上的误差，造成不可挽回的错误.这样就得到了一个比较实用模型，即pc神经网络模型.6. 结论及建议6.1 结论随着我国经济建设的发展，人们的身体越来越差，就会出现了不同的疾病，其中肾炎是其中的一种,为了快速诊断疾病,寻找最佳方法，通过模型都给出了比较详细的计算方法，实际诊断结果的数据，对肾炎疾病的诊断进行了深入探讨.由以上分析可得，三种模型检验准确率可以达到86%以上，特别是通过pc神经网络模型，则检验准确高达100%，可行度还是比较好的.一般的传统检验方法不稳定，对诊断的结果有很大的影响，最坏的是结局是还能诊断出错误的结果，因此需要诊断的准确比较高的模型来进行诊断，我们基于欧氏距离判别和神经网络就可以消除很大一部分误差.虽然建立的模型较为简单，但是在模型的建立过程中，用剩余的确定的数据样本来进行检验，从而保证了模型的实用性和接近现实性，在这七种元素中，通过逐步回归，求出主要元素，可以减少就诊过程中一些繁琐的步骤，无论是给诊断的病人还是给大夫都带来了很大的方便.6.2 存在的问题在这模型的运算过程中，由于数据量的限制性，抽取的是总体中的部分样本来参与模型的建立，用剩余的数据来进行验证，难免会出现误判概率，而且建立的模型比较简单，其适用复杂情行不太适合.所以建立的模型在实际运用的过程中，会出现误差要慎之又慎，不能盲目的得出结论，由此以模型的诊断不能作为最终的结果，要从多角度的来诊断.6.3推广本论文建立的模型不仅可用于医学界，也可用于其它资源的安排，在日常实际生活中发挥着很多的作用，用于诸如某区域地貌-水文系统的其它类型的问题，地质学中判断是否有矿，对新发现的物种进行分类，在工厂中对产品的检验是否合格等问题都可用这种模型来分析.参考文献[1] 吴翊，李永乐，胡庆军.应用数理统计[M].北京：国防科技大学出版社，1995.[2] 张良均，曹晶，蒋世忠.神经网络使用教程[M].北京：机械工业出版社.2008.[3] 刘次华，万建平.概率论与数理统计[M].北京：高等教育出版社.1999.[4]王建伟，曲中水，凌斌.MATLAB 7.X 程序设计[M].北京：中国水利水电出版社.2007.[5]赵静，但琦.数学建模与数学实验[M].北京：高等教育出版社.2008.[6]赵静，但琦，严尚安，杨秀文.数学建模与数学实验（第3版）[M].北京：高等教育出版社.2008.[7]叶世伟，王海娟（译）.神经网络计算[M]. 北京：机械工业出版社.2007.[8]张德丰.MATLAB神经网络仿真与应用[M].北京：机械工业出版社.2009.[9]应海,杨原，朱尔一.人工神经网络在癌症的元素分析辅助诊断的应用[J].计算机与应用化学.1999[10]飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版.2005.[11]Xuemei Huang;Zhide Tang;Caixin Sun; Study of BP Neural Network and Its Application in Lung Cancer Intelligent Diagnosis [J]. Advances in Neural Networks –ISNN 2005, 2005.[12]Boyan Lalov; Algorithms Creating Algorithms [J]. Artificial Neural Networks –ICANN 2010, 2010附录附录一：距离判别模型的实现程序date1=[166 15.8 24.5 700 112 179 513; %date1数据185 15.7 31.5 701 125 184 427;193 9.80 25.9 541 163 128 642;159 14.2 39.7 896 99.2 239 726;226 16.2 23.8 606 152 70.3 218;171 9.29 9.29 307 187 45.5 257;201 13.3 26.6 551 101 49.4 141;147 14.5 30.0 659 102 154 680;172 8.85 7.86 551 75.7 98.4 318;156 11.5 32.5 639 107 103 552;132 15.9 17.7 578 92.4 1314 1372;182 11.3 11.3 767 111 264 672;186 9.26 37.1 958 233 73.0 347;162 8.23 27.1 625 108 62.4 465;150 6.63 21.0 627 140 179 639;159 10.7 11.7 612 190 98.5 390;117 16.1 7.04 988 95.5 136 572;181 10.1 4.04 1437 184 101 542;146 20.7 23.8 1232 128 150 1092;42.3 10.3 9.70 629 93.7 439 888;28.2 12.4 53.1 370 44.1 454 852;154 13.8 53.3 621 105 160 723;179 12.2 17.9 1139 150 45.2 218;13.5 3.36 16.8 135 32.6 51.6 182;175 5.84 24.9 807 123 55.6 126;113 15.8 47.3 626 53.6 168 627;50.5 11.6 6.30 608 58.9 58.9 139;78.6 14.6 9.70 421 70.8 133 464;90.0 3.27 8.17 622 52.3 770 852;178 28.8 32.4 992 112 70.2 169]date2=[213 19.1 36.2 2220 249 40.0 168;170 13.9 29.8 1285 226 47.9 330;162 13.2 19.8 1521 166 36.2 133;203 13.0 90.8 1544 162 98.90 394;167 13.1 14.1 2278 212 46.3 134;164 12.9 18.6 2993 197 36.3 94.5;167 15.0 27.0 2056 260 64.6 237;158 14.4 37.0 1025 101 44.6 72.5;133 22.8 31.0 1633 401 180 899;%156 135 322 6747 1090 228 810; %踢出前不加%，踢出后加% 169 8.00 308 1068 99.1 53.0 289;247 17.3 8.65 2554 241 77.9 373;166 8.10 62.8 1233 252 134 649;209 6.43 86.9 2157 288 74.0 219;182 6.49 61.7 3870 432 143 367;235 15.6 23.4 1806 166 68.8 188;173 19.1 17.0 2497 295 65.8 287;151 19.7 64.2 2031 403 182 874;191 65.4 35.0 5361 392 137 688;223 24.4 86.0 3603 353 97.7 479;221 20.1 155 3172 368 150 739;217 25.0 28.2 2343 373 110 494;164 22.2 35.5 2212 281 153 549;173 8.99 36.0 1624 216 103 257;202 18.6 17.7 3785 225 31.0 67.3;182 17.3 24.8 3073 246 50.7 109;211 24.0 17.0 3836 428 73.5 351;246 21.5 93.2 2112 354 71.7 195;164 16.1 38.0 2135 152 64.3 240;179 21.0 35.0 1560 226 47.9 330];date3=[58.2 5.42 29.7 323 138 179 513106 1.87 40.5 542 177 184 427152 0.80 12.5 1332 176 128 64685.5 1.70 3.99 503 62.3 238 762.6144 0.70 15.1 547 79.7 71.0 218.585.7 1.09 4.2 790 170 45.8 257.9144 0.30 9.11 417 552 49.5 141.5170 4.16 9.32 943 260 155 680.8176 0.57 27.3 318 133 99.4 318.8192 7.06 32.9 1969 343 103 553188 8.28 22.6 1208 231 1314 1372201 13.3 26.6 551 101 49.4 141147 14.5 30.0 659 102 154 680172 8.85 7.86 551 75.7 98.4 318156 11.5 32.5 639 107 103 552132 15.9 17.7 578 92.4 1314 1372153 5.87 34.8 328 163 264 672.5143 2.84 15.7 265 123 73.0 347.5213 19.1 36.2 2220 249 62.0 465.8192 20.1 23.8 1606 156 40.0 168171 10.5 30.5 672 145 47.0 330.5162 13.2 19.8 1521 166 36.2 133203 13.0 90.8 1544 162 98.9 394.5164 20.1 28.9 1062 161 47.3 134.5151 19.7 64.2 2031 403 182 874191 65.4 35.0 5361 392 137 688223 24.4 86.0 3603 353 97.7 479221 20.1 155 3172 368 150 739217 25.0 28.2 2343 373 110 494167 13.1 14.1 2278 212 36.5 96.5164 12.9 18.6 2993 197 65.5 237.8167 15.0 27.0 2056 260 44.8 72.0158 14.4 37.0 1025 101 180 899.5133 22.8 31.3 1633 401 228 289169 8.0 30.8 1068 99.1 53.0 817247 17.3 8.65 2554 241 77.5 373.5185 3.90 31.3 1211 190 134 649.8209 6.43 86.9 2157 288 74.0 219.8182 6.49 61.7 3870 432 143 367.5235 15.6 23.4 1806 166 68.9 188];disp('1为患者，0为健康者')mda1=mean(date1); %date1为患者数据mda2=mean(date2); %date2为健康者数据k=length(date2) ;n=length(date3);%验证for i=1:30 %对患者进行验证D11(i)=sqrt((date1(i,:)-mda1)*(date1(i,:)-mda1)');D12(i)=sqrt((date1(i,:)-mda2)*(date1(i,:)-mda2)');if D11(i)<D12(i) D1(i)=1;else D1(i)=0;endendfor h=1:k %对健康者进行验证D21(h)=sqrt((date2(h,:)-mda1)*(date2(h,:)-mda1)');D22(h)=sqrt((date2(h,:)-mda2)*(date2(h,:)-mda2)');if D21(h)<D22(h) D2(h)=1;else D2(h)=0;endend%判别样本for j=1:ns1(j)=sqrt((date3(j,:)-mda1)*(date3(j,:)-mda1)');s2(j)=sqrt((date3(j,:)-mda2)*(date3(j,:)-mda2)');endfor j=1:40if s1(j)<s2(j)s(j)=1;else s(j)=0;endend附录二：神经网络实现程序P=[166 15.8 24.5 700 112 179 513185 15.7 31.5 701 125 184 427193 9.80 25.9 541 163 128 642159 14.2 39.7 896 99.2 239 726226 16.2 23.8 606 152 70.3 218171 9.29 9.29 307 187 45.5 257201 13.3 26.6 551 101 49.4 141147 14.5 30.0 659 102 154 680172 8.85 7.86 551 75.7 98.4 318156 11.5 32.5 639 107 103 552132 15.9 17.7 578 92.4 1314 1372182 11.3 11.3 767 111 264 672186 9.26 37.1 958 233 73.0 347162 8.23 27.1 625 108 62.4 465150 6.63 21.0 627 140 179 639159 10.7 11.7 612 190 98.5 390117 16.1 7.04 988 95.5 136 572181 10.1 4.04 1437 184 101 542146 20.7 23.8 1232 128 150 109242.3 10.3 9.70 629 93.7 439 88828.2 12.4 53.1 370 44.1 454 852154 13.8 53.3 621 105 160 723179 12.2 17.9 1139 150 45.2 21813.5 3.36 16.8 135 32.6 51.6 182175 5.84 24.9 807 123 55.6 126213 19.1 36.2 2220 249 40.0 168170 13.9 29.8 1285 226 47.9 330162 13.2 19.8 1521 166 36.2 133203 13.0 90.8 1544 162 98.90 394167 13.1 14.1 2278 212 46.3 134164 12.9 18.6 2993 197 36.3 94.5167 15.0 27.0 2056 260 64.6 237158 14.4 37.0 1025 101 44.6 72.5133 22.8 31.0 1633 401 180 899156 135 322 6747 1090 228 810169 8.00 308 1068 99.1 53.0 289247 17.3 8.65 2554 241 77.9 373166 8.10 62.8 1233 252 134 649209 6.43 86.9 2157 288 74.0 219182 6.49 61.7 3870 432 143 367235 15.6 23.4 1806 166 68.8 188173 19.1 17.0 2497 295 65.8 287151 19.7 64.2 2031 403 182 874191 65.4 35.0 5361 392 137 688223 24.4 86.0 3603 353 97.7 479221 20.1 155 3172 368 150 739217 25.0 28.2 2343 373 110 494164 22.2 35.5 2212 281 153 549173 8.99 36.0 1624 216 103 257202 18.6 17.7 3785 225 31.0 67.3]';T=[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,0,0,0,0,0,0, 0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0];net=newff(minmax(P),[6,1],{'tansig','purelin'},'trainlm'); %建立新的神经网络，其中minmax（p）为输入向量p的最小值和最大值；6为隐含层单元数；1为隐含层层数；tansig 隐含层转移函数；purelin 隐含层转移函数；trainlm 网络训练函数net.trainparam.epochs=5000; %设置训练次数5000次net.trainparam.lr=0.01; %网络学习速率net.trainparam.show=50; %训练过程每50次显示训练结果10net.trainparam.goal=1e-8; %设置精确度8V = net.iw{1,1};%创建训练层vtheta1 = net.b{1};%隐层阈值W = net.lw{2,1};隐层到输出层权值theta2 = net.b{2};%隐层阈值[net,tr]=train(net,P,T); %对建立好的网络进行训练· a=sim(net,P); %对输入层p进行仿真，a为仿真结果subplot(2,1,1),plot(T,'o'); %显示训练结果hold onplot(a,'-');X1=[113 15.8 47.3 626 53.6 168 62750.5 11.6 6.30 608 58.9 58.9 13978.6 14.6 9.70 421 70.8 133 46490.0 3.27 8.17 622 52.3 770 852178 28.8 32.4 992 112 70.2 169182 17.3 24.8 3073 246 50.7 109211 24.0 17.0 3836 428 73.5 351246 21.5 93.2 2112 354 71.7 195164 16.1 38.0 2135 152 64.3 240179 21.0 35.0 1560 226 47.9 330]';b=sim(net,X1); %对输入层X1进行仿真，b为仿真结果subplot(2,1,2),plot(b,'*'); %显示训练结果回归：x=P(:,1:7); %x数值的初始化y=T(:,1); %y数值的初始化stepwise(x,y,[1:7])%包括所有的变量答谢经过这四个多月的不断努力，我的毕业论文算是告一段落，在这么长的时间里，假如没有老师的悉心指导以及各位同学们的帮助，我相信我的论文不会这么轻易的就能完成.我不知如何要感谢你们，总之感谢你们对我的指导和帮助，请让我在这谢谢你们！特别是我的指导老师徐永琳老师，在她亲切关怀和悉心指导下，我才能很好的、按时完成了我的毕业论文.在每次指导中，老师都花费了好几个小时来查看我写的情况，并在我写的上面出现的问题给我一一解答.她对我们严肃的态度，精益求精的工作作风，深深地感染着我.从论文的选题开始到最终的完成，徐老师始终给予我细心的指导和不懈的支持.不论在大学四年还是这写论文期间，在学习和生活上的帮助和建议，我都铭记在心，这样，我今天才能顺利的完成这论文，在此我谨向徐老师致以诚挚的谢意和崇高的敬意.同时，我还要感谢在一起愉快的度过大四生活的10#313的各位室友，正是由于你们的帮助和支持，我才能克服一个一个的困难和疑惑，直至本论文的顺利完成.在论文即将完成之际，我的心情无法平静，从开始进入课题到顺利完成，有多少可敬的师长、同学、朋友给了我无言的帮助，在这里请接受我诚挚的谢意!最后我还要感谢培养我长大含辛茹苦的父母，谢谢你们!***2013.05.26。