發(fā)布時間：2017-10-20 19:53

  本文關鍵詞：優(yōu)化BP神經網絡在糖尿病患病風險分析中的應用

  更多相關文章： 糖尿病 BP神經網絡 遺傳算法GA 患病風險

【摘要】：隨著經濟的飛速發(fā)展,人民的生活水平逐漸提高,糖尿病在我國的發(fā)病率也越來越高,每年消耗的醫(yī)療資源不計其數(shù)。對于糖尿病這種不可治愈的疾病,最好的辦法就是預防。對糖尿病的有效預防將會給個人和國家減輕巨大的經濟負擔,節(jié)約大量醫(yī)療資源。因此,有關糖尿病預防的研究越來越受到各界重視。本文針對糖尿病預防的需求,設計一個糖尿病患病風險分析系統(tǒng)。利用優(yōu)化BP神經網絡模型對大量糖尿病數(shù)據(jù)擬合,可以通過計算人體多項體征參數(shù)達到實時測試個體患糖尿病的風險的目的。具體研究工作如下:1.構建一個基于BP神經網絡的糖尿病患病風險評估模型。分析糖尿病發(fā)作的高危風險因素,對實驗數(shù)據(jù)進行提取和整合,構建神經網絡學習模型,以經過數(shù)據(jù)訓練后的模型對個人患糖尿病的風險進行評估。2.使用遺傳算法優(yōu)化風險評估模型。改善BP神經網絡的初始參數(shù),避免在學習過程中陷入局部極值的情況并且提高學習效率,使應用于糖尿病數(shù)據(jù)的BP神經網絡患病風險評估模型更加合理、準確、高效。3.設計一個糖尿病患病風險分析系統(tǒng)的圖形用戶界面。簡便的操作方式和清楚直觀的分析結果顯示模式使本系統(tǒng)更加易于推廣普及。本系統(tǒng)設計的主要工具為MATLAB軟件,使用MATLAB語言編程實現(xiàn)BP神經網絡建模和遺傳算法的優(yōu)化過程,通過MATLAB軟件的可視化圖形界面工具GUI來制作系統(tǒng)用戶界面。大量實驗的結果表明,優(yōu)化BP神經網絡構建的糖尿病患病風險模型可以對個體當前患糖尿病的風險進行較高精度的判定,這證明了本文中所采用的研究方法是正確的,設計的糖尿病患病風險判定系統(tǒng)是有效的,具有使用價值。
【關鍵詞】：糖尿病 BP神經網絡 遺傳算法GA 患病風險
【學位授予單位】：蘭州理工大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：R587.1;TP183
【目錄】：

• 摘要7-8
• Abstract8-12
• 第一章 緒論12-17
• 1.1 研究的背景和意義12-13
• 1.2 國內外研究現(xiàn)狀13-15
• 1.3 主要研究內容及論文架構15-17
• 1.3.1 主要研究內容15
• 1.3.2 論文結構安排15-17
• 第二章 糖尿病概述17-22
• 2.1 糖尿病簡介17
• 2.2 糖尿病發(fā)病的影響因素17-19
• 2.3 糖尿病數(shù)據(jù)在研究中的應用19-21
• 2.3.1 將數(shù)據(jù)挖掘技術引入糖尿病數(shù)據(jù)研究19-20
• 2.3.2 糖尿病數(shù)據(jù)的收集和整理20-21
• 2.4 本章小結21-22
• 第三章 糖尿病數(shù)據(jù)分析的相關方法22-45
• 3.1 BP神經網絡簡介22-31
• 3.1.1 神經元及網絡模型22-24
• 3.1.2 BP神經網絡的學習原理24-26
• 3.1.3 BP神經網絡的設計過程26-29
• 3.1.4 BP神經網絡在糖尿病數(shù)據(jù)分析中的適用性29-30
• 3.1.5 BP神經網絡的局限性30-31
• 3.2 遺傳算法概述31-40
• 3.2.1 遺傳算法介紹31-32
• 3.2.2 遺傳算法基本原理32-37
• 3.2.3 遺傳算法的實現(xiàn)過程37-39
• 3.2.4 遺傳算法的特點39-40
• 3.3 遺傳算法與BP神經網絡的結合40-43
• 3.3.1 遺傳算法優(yōu)化BP神經網絡結構41
• 3.3.2 遺傳算法優(yōu)化BP神經網絡的參數(shù)41-43
• 3.4 本章小結43-45
• 第四章 糖尿病患病風險判定模型的構建45-56
• 4.1 數(shù)據(jù)樣本處理45-48
• 4.1.1 糖尿病數(shù)據(jù)的獲取和整合45-47
• 4.1.2 確定輸入輸出模式47-48
• 4.2 BP神經網絡參數(shù)和結構的設計48-54
• 4.2.1 訓練參數(shù)的選擇48-49
• 4.2.2 隱含層數(shù)的選擇49-51
• 4.2.3 隱含層神經元數(shù)目的選擇51-54
• 4.3 遺傳算法優(yōu)化BP神經網絡參數(shù)54-55
• 4.4 本章小結55-56
• 第五章 糖尿病患病風險模型的測試與系統(tǒng)的實現(xiàn)56-65
• 5.1 測試與分析56-60
• 5.2 系統(tǒng)的實現(xiàn)60-64
• 5.2.1 開發(fā)平臺61
• 5.2.2 用戶界面61-63
• 5.2.3 系統(tǒng)應用測試63-64
• 5.3 本章小結64-65
• 總結與展望65-66
• 參考文獻66-70
• 致謝70-71
• 附件71-74

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 楊金寶;張昌宏;陳平;;基于改進BP神經網絡的網絡故障診斷研究[J];計算機與數(shù)字工程;2012年02期

2 毛健;趙紅東;姚婧婧;;人工神經網絡的發(fā)展及應用[J];電子設計工程;2011年24期

3 吳限;吳恬;隋順彬;劉光民;雍子豪;;基于MATLAB的BP網絡在月生活用水量預測中的應用[J];供水技術;2011年06期

4 許興軍;顏鋼鋒;;基于BP神經網絡的股價趨勢分析[J];浙江金融;2011年11期

5 馬強;馬少華;毛宗磊;;利用遺傳算法優(yōu)化BP神經網絡[J];科技廣場;2008年12期

6 葛繼科;邱玉輝;吳春明;蒲國林;;遺傳算法研究綜述[J];計算機應用研究;2008年10期

7 牛潔;劉銅華;楊麗霞;王志程;;環(huán)境因素在2型糖尿病發(fā)生中的作用[J];中國慢性病預防與控制;2008年04期

8 王美;劉泱;;改進的BP神經網絡在糖尿病危險因素分析中的應用[J];軟件導刊;2008年04期

9 李萍;曾令可;稅安澤;金雪莉;劉艷春;王慧;;基于MATLAB的BP神經網絡預測系統(tǒng)的設計[J];計算機應用與軟件;2008年04期

10 張小玉;蔡桂芳;;BP神經網絡在某型飛機發(fā)動機故障預測中的應用[J];機電產品開發(fā)與創(chuàng)新;2008年02期

中國碩士學位論文全文數(shù)據(jù)庫 前9條

1 任謝楠;基于遺傳算法的BP神經網絡的優(yōu)化研究及MATLAB仿真[D];天津師范大學;2014年

2 張華;基于優(yōu)化BP神經網絡的微博輿情預測模型研究[D];華中師范大學;2014年

3 常凱;基于神經網絡的數(shù)據(jù)挖掘分類算法比較和分析研究[D];安徽大學;2014年

4 蘇航;基于BP神經網絡的地鐵信號設備故障預測[D];華南理工大學;2013年

5 楊開明;糖尿病中醫(yī)臨床數(shù)據(jù)挖掘技術研究[D];昆明理工大學;2013年

6 劉曉敏;基于BP神經網絡的股指預測系統(tǒng)[D];大連理工大學;2012年

7 喬姍姍;基于遺傳算法優(yōu)化的BP神經網絡在建筑工程投標報價中應用的研究[D];揚州大學;2012年

8 賀電;大型風電場短期功率預測研究[D];北京交通大學;2011年

9 趙紅;基于免疫遺傳算法的模糊神經網絡研究[D];哈爾濱工程大學;2008年

，

本文編號：1069039