CN109346177A - 一种基于改进ga-bp算法的疾病症状数量预测方法 - Google Patents

Abstract

本发明涉及一种基于改进GA‑BP算法的疾病症状数量预测方法，属于人工智能算法技术领域。本发明利用遗传算法、粒子群算法和BP神经网络相结合，解决了传统BP网络容易陷入局部极小点、收敛速度慢等缺点，提高了预测的精确度。本发明先建立疾病症状数据库，并对数据预处理；然后根据预测对象确定网络拓扑结构，初始化BP神经网络的权值和阈值、初始化遗传参数；接着通过建立的BP神经网络训练所有样本，并计算其适应度函数，通过遗传算法求得最优适应度值及最优个体，获得最优的权值及阈值，并把最优参数代入BP神经网络中，训练网络，引入粒子群算法更新权值和阈值，并判断是否满足结束条件进而退出算法得出预测结果。

Description

一种基于改进GA-BP算法的疾病症状数量预测方法

技术领域

本发明涉及一种基于改进GA-BP算法的疾病症状数量预测方法，属于人工智能算法技术领域。

背景技术

现有的预测模型大多是基于BP神经网络的有一些组合模型，如GM-BP组合模型、IS-LM-B组合模型、ARMA-BP组合模型等，这些预测模型主要是运用算法的结合来预测数据，并没有在内部做任何优化。内部优化有很大的挖掘潜力。

现代医学比较发达，人们越来越关心自身的状况，国家也关心各地区的疾病状况问题，有些地方有些疾病需要上报数据，可是有的上报数据并不准确，这对地方疾病防控有一定的影响。

发明内容

本发明要解决的技术问题是提供一种基于改进GA-BP算法的疾病症状数量预测方法，用以解决上述问题。

本发明的技术方案是：一种基于改进GA-BP算法的疾病症状数量预测模型，具体步骤如下：

Step1、整理数据，数据预处理；

Step2、确定网络拓扑结构；

Step3、初始化网络参数，训练样本；

Step4、获取误差函数；

Step5、引入遗传算法，以误差函数作为目标函数，并计算其适应度；

Step6、获得最优权值和阈值；

Step7、训练网络，计算误差，并判断是否满足结束条件；

Step8、若满足则结束算法，不满足则引入粒子群算法更新网络的权值和阈值，继续进行Step7。

具体地，所述步骤Step1中，把整理好的数据赋值给矩阵X，预处理则通过下式把数据归一化到[0 1]之间：

X_normm＝X-X_min/X_max-X_min

式中，X_norm为归一化后的数据，X为原始数据，X_max和X_min分别是原始数据的最大和最小值；

具体地，所述步骤Step2中，定义N_in、N_out为输入、输出端神经元个数。隐含层神经元个数与输入层神经元个数满足N_hid＝2X_in+1关系，继而得到网络的拓扑结构N_in-N_hid-N_out；

具体地，所述步骤Step3中，初始化网络参数包括网络的权值、阈值、误差及学习率。

具体地，所述步骤Step4中，获取误差函数其具体步骤如下：

通过下式得到预测值：

O_hk＝X_n×W_in+a_k

T_j′＝O_hk×W_hj+b_j

式中，O_hk、T_j′为隐含层输出值和预测输出值，X_n输入向量，W_in为输入层到隐含层的第n神经元的权值、W_hj隐含层到输出层的第j个权值，a_k为输入层到隐含层的第k神经元的阈值、b_j为隐含层到输出层第j个的阈值。

预测值与真实值之间的误差为：其中T_j′为神经网络第j个结点的预测输出值，T_j是第j个结点的真实值。

具体地，所述步骤Step5中，引入遗传算法具体步骤如下：

(1)初始化遗传算法参数包括种群规模Q、交叉概率P_c、变异概率P_m、终止进化代数G。

(2)计算适应度：把Step4中的E作为遗传算法的目标函数F(W_in、a_k、W_hj、b_j)，则适应度函数为

(3)选择操作：基于适应度比例的选择策略，每个个体i的选择概率P_i为：

式中，F_i是个体i的适应度值，fi为其倒数。随机产生[0 1]之间的随机数r若：P₁+P₂+...+P_i-1＜r＜P₁+P₂+...+P_i，则选择第i个个体，重复Q次，选出Q个父体

(4)交叉操作：第k个染色体xk，与第1个染色体x₁，在j位的交叉公式如下：

x_kj＝x_kj(1-b)+x_lj×b

x_lj＝x_lj(1-b)+x_kj×b

式中，b是[0 1]之间的随机数。

(5)变异操作：随机选取需要变异的染色体，命名为i，则i的第j个基因x_ij变异公式如下：

式中，x_max，x_min是基因x_ij的上下界；g为当前迭代次数，G为最大迭代次数；r′、r为[01]之间的随机数。

具体地，所述步骤Step6中，获得最优权值和阈值的步骤为：根据Step5中的过程计算目标函数的最优解，并判断是否满足跳出算法的条件，若满足则输出最优的权值和阈值。

具体地，所述步骤Step7中，训练网络，计算误差，并判断是否满足结束条件步骤如下：把Step6得到的最优解代入神经网络进行训练，计算预测与输出的误差值，若满足跳出算法的条件，若满足则结束算法，若不满足则进入下一步。

具体地，所述步骤Step8中引入粒子群算法更新网络的权值和阈值具体步骤如下：把Step4计算的结果(W_in、a_k、W_hj、b_j)记为群体中的粒子y＝(y₁，y₂，y₃，y₄)，记第i个粒子的位置表示为y_i＝(y_i1，y_i2，y_i3，y_i4)，粒子i的速度记为v_i＝(v_i1，v_i2，v_i3，v_i4)，粒子个体经历过得最优位置记为p_i＝(p_i1，p_i2，p_i3，p_i4)，整个群体所有粒子经历过的最优位置记为p_g＝(p_g1，p_g2，p_g3，p_g4)，粒子群算法采用如下方程对粒子所在的位置不断进行更新：

v_ij ^(t+1)＝w×v_ij ^t+c₁×r₁×(p_ij ^t-y_ij ^t)+c₂×r₂×(p_gi ^t-y_ij ^t)

y_ij ^t+1＝y_ij ^t+v_ij ^t+1，j＝1，2，3，4

式中，w为非负惯性因子；c₁、c₂为非负加速常数；γ₁、γ₁为[0 1]之间的随机数。把计算得到的y代入Step7再做运算和判断。

本发明的有益效果是：仅利用粒子群算法代替传统神经网络梯度下降算法求解局部最小值还提供了改进GA-BP算法对疾病症状数量的预测，准确的数据预测不仅能反映当地居民的身体健康状况，也能让疾病控制中心提前做好预防工作。

附图说明

图1是本发明步骤流程图；

图2是本发明遗传算法步骤流程图；

图3是本发明详细算法步骤流程图。

具体实施方式

下面结合附图和具体实施方式，对本发明作进一步说明。

实施例1：如图1-3所示，一种基于改进GA-BP算法的疾病症状数量预测模型。所述方法的具体步骤如下：

Step1、整理数据，数据预处理；

Step2、确定网络拓扑结构；

Step3、初始化网络参数，训练样本；

Step4、获取误差函数；

Step5、引入遗传算法，以误差函数作为目标函数，并计算其适应度；

Step6、获得最优权值和阈值；

Step7、训练网络，计算误差，并判断是否满足结束条件；

Step8、若满足则结束算法，不满足则引入粒子群算法更新网络的权值和阈值，继续进行Step7。

进一步地，所述步骤Step1中，把整理好的数据赋值给矩阵X，预处理则通过下式把数据归一化到[0 1]之间：

X_norm＝X-X_min/X_max-X_min

式中，X_norm为归一化后的数据，X为原始数据，X_max和X_min分别是原始数据的最大和最小值；

进一步地，所述步骤Step2中，定义N_in、N_out为输入、输出端神经元个数。隐含层神经元个数与输入层神经元个数满足N_hid＝2X_in+1关系，继而得到网络的拓扑结构N_in-N_hid-N_out；

例如，选取病症数量发烧，感冒、咳嗽3个主要病症数量作为神经元的输入，则可以确定隐含层为7，因为预测的只是整体数量可以把输出端的神经元设为1。则网络拓扑结构为3-7-1。

具体地，所述步骤Step3中，初始化网络参数包括网络的权值、阈值、误差及学习率。

具体地，所述步骤Step4中，获取误差函数其具体步骤如下：

通过下式得到预测值：

O_hk＝X_n×W_in+a_k

T_j′＝O_hk×W_hj+b_j

式中，O_hk、T_j′为隐含层输出值和预测输出值，X_n输入向量，W_in为输入层到隐含层的第n神经元的权值、W_hj隐含层到输出层的第j个权值，a_k为输入层到隐含层的第k神经元的阈值、b_j为隐含层到输出层第j个的阈值。

预测值与真实值之间的误差为：其中T_j′为神经网络第j个结点的预测输出值，T_j是第j个结点的真实值。

具体地，所述步骤Step5中，引入遗传算法具体步骤如下：

(1)初始化遗传算法参数包括种群规模Q、交叉概率P_c、变异概率P_m、终止进化代数G。

(2)计算适应度：把Step4中的E作为遗传算法的目标函数F(W_in、a_k、W_hj、b_j)，则适应度函数为

(3)选择操作：基于适应度比例的选择策略，每个个体i的选择概率P_i为：

式中，F_i是个体i的适应度值，f_i为其倒数。随机产生[0 1]之间的随机数r若：P₁+P₂+...+P_i-1＜r＜P₁+P₂+...+P_i，则选择第i个个体，重复Q次，选出Q个父体

(4)交叉操作：第k个染色体x_k，与第l个染色体x₁，在j位的交叉公式如下：

x_kj＝x_kj(1-b)+x_lj×b

x_lj＝x_lj(1-b)+x_kj×b

式中，b是[0 1]之间的随机数。

(5)变异操作：随机选取需要变异的染色体，命名为i，则i的第j个基因x_ij变异公式如下：

式中，x_max，x_min是基因x_ij的上下界；g为当前迭代次数，G为最大迭代次数；r′、r为[01]之间的随机数。

具体地，所述步骤Step6中，获得最优权值和阈值的步骤为：根据Step5中的过程计算目标函数的最优解，并判断是否满足跳出算法的条件，若满足则输出最优的权值和阈值。

具体地，所述步骤Step7中，训练网络，计算误差，并判断是否满足结束条件步骤如下：把Step6得到的最优解代入神经网络进行训练，计算预测与输出的误差值，若满足跳出算法的条件，若满足则结束算法，若不满足则进入下一步。

具体地，所述步骤Step8中引入粒子群算法更新网络的权值和阈值具体步骤如下：把Step4计算的结果(W_in、a_k、W_hj、b_j)记为群体中的粒子y＝(y₁，y₂，y₃，y₄)，记第i个粒子的位置表示为y_i＝(y_i1，y_i2，y_i3，y_i4)，粒子i的速度记为v_i＝(v_i1，v_i2，v_i3，v_i4)，粒子个体经历过得最优位置记为p_i＝(p_i1，p_i2，p_i3，p_i4)，整个群体所有粒子经历过的最优位置记为p_g＝(p_g1，p_g2，p_g3，p_g4)，粒子群算法采用如下方程对粒子所在的位置不断进行更新：

v_ij ^(t+1)＝w×v_ij ^t+c₁×r₁×(p_ij ^t-y_ij ^t)+c₂×r₂×(p_gi ^t-y_ij ^t)

y_ij ^t+1＝y_ij ^t+v_ij ^t+1，j＝1，2，3，4

式中，w为非负惯性因子；c₁、c₂为非负加速常数；γ₁、γ₁为[0 1]之间的随机数。把计算得到的y代入Step7再做运算和判断。

最终结果，当医生输入本月发烧，感冒、咳嗽的人数时，该模型会自动输出本月患病总人数。本发明与现有技术相比，主要创新点：1、利用粒子群算法代替传统神经网络梯度下降算法求解局部最小值。2、提供了改进GA-BP算法对疾病症状数量的预测，准确的数据预测不仅能反映当地居民的身体健康状况，也能让疾病控制中心提前做好预防工作。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (2)

1.一种基于改进GA-BP算法的疾病症状数量预测方法，其特征在于：

Step1、整理数据，数据预处理；

Step2、确定网络拓扑结构；

Step3、初始化网络参数，训练样本；

Step4、获取误差函数；

Step5、引入遗传算法，以误差函数作为目标函数，并计算其适应度；

Step6、获得最优权值和阈值；

Step7、训练网络，计算误差，并判断是否满足结束条件；

Step8、若满足则结束算法，不满足则引入粒子群算法更新网络的权值和阈值，继续执行Step7。

2.根据权利要求1所述的基于改进GA-BP算法的症状数量预测方法，其特征在于具体步骤为：

Step1：把整理好的数据赋值给矩阵X，预处理则通过下式把数据归一化到[0 1]之间；

X_norm＝X-X_min/X_max-X_min

式中，X_norm为归一化后的数据，X为原始数据，X_max和X_min分别是原始数据的最大和最小值；

Step2：定义N_in、N_out为输入、输出端神经元个数，隐含层神经元个数与输入层神经元个数满足N_hid＝2X_in+1关系，继而得到网络的拓扑结构：

N_in-N_hid-N_out。

Step3：初始化网络参数包括网络的权值、阈值、误差及学习率；

Step4：获取误差函数其具体步骤如下：

通过下式得到预测值：

O_hk＝X_n*W_in+a_k

T_j′＝O_hk*W_hj+b_j

式中，O_hk、T_j′为隐含层输出值和预测输出值，X_n输入向量，W_in为输入层到隐含层的第n神经元的权值、W_hj隐含层到输出层的第j个权值，a_k为输入层到隐含层的第k神经元的阈值、b_j为隐含层到输出层第j个的阈值；

预测值与真实值之间的误差为：其中T_j′为神经网络第j个结点的预测输出值，T_j是第j个结点的真实值；

Step5：引入遗传算法具体步骤如下：

(1)初始化遗传算法参数包括种群规模Q、交叉概率P_c、变异概率P_m、终止进化代数G；

(2)计算适应度：作为遗传算法的目标函数F(W_in、a_k、W_hj、b_j)，则适应度函数为

(3)选择操作：基于适应度比例的选择策略，每个个体i的选择概率P_i为：

式中，F_i是个体i的适应度值，f_i为其倒数，随机产生[0 1]之间的随机数r若：

p₁+p₂+…+p_i-1＜r≤p₁+p₂+…+p_i

则选择第i个个体，重复Q次，选出Q个父体；

(4)交叉操作：第k个染色体x_k与第1个染色体x₁在j位的交叉公式如下：

式中，b是[0 1]之间的随机数。

(5)变异操作：随机选取需要变异的染色体，命名为i，则i的第j个基因x_ij变异公式如下：

f(g)＝r′(1-g/G)²

式中，x_max，x_min是基因x_ij的上下界，g为当前迭代次数，G为最大迭代次数，r′、r为[0 1]之间的随机数；

Step6：获得最优权值和阈值的步骤为：根据Step5中的过程计算目标函数的最优解，并判断是否满足跳出算法的条件，若满足则输出最优的权值和阈值；

Step7：训练网络，计算误差，并判断是否满足结束条件步骤如下：

把Step6中得到的最优解代入神经网络进行训练，计算预测与输出的误差值，若满足跳出算法的条件，若满足则结束算法，若不满足则进入Step8；

Step8：引入粒子群算法更新网络的权值和阈值具体步骤如下：

把Step4计算的结果(W_in、a_k、W_hj、b_j)记为y＝(y₁，y₂，y₃，y₄)，并将其看作群体中的粒子，记第i个粒子的位置表示为y_i＝(y_i1，y_i2，y_i3，y_i4)，粒子i的速度记为v_i＝(v_i1，v_i2，v_i3，v_i4)，粒子个体经历过得最优位置记为p_i＝(p_i1，p_i2，p_i3，p_i4)，整个群体所有粒子经历过的最优位置记为p_g＝(p_g1，p_g2，p_g3，p_g4)，粒子群算法采用下式对粒子所在的位置不断进行更新：

式中，w为非负惯性因子，c₁、c₂为非负加速常数，γ₁、γ₁为[0 1]之间的随机数，把计算得到的y代入Step7再做运算和判断。