您好,欢迎访问三七文档
1肿瘤诊断2肿瘤细胞诊断问题提出肿瘤通过穿刺采样(1)良性(2)恶性细胞核的特性直径、质地、周长、面积、光滑度、紧密度、凹陷度、凹陷点数、对称度、断裂度3实验数据500个病例每个病例包括10个特征量的平均值、标准差和最坏值模型:30个特征数据提取特征、分类识别问题:判断另外69名已经做穿刺采样的患者良性、恶性4数学方法(1)统计方法欧氏距离,马氏距离(2)神经网络学习识别5生物神经元结构(1)细胞体(2)树突(3)轴突(4)突触:可塑性6神经元功能(1)兴奋与抑制:(2)学习与遗忘:7MP神经网络模型0)(xf1x(b)作用函数图2-2-2MP神经元模型神经元i的输入yj,输出yi描述:yfwyiijjijn()1,ij设xwyiijjijn1则yfxii()每一神经元的输出,或‘0’或‘1’,fxxx(),,1000fx():作用(激发)函数——阶跃函数,见图。神经元i的输入加权和超过阈值时,输出为‘1’,‘兴奋’状态;反之,输出为‘0’,‘抑制’状态。)(ixfi(a)8MP神经网络模型另一式:设wii0,y01。把阈值作为权值,则MP神经元模型:yfwyiijjjn()0MP神经元模型,是人工神经元模型的基础,也是神经网络理论的基础。9作用函数的形式图2-2-3(a)1(b)21.非对称型Sigmoid函数简称S型作用函数,是可微的,图(a)、(b),用下式表示:fxex()11或fxex()11,0102.对称型Sigmoid函数是可微的,图(c)、(d),用下式表示:fxeexx()11或fxeexx()11,0或fxeeeexxxx(),0图2-2-3(c)1(d)211对称型阶跃函数图(e),用下式表示:fxxx(),,1010用阶跃作用函数的神经元,称阈值逻辑单元。图2-2-312感知器感知器是模拟人的视觉,接受环境信息,并由神经冲动进行信息传递的神经网络。感知器分单层与多层,是具有学习能力的神经网络。13单层感知器是具有单层处理单元的神经网络,非线性作用函数f()是对称型阶跃函数,见图。感知器输出:yfwufwujjjnjjjn()()10uj:感知器的第j个输入;w0(阈值);u01。与MP模型不同之处:权值由有导师的学习算法进行调整。单层感知器njuuu1yxnw1w)(xf)(xf14学习算法步骤:(1)设置权系的初值wj(0)(j=0,1,…,n),为较小的随机非零值;(2)给定输入/输出样本对(导师信号):uppd/(p=1,2,…,L)uPppnpuuu(,,,)01/BAdPPpuu,1,1(3)求感知器输出ytfwtupjjpjn()()0(4)权值第t+1次调整jpppjjutydtwtw)]([)()1(:学习率,10,控制权值调整速度。(5)若ytdpp(),学习结束;否则,返回(3)。可见:学习结束的网络,将样本模式,以联接权的形式,分布记忆(存储)于其中。15单层感知器的应用两类模式分类高维样本空间中,用一个超平面将两类样本分开。若输入的两类模式是线性可分,则算法一定收敛。局限性若输入模式为线性不可分集合,网络的学习算法不收敛,不能进行正确分类。16线性可分集合y(1)二维平面上的两类模式,见表。用图所示二输入/单输出单层感知器,输入输出描述:0,00,1)()(2211fuwuwfy即22112211,0,1uwuwuwuwy可见:输入输出为线性可分集合,因,一定可找到一条直线,将输入模式分为两类,此直线方程:ywuwu11220则u见图,此直线与权值及阈值有关。表2-3-1uu12y000100010111(a)分类器结构2w1w0wy10u21uu1u2u(b)平面上两类模式分界线图2-3-2平面上两类模式分类17三维空间上的两类模式表2-3-2321uuuy00000010010001101001101111011111用图所示三输入/单输出的单层感知器,输入输出:0,00,1)()(332211fuwuwuwfy即332211332211,0,1uwuwuwuwuwuwy可见,输入输出为线性可分集合,一定可找到一个平面,将输入模式分为两类,平面方程:0332211uwuwuwy则23213133uwwu此平面与权值及阈值有关,见图。2u1u0w10uy1w3w2w321uuu图2-3-3三维空间上的两类模式分类18(3)可引伸到n3维空间上的线性可分集合,一定可找到一超平面,将输入模式分为两类。由n输入/单输出的单层感知器实现。线性不可分集合。二维平面上的两类模式——异或(XOR)问题,见表。二维平面中不存在一条直线,将输入模式分为两类,此输入模式称线性不可分集合,见图。可见:单层感知器不能解决异或问题。表2-3-3uu12y000011101110图2-3-4异或问题2u1u19多层感知器在输入和输出层间加一或多层隐单元,构成多层感知器(多层前馈神经网络)。加一层隐节点(单元)为三层网络,可解决异或(XOR)问题,见图。由输入),(21uuu得到两个隐节点、一个输出层节点的输出:][1212111111uwuwfz][2222112112uwuwfz][222112zwzwfy0,00,1][f得到1212111111212111111,0,1uwuwuwuwz,2222112112222112112,0,1uwuwuwuwz222112222112,0,1zwzwzwzwyW2W1y2z21uu1z图2-3-5三层感知器结构20三层感知器解决异或(XOR)问题W2W1y2z21uu1z图2-3-5三层感知器结构设网络有如下一组权值和阈值,可得各节点的输出:]5.011[211uufz]5.1()1()1[(212)uufz]2.111[21zzfy模式空间分两类1u2uy与u1、u2112uy1u21三层感知器可识别任一凸多边形或无界的凸区域。更多层感知器网络,可识别更为复杂的图形。多层感知器网络,有如下定理:定理2-3-1若隐层节点(单元)可任意设置,用三层阈值节点的网络,可以实现任意的二值逻辑函数。定理2-3-2若隐层节点(单元)可任意设置,用三层S型非线性特性节点的网络,可以一致逼近紧集上的连续函数或按L2范数逼近紧集上的平方可积函数。
本文标题:肿瘤诊断
链接地址:https://www.777doc.com/doc-715025 .html