贝叶斯正规化BP神经网络在我国医院床位预测中的应用

　文章编号:　1007-6611(2008)09-0833-03

贝叶斯正规化BP神经网络在我国医院床位预测中的应用

徐建伟　(中国疾病预防控制中心慢病社区处,　北京　100050)

摘要:　目的　探讨贝叶斯正规化BP神经网络在我国医院床位预测中的应用。　方法　利用1990-2006年我国医院床位历史数据,建立贝叶斯正规化BP神经网络进行拟合预测,并与指数平滑预测、自回归模型的预测结果进行比较。　结果　三种方法预测结果的相对误差分别为0.58%,3.62%,1.48%。贝叶斯正规化BP神经网络模型预测精度更高,效果更好,优于传统方法。　结论　贝叶斯正规化BP神经网络预测模型可以用于我国医院床位预测。

关键词:　BP神经网络;　贝叶斯正规化;　医院床位

中图分类号:　R195.1 文献标识码:　A

Application of B ayesian2regularization BP neural netw ork in the prediction of hospital beds

XU Jian2wei(Division of N CD Cont rol and Com m unity Health,Chinese Center f or Disease Cont rol and Prevention,Beijing 100050,China)

Abstract:　Objective　T o explore the application of Bayesian2regularization BP neural network for predicting hos pital beds.　Methods　According to the data of hos pital beds from1990to2006,Bayesian2regularization BP neural network was established.The forecast re2 sults were compared with exponential smoothing and autoregressive model.　Results　The relative errors of results with the three methods were0.58%,3.62%and1.48%in forecastin g hospital beds,respectively.The forecasting result with Bayesian2regulariza2 tion BP neural network was more precise and effective than that with traditional prediction methods.　Conclusion　Bayesian2regu2 larization BP neural network predictive model can be used to predict hospital beds.

K ey w ords:　BP neural network;　Bayesian2regularization;　hospital beds

医院床位数量不仅是衡量卫生状况的重要指

标,也是制定卫生规划的基础。医院床位数量传统

预测方法主要是指数平滑预测,自回归模型、时间

序列等模型,要求被预测对象必须满足预测模型的

前提条件,但现实中因素错综复杂,条件复杂易变,

分析预测比较困难,常常难以取得满意的结果[1]。

人工神经网络是由大量简单处理单元广泛连接而

构成的一个复杂的、非线性系统,是对大脑神经网

络结构和功能的初步模拟,是建立时间序列动态模

型进行预测控制的有力工具。本文尝试采用贝叶

斯正规化方法改进BP神经网络,利用matlab7.0建

立我国医院床位数量BP神经网络预测模型。

1　原理与方法

1.1　贝叶斯正规化BP神经网络　贝叶斯正规化

BP神经网络是指采用贝叶斯正规化方法训练的BP

神经网络,所谓贝叶斯正规化指通过修正神经网络

的性能函数来提高其推广能力的过程。

一般情况下,神经网络的训练性能函数采用均

方误差函数,这里假设误差函数为E D:

E D=1

26

K

k=1

6N

n=1

(y nk-c nk)2(1)

上式中N为样本数,K为神经网络输出量个

数,y nk为期望输出,c nk为网络实际输出。在正规化方法中,网络性能函数改进为:

F=αE W+βE D(2) 其中E W为网络权重的平方和,E D为是网络响应和目标值的残差平方和,α、β控制着其他参数(权及阈值)的分布形式,若ανβ,则训练算法目的在于尽量减小网络的训练误差;若αμβ,则训练算法目的在于使网络产生更为平滑的响应,即尽可能减少有效的网络参数,以弥补较大的网络误差。

常规的正规化方法很难确定α、β的大小,本研究采用贝叶斯方法来确定,它将在网络中选定α与β值,将网络权值视为随机变量,认为训练数据集D 与权集W的先验概率服从高斯分布,再按贝叶斯准则,由后验概率的最大化解得目标函数F(w)最小点w M P处的α和β为:

αM P=

γ

2E W(w M P)

,βM P=

n-γ

2E D(w M P)

(3) 其中γ=N-2αM P t r(A)-1表示有效的网络参数的数目,γ的取值范围为0-N,反映网络的实际规模,N是网络所有参数的数目。

贝叶斯正规化BP神经网络的训练是个迭代的过程,初始设定α和β后,采用LM等算法求得F(w)

的极小值,按式(3)对α和β进行更新,获得后验分布最大意义上的最优值,然后再对新F(w)求极小值,反复迭代直至收敛[2,3]。

1.2　资料来源　我国医院床位数据来源于《中国卫生统计年鉴2007》,取1990-2006年我国医院床位数据建立BP神经网络预测模型。

1.3　样本数据的预处理　由于历年医院床位数据为一维时间序列数据,但BP神经网络要求多组输入来训练网络,而且输入范围一般在[0,1],因此对样本数据做预处理,本文采用最大最小法对样本数据进行归一化处理,公式为(4),网络训练后的输出还需进行反归一化处理[4]。

x′i=

x i-x min

x max-x min

　(i=1,2…n)(4)

对经过预处理的数据序列划分训练样本和检验样本,具体如下:输入样本x=[x′(t-4),x′(t-3), x′(t-2),x′(t-1)];输出样本集t=[x′(t)],其中t=1990,1991,…,2006,同时选择1990-2003年数据作为训练样本集,2005-2006年数据作为检验样本集[5]。

1.4　模型结构及参数设置　神经网络理论K ol2 mogorov定理已经证明,经充分学习的三层BP神经网络可以逼近任何函数,因此本研究选择三层BP 神经网络。时间序列数据输入层节点数是人为确定的,输入层节点数过多,造成网络学习次数较大;输入层节点数过少,不能反映后续值与前驱值的相关关系,经反复试验最终确定为4个,且输出层节点数为1。隐含层节点数的确定至今尚无完善的理论依据,只能以经验为主,经反复试验隐含层节点数为4时模型具有相对较小的误差和较快的收敛速度,因此隐含层节点数设置为4,建立的预测模型的网络结构为4-4-1。训练函数为贝叶斯正规化算法,预测模型利用Matlab7.0软件编程实现[6]。2　结果

2.1　BP神经网络训练结果　当训练迭代至1577步时,网络训练收敛,此时网络的误差平方和(SSE)和网络权值的平方和(SSW)均为恒值,SSE= 0.0113968,SSW=11.4356。当前有效网络的参数(有效权值和阈值)的个数为4.20998。

2.2　BP神经网络拟合效果　神经网络训练完成后,把样本输入已确定的神经网络检验拟合效果,见图1。图1中的圆圈代表各样本的预测值和实际值组成的坐标点(T,A),点线代表A(预测值)=T (实际值),实线为最佳线性拟合线,可以看出两者几乎重合。建立的神经网络对样本回代的预测值和实际值的相关系数R=0.983,回代平均绝对误差为1.104,平均相对误差为0.1%,神经网络的拟合效果很好[7]

。

图1　网络模型预测性能分析图

Fig1　Analysis of neural network forecast performance

2.3　预测与预测效果评价　以2005、2006年医院床位数据为检验样本,用训练好的神经网络进行预测,预测值分别为245.23万张和251.87万张,并与实际值比较,相对误差分别为0.3%和1.6%,效果较理想。同时以[x′(2003),x′(2004),x′(2005),x′(2006)]为输入样本,预测x′(2007),预测得出2007年我国医院床位数量为254.51万张。

2.4　预测结果的比较分析　对我国医院床位数量,利用SPSS软件分别进行指数平滑预测、自回归模型进行预测,并与BP神经网络预测方法结果和误差进行比较分析,见表1。采用贝叶斯正规化BP 神经网络进行预测的精度较其他方法高,能为实际工作提供更准确的信息。

表1 各种预测方法的比较

T ab1 Comparison of the results with different prediction methods

模型平均绝对误差(万张)平均相对误差(%)指数平滑预测7.99 3.62

自回归模型 3.30 1.48

BP神经网络 1.370.58

3　讨论

本文利用贝叶斯正规化算法对BP神经网络进行改进,在保证网络训练误差尽可能小的情况下使

　文章编号:　1007-6611(2008)09-0835-03

HPLC法测定光合细菌菌液中辅酶Q10的含量

秦　娟1,　韩　静1,　杨官娥13,　张肇铭2　(1山西医科大学药学院中药学教研室,　太原　030001;　2山西大学生命科学与技术学院;　3通讯作者,Tel:0351-*******,E2mail:yangguane@https://www.wendangku.net/doc/00615018.html,)

摘要:　目的　建立HPLC法测定光合细菌菌液中辅酶Q10的含量。　方法　样品经4500r/min离心15min后弃去上清液,残渣用丙酮超声萃取三次,色谱柱为Diamonsil C18(200mm×4.6mm,i.d.5μm),流动相为甲醇∶无水乙醇(30∶70),检测波长为275nm,柱温25℃。　结果　平均加样回收率为98.54%,RSD为0.51%(n=6),线性范围为60-140μg/ml(r=0.9992, n=5)。　结论　该法快速、简便、灵敏、准确,适合于光合细菌菌液中辅酶Q10的含量测定。

关键词:　光合细菌;　辅酶Q10;　高效液相色谱法

中图分类号:　R927.2 文献标识码:　A

Determination of coenzyme Q10in photosynthetic b acteria culture medium b y HPLC

Q IN J uan1,HAN Jing1,Y AN G Guan2e13,ZHAN G Zhao2ming2(1Dept of TCM,School of Pharm acy,S hanxi Medical U niversi2 ty,Taiyuan030001,China;2School of L if e Science and Technology,S hanxi U niversity;3Corresponding author,Tel:0351-*******,E2m ail:yangguane@hot m https://www.wendangku.net/doc/00615018.html,)

Abstract:　Objective　To establish a method for determining the content of coenzyme Q10in photosynthetic bacteria liquid by HPLC.　Methods　The sample was centrifugated for15min(4500r/min),and the residue was extracted with acetone by ultra2 sound method for three times.HPLC was performed on a Diamonsil C18column(200mm×4.6mm,i.d.5μm)with the mixture of methanol and anhydrous ethanol(30∶70)as mobile phase,with the detection wavelength at275nm and the column tem perature at25

网络具有较小的权值,相当于自动缩小了网络规模,有效地避免了网络过拟合的发生,并使网络具有优良的稳健性。

由于神经网络模型具有很强的容错性及稳健性,对有复杂影响因素的系统,它具有很好的预测能力,本研究建立的我国医院床位预测的贝叶斯正规化BP神经网络比指数平滑预测、自回归模型等传统预测方法具有更好的效果,在统计预测方面有着广泛的应用前景。

然而,由于该模型仅以历史数据的变化规律来预测,当医院床位的发展不稳定,变化较剧烈时,对于特定年份的床位预测误差可能较大,因此,还必须针对未来医院发展可能出现的各种情况,对多种预测方法得出的结果进行综合分析,以便更准确地预测未来医院床位的变化,为卫生决策提供科学依据。参考文献:

[1]　何丹,李宁秀,何志军.西部贫困地区卫生人力及床位需要量

预测方法探讨[J].现代预防医学,2007,34(6):1046-1049. [2]　安燕,吴启勤.贝叶斯正规化神经网络预测金属热力学性质的

研究[J].西南民族大学学报:自然科学版,2005,31(4):512-

516.

[3]　孙伟,曾光明,魏万之,等.氯代芳香族化合物结构-电化学还

原电位定量关系的贝叶斯正规化BP神经网络模型[J].环境科学,2005,26(2):21-27.

[4]　罗荣桂,黄敏镁.基于BP神经网络的长江流域人口预测研究

[J].武汉理工大学学报,2004,26(10):90-93.

[5]　王廷满,沈思.基于BP神经网络的图书发行量预测模型研究

[J].情报杂志,2003,(6):61-62.

[6]　飞思科技产品研发中心.神经网络与MATLAB7实现[M].北

京:电子工业出版社,2005.

[7]　谢旭,任金马,牟瑾,等.深圳市肠道传染病与气象及媒介因素

的贝叶斯正规化BP神经网络模型[J].医学动物控制,2007, 23(7):485-488.

作者简介:　徐建伟,男,1978-12生,硕士,实习研究员.

[收稿日期:　2008-06-12]

基金项目:　国家自然基金资助项目(30672621);山西省自然科学基金资助项目(2006011099);山西省科技攻关基金资助项目(051081);山西省教育厅高科技开发基金资助项目(20051227);2007年山西医科大学创新基金资助项目