改進的RBF神經(jīng)網(wǎng)絡在腎小球濾過率估算中的應用.pdf

1、神經(jīng)網(wǎng)絡作為一種建模工具，因其非線性函數(shù)逼近能力和學習能力，在解決回歸問題時表現(xiàn)出了強大的優(yōu)勢。徑向基函數(shù)(RBF)網(wǎng)絡作為一種神經(jīng)網(wǎng)絡，結構簡單，易于訓練，并且有著較強的泛化能力。同時在面對噪聲信號時，網(wǎng)絡適應性更強，保證了模型的穩(wěn)定性?；诖耍琑BF神經(jīng)網(wǎng)絡近年來廣泛應用于圖像處理、故障診斷及模式識別等領域。
　　針對RBF神經(jīng)網(wǎng)絡優(yōu)點，本文提出一種混合學習算法。在網(wǎng)絡訓練上，采用改進的Levenberg-Marquardt(

2、LM)算法對網(wǎng)絡中的參數(shù)，包括輸出層權值、隱含層神經(jīng)元中心和寬度參數(shù)及輸入層權值進行同步調整。另一方面，為了獲得較優(yōu)的訓練結果，RBF神經(jīng)元對應參數(shù)的初始化和結構的確定是建模過程中的重要環(huán)節(jié)。因此本文引入一種遞增結構設計策略，實現(xiàn)一種結構緊湊的網(wǎng)絡模型，并保證網(wǎng)絡的穩(wěn)定性和泛化性。
　　在臨床實踐中，腎小球濾過率(Glomerular Filtration Rate，GFR)的準確評估是慢性腎臟病治療中非常重要的一個環(huán)節(jié)。本文通過

3、與大連醫(yī)科大學附屬第二醫(yī)院腎內科合作，在前期采集數(shù)據(jù)以及對相關醫(yī)學背景了解的基礎上，采用RBF神經(jīng)網(wǎng)絡建立一種腎小球濾過率估算模型。通過與其他神經(jīng)網(wǎng)絡模型和GFR經(jīng)驗方程進行性能比較，本文提出的改進RBF模型實現(xiàn)了更好的預測結果。
　　本文提出的GFR估算模型，其準確性和穩(wěn)定性優(yōu)于傳統(tǒng)經(jīng)驗方程，在慢性腎臟病的防治中具有重要的實際應用價值，同時將神經(jīng)網(wǎng)絡應用在醫(yī)學檢測中表現(xiàn)出了比傳統(tǒng)統(tǒng)計分析方法更大的優(yōu)勢，并為腎小球濾過率的估算提供