肿瘤诊断111.pptVIP

肿瘤诊断 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 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 生物神经元结构 （1）细胞体 （2）树突 （3）轴突 （4）突触：可塑性 神经元功能 （1）兴奋与抑制： （2）学习与遗忘： 　　　 MP神经网络模型 MP神经网络模型另一式： 作用函数的形式 对称型阶跃函数 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。 单层感知器 学习算法步骤： 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。 线性可分集合 三维空间上的两类模式 （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。 多层感知器 三层感知器解决异或（XOR）问题 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。 * * 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 图2-2-2 MP神经元模型 （a） 图2-2-3 　 单层感知器 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。 神经元i的输入yj，输出yi描述： ， 设 则 　 每一神经元的输出，或‘0’或‘1’， ：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。 设 ， 。 把阈值作为权值，则MP神经元模型： 　　 MP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。 1．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： 或 ， 2．对称型Sigmoid函数 是可微的，图（c）、（d），用下式表示： 或 ， 或 ， 图（e），用下式表示： 用阶跃作用函数的神经元，称阈值逻辑单元。 是具有单层处理单元的神经网络，非线性作用函数是对称型阶跃函数，见图。 感知器输出： 　 ：感知器的第j个输入；（阈值）；。 与MP模型不同之处： 权值由有导师的学习算法进行调整。 （1）设置权系的初值（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）： （p=1,2,…,L） 　／ （3）求感知器输出 （4）权值第t＋1次调整 ：学习率，，控制权值调整速度。 （5）若 ，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。 表2-3-1 0 0 0 1 0 0 0 1 0 1 1 1 　　　　　　　　　　表2-3-2 　 0 0 0 0 0 0 1 0 0 1 0 0 0 1 1 0 1 0 0 1 1 0 1 1 1 1 0 1 1 1 1 1 用图所示三输入/单输出的单层