何 鋒 ，趙江海 ，2，宋小波 ，2，劉忠杰 ，李 芬 ，周培瑩

(1.常州先進制造技術研究所 機器人系統(tǒng)實驗室，江蘇 常州213164；2.中國科學院合肥研究院 先進制造技術研究所機器人系統(tǒng)實驗室，江蘇 常州213164）

隨著社會進步和經(jīng)濟發(fā)展，人口老齡化問題已成為中國21世紀最為突出的社會問題之一。江蘇省作為全國人口大省，老齡化程度高于全國水平，截至2008年底，江蘇省老年人口已超過1 218萬，占戶籍人口總數(shù)的16.5%[1]。由于傳統(tǒng)的健康調查報告，社區(qū)衛(wèi)生服務中心的定期人工監(jiān)測、回訪等方式已經(jīng)遠遠無法滿足老人健康監(jiān)測的動態(tài)、實時性需求，因此，以社區(qū)為整體，以樓層為網(wǎng)格單元，對單元網(wǎng)格內老人健康體征數(shù)據(jù)進行實時采集，并使用老人健康評估模型進行在線分析，是一種可行并行之有效的方法。

本文構建了一種老人日常體征數(shù)據(jù)的健康評估的神經(jīng)網(wǎng)絡模型，模型的聚類算法采用蟻群算法[2]，通過與傳統(tǒng)的K均值聚類算法比對可知，基于蟻群聚類[3]的RBF神經(jīng)網(wǎng)絡模型能有效避免局部收斂且學習樣本很少，對于老人健康檢測的服務要求來說，本模型是相當合適的，而且模型又兼具傳統(tǒng)RBF神經(jīng)網(wǎng)絡收斂快，學習性能優(yōu)越的特點，預測成功率達到了97%以上。本模型能真正實現(xiàn)對老人健康體征信息的主動監(jiān)測和及時處理，大大提高社區(qū)醫(yī)療服務水平和質量。

1 問題數(shù)學描述

RBF神經(jīng)網(wǎng)絡通常分成三層：輸入層、隱性層和輸出層。 輸入層節(jié)點為模式樣本集合，X={Xi，i=1，2，…，N}，其 中 Xi為 M 維 模 式 矢 量 ，即 Xi=[Xi1，Xi2，… ，XiM]T，N 為輸入層節(jié)點數(shù)。輸出層節(jié)點是線性組合器，可調節(jié)參數(shù)就是該線性組合器的權值Wk。隱性層采用蟻群算法，將聚類按最鄰近法則規(guī)劃，信息素賦相同的初值Tij(i=1，2，…，N；j=1，2，…，K)。

聚類中心的偏離誤差公式如下：

式中Sj表示第j個聚類中心的偏離誤差；Ojk表示單元j對于訓練樣本k的目標值；Cj表示第j個聚類的新中心?？偟木垲愲x散度公式為：

聚類在以上模式下迭代時，當滿足S小于給定誤差以及迭代步數(shù)大于最大步數(shù)時，終止迭代過程。隱性層和輸出層是線性關系，對于每個聚類中心點評估因子的權值，采用各個聚類的權重因子常量代入。

2 神經(jīng)網(wǎng)絡設計

2.1 模型設計

依據(jù)《國民體質測定標準手冊》[4]老年人部分、《國際健康及體力活動量調查表》、《SF-36生活質量》獲得系統(tǒng)模型的輸入層模式樣本集合，如表1所示。

表1 輸入層模式樣本集合

由表1可知，輸入層節(jié)點數(shù)為3，分別為體質測量、體力活動調查和生活質量評定。對于每個節(jié)點，分別有不同數(shù)目的模式矢量，分別為8個、4個、8個。

由于模型的輸出是針對所有輸入樣本集合的匯總健康評價，評價結果具有4個等級（優(yōu)秀、良好、合格、不合格），所以輸出層節(jié)點數(shù)為1個。

萬能逼近定理中要求隱性層節(jié)點數(shù)足夠，但過多的層數(shù)和隱性層中過多的神經(jīng)元數(shù)據(jù)帶來的過量連接數(shù)目將使網(wǎng)絡的泛化能力變差。因此先確定隱性層節(jié)點個數(shù)的取值范圍，在這個范圍內再取最大值。

隱性層節(jié)點個數(shù)的取值公式為：

式中C為1～10之間的常數(shù)；N為輸入層神經(jīng)元個數(shù)；M為輸出層神經(jīng)元個數(shù)。N=3，M=5，取 C=5，由此計算隱性層節(jié)點數(shù)為7。

2.2 蟻群聚類算法學習過程設計

根據(jù)上述數(shù)學模型推導，設計出蟻群聚類算法的流

圖1 蟻群算法自動計算聚類中心流程圖

3 算法實驗結論

結合表1所示的輸入層模式矢量的樣本集合，采用《江蘇省城區(qū)老年人日常體力活動水平對體質健康和生活質量的影響》[5]一文中給出的2 015位老年人的三大類樣本集合的數(shù)據(jù)參與運算，并將神經(jīng)網(wǎng)絡輸出值與專家評估值做了比對，實驗結果證明模型預測的成功率達到了97%以上。詳細數(shù)據(jù)見表2所示。由表3可知蟻群神經(jīng)網(wǎng)絡的學習次數(shù)遠遠少于傳統(tǒng)的K均值聚類算法。

表2 部分測試結果與專家評價結果比較

表3 傳統(tǒng)K-Mean聚類算法模型與蟻群聚類算法模型性能比對表

基于蟻群聚類算法的RBF神經(jīng)網(wǎng)絡具有蟻群算法和RBF神經(jīng)網(wǎng)絡的雙重優(yōu)點，使網(wǎng)絡具有更高的收斂速度和較強的學習能力。通過實例表明，基于蟻群算法的神經(jīng)網(wǎng)絡模型具有較強的分類能力，能夠得出較公平、公正的評價結果，用該評價模型對社區(qū)老年人健康狀況進行綜合評價是可行的。通過使用模型進行評價，大大減少評價工作量，降低評價的主觀性，提高評價結果的合理性。下一步的工作是對蟻群聚類算法進行算法策略改進，提高搜索速度，降低模型整體的評價執(zhí)行時間。

[1]袁靜.江蘇人口老齡化的現(xiàn)狀與對策探析[J].人口與計劃生育，2008(1)：25-26.

[2]Zhao Jianna，Wang Xunying，Wu Zhuozheng.Forecasting gdp growth based on ant colony clustering algorithmand rbf neural network[A].Proceedings of the IEEE International Conference on Automation and Logistics[C].Qingdao，China，2008.

[3]胡利平，許永城，高文，等.蟻群神經(jīng)網(wǎng)絡在魚病專家系統(tǒng)中的應用研究[J].微計算機信息，2005，21(7-3)：149-151.

[4]國家體育總局.國民體質測定標準手冊(老年人部分)[M].北京：人民體育出版社，2003.

[5]薛茂云.江蘇省城區(qū)老年人日常體力活動水平對體質健康和生活質量的影響[J].中國組織工程研究與臨床康復，2010，14(50)：9465-9470.