袁付勇，畢 利

(寧夏大學(xué) 信息工程學(xué)院，寧夏 銀川 750021)

0 引 言

中醫(yī)辨證是對癥狀信息的整合與分析，要求醫(yī)師有扎實的中醫(yī)知識和豐富的診斷經(jīng)驗，給中醫(yī)的傳承和應(yīng)用帶來了挑戰(zhàn)。智能診斷是中醫(yī)信息化發(fā)展中重要的一部分，利用人工智能算法實現(xiàn)疾病診斷可以幫助醫(yī)生更全面、準(zhǔn)確地確定病情。國外對中醫(yī)應(yīng)用的研究也在不斷深入，包括對中醫(yī)診斷決策算法的研究[1-3]、中醫(yī)藥的病理研究[4]等，其中診斷決策算法以決策樹、神經(jīng)網(wǎng)絡(luò)為主。國內(nèi)對中醫(yī)的研究更為重視，中醫(yī)智能化進程不斷加快[5]，診斷決策算法的設(shè)計顯得尤為重要，很多智能算法都曾被嘗試應(yīng)用到中醫(yī)診斷中，其中人工神經(jīng)網(wǎng)絡(luò)算法憑借較好的非線性映射能力、自學(xué)習(xí)能力被廣泛應(yīng)用于中醫(yī)診斷的各個層面[6,7],如BP神經(jīng)網(wǎng)絡(luò)[8,9]、RBF神經(jīng)網(wǎng)絡(luò)[10]、PNN神經(jīng)網(wǎng)絡(luò)等[11,12]。隨著智能診斷應(yīng)用性要求的不斷提高，針對單種疾病的智能診斷無法滿足應(yīng)用的需求，而單個神經(jīng)網(wǎng)絡(luò)算法在應(yīng)用到多種疾病混合預(yù)測時很難達到預(yù)期準(zhǔn)確率。DS證據(jù)理論是處理不確定問題的概率組合理論，可融合不同來源的數(shù)據(jù)，在信息融合方面有很好的效果。然而對證據(jù)源本身的準(zhǔn)確性并未進行充分考慮。基于此，給出加入證據(jù)源準(zhǔn)確性系數(shù)的方法對DS證據(jù)理論進行改進，并以不同神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果作為不同證據(jù)源的基本信度函數(shù)，設(shè)計基于改進DS證據(jù)理論的診斷模型，實現(xiàn)對3種疾病的混合預(yù)測。

1 神經(jīng)網(wǎng)絡(luò)理論

人工神經(jīng)網(wǎng)絡(luò)是對人腦神經(jīng)處理事物的一種模擬，通過神經(jīng)元組成網(wǎng)絡(luò)進行數(shù)據(jù)處理，MP模型是較早且影響力最大的神經(jīng)元模型，其模型如圖1所示。

圖1 MP神經(jīng)元模型

圖1中，x1…xi…xn是神經(jīng)元的輸入值，yo是輸出值，wi是各個輸入值對應(yīng)的權(quán)值，b是神經(jīng)元的閾值，f(.)是激活函數(shù)。神經(jīng)元的輸出如式(1)

(1)

激活函數(shù)也有很多種，如線性函數(shù)、S型(Sigmoid)函數(shù)、RBF(radial basis function)函數(shù)等。由于激活函數(shù)和拓展方式的區(qū)別，人工神經(jīng)網(wǎng)絡(luò)又分為很多類。在中醫(yī)領(lǐng)域，病例數(shù)據(jù)中癥狀往往具有多值屬性、多類標(biāo)的特點，辨證也具有復(fù)雜性，使得癥狀與結(jié)果之間往往呈非線性關(guān)系，而神經(jīng)網(wǎng)絡(luò)憑借網(wǎng)絡(luò)結(jié)構(gòu)能夠完成對數(shù)據(jù)的非線性映射，在解決這類問題上比較適用。在所設(shè)計的實驗中，單個網(wǎng)絡(luò)的預(yù)測模型選用了拓?fù)浣Y(jié)構(gòu)不同的BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、PNN神經(jīng)網(wǎng)絡(luò)和LVQ神經(jīng)網(wǎng)絡(luò)。

1.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋網(wǎng)絡(luò)，網(wǎng)絡(luò)結(jié)構(gòu)為輸入層、隱含層和輸出層，每兩層之間通過線性變換來連接，隱含層的激活函數(shù)一般為S型函數(shù)，如式(2)、式(3)

(2)

(3)

其中，xi為神經(jīng)元的輸入值，f(hi)為神經(jīng)元的輸出值。BP神經(jīng)網(wǎng)絡(luò)的性能由隱含層節(jié)點數(shù)、各層之間的連接權(quán)值、各神經(jīng)元的閾值共同決定。常見的BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)比較簡單，是最早被應(yīng)用于疾病預(yù)測領(lǐng)域的網(wǎng)絡(luò)結(jié)構(gòu)，為智能算法應(yīng)用到疾病診斷領(lǐng)域的實現(xiàn)開拓了思路和方法，但該神經(jīng)網(wǎng)絡(luò)由于自身結(jié)構(gòu)的局限性，在應(yīng)用時也存在一些難以解決的問題，包括模型結(jié)構(gòu)上如何選擇最優(yōu)的隱含層神經(jīng)元數(shù)目、如何解決網(wǎng)絡(luò)運算過程中的局部最優(yōu)困境，如何提高在多預(yù)期結(jié)果條件下的預(yù)測準(zhǔn)確率等。

1.2 RBF神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是一種單隱層前饋神經(jīng)網(wǎng)絡(luò)，計算過程比BP網(wǎng)絡(luò)更復(fù)雜，擁有更好的非線性擬合能力。相比于BP神經(jīng)網(wǎng)絡(luò)，輸入層到隱含層為非線性變換。隱含層的激活函數(shù)一般使用徑向Gaussian函數(shù)，公式如式(4)

(4)

1.3 PNN概率神經(jīng)網(wǎng)絡(luò)

PNN神經(jīng)網(wǎng)絡(luò)是一種雙隱層前饋網(wǎng)絡(luò)，結(jié)合了密度函數(shù)估計和貝葉斯決策理論。網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、模式層、求和層和輸出層，屬于完全前向的計算過程，節(jié)省了反向誤差傳播的計算時間，其輸入層到模式層實現(xiàn)非線性變換，求和層對類別進行密度函數(shù)估計。模式層的激活函數(shù)為徑向基函數(shù)，輸出值為一個標(biāo)量。模式層的激活函數(shù)如式(5)

(5)

其中，x表示輸入向量，xij表示第i類的第j個中心點，δ表示平滑參數(shù)，d為前一層的維數(shù)。PNN網(wǎng)絡(luò)的性能主要受模式層平滑因子的影響。相對于RBF神經(jīng)網(wǎng)絡(luò)，概率神經(jīng)網(wǎng)絡(luò)在判定類別過程中加入了密度函數(shù)估計與貝葉斯決策，不需要反向調(diào)參，學(xué)習(xí)時間短，同時具備容錯性，但對訓(xùn)練集的代表性要求較高，計算過程中需要的存儲空間也較大。

1.4 LVQ神經(jīng)網(wǎng)絡(luò)

LVQ神經(jīng)網(wǎng)絡(luò)是對SOM網(wǎng)絡(luò)(Kohonen自組織網(wǎng)絡(luò))的一種改進網(wǎng)絡(luò)。該網(wǎng)絡(luò)結(jié)構(gòu)分為輸入層、競爭層和輸出層，不同于另外3種網(wǎng)絡(luò)模型，LVQ神經(jīng)網(wǎng)絡(luò)在模型訓(xùn)練學(xué)習(xí)過程中結(jié)合了有監(jiān)督學(xué)習(xí)和競爭學(xué)習(xí)兩種方式對競爭層的參數(shù)進行調(diào)整，其中輸入層和競爭層之間為全連接，競爭層和輸出層為部分連接。LVQ神經(jīng)網(wǎng)絡(luò)的隱含層按照類別數(shù)目分成多個神經(jīng)元組，神經(jīng)元組的每個神經(jīng)元用輸入層和隱含層之間的權(quán)值作為參考矢量的分量，在訓(xùn)練過程中修改權(quán)值來更接近預(yù)期結(jié)果。其中網(wǎng)絡(luò)中輸入向量和競爭層神經(jīng)元的距離計算過程如式(6)

(6)

其中，R表示輸入向量的維度，xj表示輸入層第j個神經(jīng)元，wij表示輸入層第j個神經(jīng)元到競爭層第i個神經(jīng)元的權(quán)值，通過計算距離來得到獲勝神經(jīng)元。LVQ神經(jīng)網(wǎng)絡(luò)的優(yōu)點在于不必對向量進行規(guī)格化，可以直接對輸入向量進行分類，結(jié)構(gòu)較為簡單且效率高。但某些情況下，輸入層到競爭層之間的權(quán)值可能不收斂，另外LVQ神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中忽略了輸入層各維對結(jié)果的影響性差異，也可能會帶來誤差。

2 DS證據(jù)理論及改進

DS證據(jù)理論是用于整合多源不確定信息的常用推理方法，是一種有效的信息融合理論[13]，可以滿足比概率論更弱的條件，在醫(yī)學(xué)診斷、組合決策、故障診斷和物聯(lián)網(wǎng)等領(lǐng)域有廣泛的應(yīng)用[14-17]。

2.1 基本概念

定義1 辨識框架。即所研究命題在所有可能情況下出現(xiàn)的結(jié)果的并集，辨識框架是證據(jù)理論最基礎(chǔ)的概念，描述了最終所有可能出現(xiàn)的結(jié)果，定義如下

θ={θ1,θ2,…,θi,…,θn}

(7)

其中，θi表示命題可能出現(xiàn)的一種結(jié)果，結(jié)果之間互斥，在一種情況下只可出現(xiàn)一種結(jié)果，n表示結(jié)果的個數(shù)。

定義2 基本信度賦值。又稱mass函數(shù)，是對辨識框架里出現(xiàn)某些結(jié)果子集的基本概率分布，m(A)表示對結(jié)果子集A的基本信度賦值，定義如下

(8)

定義3 基本信度函數(shù)?；拘哦群瘮?shù)是出現(xiàn)某個結(jié)果時，對所有支撐該結(jié)果命題為真的結(jié)果子集進行基本信度賦值求和，決定了對該事件的確認(rèn)程度，定義如下

(9)

2.2 DS證據(jù)合成規(guī)則

由經(jīng)典的DS證據(jù)理論知，在證據(jù)源之間不完全沖突的前提下，運用Dempster規(guī)則可以完成不同證據(jù)源之間的證據(jù)組合，以兩個證據(jù)源進行證據(jù)組合來舉例，m1、m2表示兩個不同證據(jù)源對于得到結(jié)果A事件的基本信度函數(shù)，則兩者組合所得到的事件A發(fā)生的信任確認(rèn)程度如式(10)

(10)

本文的研究是在多證據(jù)源進行組合的實驗環(huán)境下進行，根據(jù)組合規(guī)則的特點，當(dāng)證據(jù)源增加時，組合規(guī)則滿足結(jié)合律和交換律，在此設(shè)共有n個不同證據(jù)源，各證據(jù)源的基本信度函數(shù)分別為m1、m2、…、mn，則關(guān)于結(jié)果事件A經(jīng)過證據(jù)組合而得到的基本信任函數(shù)如式(11)

(11)

為了計算方便，式(11)中的歸一化因子通過式(12)的方式得到

(12)

2.3 DS證據(jù)理論的改進

DS證據(jù)理論自1976年被提出后，因其在應(yīng)用過程中可以滿足比貝葉斯更弱的條件，實現(xiàn)多途徑獲取知識的有效融合，通過基本信度函數(shù)更直觀表達命題結(jié)果的確定性，得到廣泛的應(yīng)用，但對DS證據(jù)理論的改進也從未停止過。DS證據(jù)理論在應(yīng)用中出現(xiàn)的弊端主要體現(xiàn)在3個方面，首先是對證據(jù)的約束性，DS證據(jù)理論要求證據(jù)必須是獨立的，且證據(jù)源之間盡量避免高沖突情況，否則就會出現(xiàn)“Zadeh悖論”之類的反預(yù)期結(jié)果；其次是辨識框架中元素的問題，當(dāng)元素遞增時，在計算過程中所產(chǎn)生的焦元會呈指數(shù)形式變大，消耗的計算時間也會增加，出現(xiàn)焦元爆炸問題；最后是證據(jù)合成的準(zhǔn)確性問題，經(jīng)典DS證據(jù)理論在合成過程中并未考慮證據(jù)源自身的可信度，也并未考慮證據(jù)源所提供證據(jù)的準(zhǔn)確性，默認(rèn)全部證據(jù)源準(zhǔn)確性相同，這種做法在已知證據(jù)源準(zhǔn)確性不一致情況下并未充分利用已知信息，在合成結(jié)果上可能存在誤差。

結(jié)合本文實驗場景，對于經(jīng)典證據(jù)理論存在的問題進行分析如下：①針對證據(jù)組合中證據(jù)之間高沖突的問題，一般通過改進組合規(guī)則或?qū)嶒灁?shù)據(jù)進行修正兩種方式來解決，改進組合規(guī)則的相關(guān)算法有很多，例如李永忠等認(rèn)為當(dāng)證據(jù)沖突過大時應(yīng)考慮證據(jù)的相似程度，通過計算證據(jù)間的相似程度求得權(quán)系數(shù)，在組合時考慮權(quán)系數(shù)的影響，以此為思路提出了對應(yīng)的證據(jù)組合公式[18]，但改進組合規(guī)則也會帶來一些新的問題，經(jīng)過研究李永忠、王力[19]等學(xué)者的組合規(guī)則，發(fā)現(xiàn)前兩種組合方式增加了證據(jù)組合過程的計算量，第三種組合方式破壞了證據(jù)組合規(guī)則的交換律和結(jié)合律，由此可見，對組合規(guī)則的修改伴隨著計算量增加或者組合優(yōu)良特性被破壞的問題。而降低沖突的第二種方式，即對實驗數(shù)據(jù)進行修正，例如徐凱通過修改原數(shù)據(jù)，利用指數(shù)形式替換原來的基本信度函數(shù)，使得合成過程中不會出現(xiàn)0值焦元[20]。這種方式使證據(jù)在符合邏輯的基礎(chǔ)上又避免相互之間的高沖突問題，基于此，本文采取對實驗數(shù)據(jù)進行修正的方式避免高沖突，具體實現(xiàn)為將單網(wǎng)絡(luò)模型的預(yù)測結(jié)果設(shè)定為信度賦值是0.8，其余兩個非預(yù)測結(jié)果的信度賦值為0.1，避免0值焦元的產(chǎn)生，減少了Dempster規(guī)則整體丟棄式處理方式帶來的誤差。②針對辨識框架中元素個數(shù)的問題，當(dāng)辨識框架中元素較多時，通常通過兩種方式進行改進：一是根據(jù)證據(jù)特點，設(shè)計快速算法進行計算；二是通過某種規(guī)則來減少焦元，從而進行近似計算。因本文所設(shè)計的實驗選取數(shù)據(jù)為患痹病、濕阻、感冒3種病其中之一的患者數(shù)據(jù)，不存在同時多種病并發(fā)的病例，根據(jù)證據(jù)理論關(guān)于辨識框架的定義可知，元素數(shù)目為3個，不足以出現(xiàn)焦元爆炸類問題，不宜采用近似計算，計算過程較少，可以直接采用組合方式。③對于證據(jù)合成的準(zhǔn)確性問題，大多數(shù)學(xué)者是對證據(jù)權(quán)重進行了調(diào)整，例如如李金玉等提出利用AHP法計算證據(jù)中各個證據(jù)的權(quán)重[21]，王法玉等提出采用模糊綜合評價法結(jié)合AHP法計算證據(jù)的權(quán)重[22]，但該類方法僅是對證據(jù)完成權(quán)重調(diào)整，忽略了證據(jù)源準(zhǔn)確性帶來的影響。本文提出對各證據(jù)源準(zhǔn)確性進行分析，在證據(jù)組合過程中考慮其帶來的影響，引入證據(jù)源準(zhǔn)確性系數(shù)λ來表示各個證據(jù)源的可信度，改進的DS理論組合規(guī)則計算如式(13)

(13)

其中，λA表示關(guān)于命題A的各證據(jù)源綜合可信度，λA的計算方式如式(14)，其中n是證據(jù)源的個數(shù)，λ1…λn為各個證據(jù)源的可信度，應(yīng)滿足0≤λi≤1。因為可信度系數(shù)的存在，各證據(jù)源的數(shù)據(jù)會有一部分處于未知領(lǐng)域，加入該系數(shù)后，處于未知領(lǐng)域的信息將被保留為可信比例的信度函數(shù)

(14)

為了驗證方法的有效性，給出λ影響效果較小和較大的兩個算例，設(shè)A、B、C為3個不同結(jié)果事件，m1、m2、m3、m4為4個不同證據(jù)源，合成結(jié)果見表1。

從驗證算例的結(jié)果可以看出，在一般情況下，利用兩種組合規(guī)則所得到的結(jié)果均符合預(yù)期結(jié)論，相比之下，加入證據(jù)源準(zhǔn)確性系數(shù)后，改進規(guī)則的預(yù)期結(jié)果的基本信任函數(shù)略小于經(jīng)典DS證據(jù)理論，并不改變結(jié)果的正確性。但當(dāng)證據(jù)源所提供的基本信度函數(shù)為第二種情況時，利用DS理論所得到的結(jié)果無法判斷A、B中哪個的可能性更高，但加入證據(jù)源準(zhǔn)確性系數(shù)后，得到的結(jié)果為m(A)小于m(B)，這種結(jié)果更為符合預(yù)期。

表1 DS證據(jù)理論組合驗證算例

3 基于ANN和改進DS理論的預(yù)測模型

3.1 模型設(shè)計

實驗根據(jù)病人癥狀對病名進行預(yù)測，預(yù)期結(jié)果為痹病、濕阻、感冒，每個病例的診斷結(jié)果為一種病名，不考慮多種病同時存在的情況。在預(yù)測前需要訓(xùn)練并保存神經(jīng)網(wǎng)絡(luò)組模型：首先對數(shù)據(jù)進行預(yù)處理，再利用預(yù)處理后的數(shù)據(jù)訓(xùn)練4種不同的神經(jīng)網(wǎng)絡(luò)，獲取4種網(wǎng)絡(luò)的準(zhǔn)確率，并保存訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)組；模型在預(yù)測時，直接調(diào)用神經(jīng)網(wǎng)絡(luò)組進行預(yù)測，對所有預(yù)測結(jié)果進行證據(jù)組合，在證據(jù)組合計算時利用改進的DS證據(jù)理論組合規(guī)則，將網(wǎng)絡(luò)的準(zhǔn)確率轉(zhuǎn)換為證據(jù)源準(zhǔn)確性系數(shù)，經(jīng)過證據(jù)組合得到最終的信度函數(shù)。模型的預(yù)測流程如圖2所示。

圖2 預(yù)測流程

3.2 模型的實現(xiàn)

依據(jù)模型設(shè)計的設(shè)想，具體實現(xiàn)如下：

輸入：原始數(shù)據(jù)集

輸出：預(yù)測的疾病編號

步驟1 將原始數(shù)據(jù)集進行預(yù)處理，并隨機分為90%和10%的兩份，分別作為訓(xùn)練集和測試集；

步驟2 利用訓(xùn)練集數(shù)據(jù)對4種類型的網(wǎng)絡(luò)分別進行訓(xùn)練并保存(BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、LVQ神經(jīng)網(wǎng)絡(luò)、PNN神經(jīng)網(wǎng)絡(luò))；

步驟3 載入保存的4個網(wǎng)絡(luò)模型，對測試集進行預(yù)測，產(chǎn)生4組預(yù)測值，將預(yù)測值轉(zhuǎn)化為3種病的基本信度賦值；

步驟4 對步驟3所得到的4組基本信度賦值利用改進的DS證據(jù)理論進行證據(jù)組合，得出每種病的基本信度函數(shù)。選取最大的一項作為最終的預(yù)測結(jié)果，若沒有則提示預(yù)測失敗，算法結(jié)束。

4 實驗和評價

4.1 數(shù)據(jù)集和評價指標(biāo)

4.1.1 數(shù)據(jù)集

本文所用數(shù)據(jù)集為某中醫(yī)院2004-2016年的真實診斷數(shù)據(jù)，數(shù)據(jù)集中包含性別、癥狀、舌像、脈象、對應(yīng)疾病等信息，共3個數(shù)據(jù)表：ClinicPatient、GlobalSickDrug、GlobalSickinfo，依次表示病人信息、用藥信息、診斷信息。

4.1.2 評價指標(biāo)

實驗通過模型預(yù)測的準(zhǔn)確率、100條數(shù)據(jù)預(yù)測用時這兩個量化指標(biāo)對模型進行評價。

4.2 數(shù)據(jù)預(yù)處理

步驟1 根據(jù)實驗的需要，從數(shù)據(jù)庫中分離出病人的IC卡號、性別、就診時間、癥狀、舌像、脈象、證候7條屬性作為初始數(shù)據(jù);

步驟2 利用IC卡號和就診時間區(qū)分不同的病案，刪除相同病案，刪除癥狀屬性、舌像屬性、脈象屬性不完整的病案，最終保留3種證候各1500條的數(shù)據(jù)集；

步驟3 對癥狀語句進行分詞，通過詞頻匯總統(tǒng)計出頻率較高的癥狀，建立癥狀值字典；并用相同的方法建立舌像值字典、脈象值字典；

步驟4 讀取每條病例數(shù)據(jù)，通過同義詞替換對數(shù)據(jù)進行規(guī)范化，用癥狀值、舌像值、脈象值字典分別對癥狀屬性、舌像屬性、脈象屬性進行映射，出現(xiàn)癥狀記為1，未出現(xiàn)記為0，性別分別用0、1表示，以上屬性共96項；3種證候使用0、1、2進行表示，得到用于訓(xùn)練和測試的數(shù)據(jù)矩陣。

4.3 訓(xùn)練神經(jīng)網(wǎng)絡(luò)組

BP神經(jīng)網(wǎng)絡(luò)：通過網(wǎng)格搜索的方法尋找最佳隱含層節(jié)點數(shù)，節(jié)點數(shù)從5遞增到20，每個節(jié)點的準(zhǔn)確率取5次驗證準(zhǔn)確率的平均值，準(zhǔn)確率統(tǒng)計如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率統(tǒng)計

最終選取隱含層節(jié)點數(shù)為9，此時模型的平均準(zhǔn)確率為80%，模型保存為BP_net。

RBF神經(jīng)網(wǎng)絡(luò)：通過網(wǎng)格搜索的方法尋找最佳spread值，spread從0.4遞增至1.6，每次增加0.1，每個spread的準(zhǔn)確率取5次驗證的平均值，準(zhǔn)確率統(tǒng)計如圖4所示。

圖4 RBF神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率統(tǒng)計

最終選取的spread值為1，此時模型的平均準(zhǔn)確率為81%，保存為RBF_net。

LVQ神經(jīng)網(wǎng)絡(luò)尋找最佳隱含層節(jié)點數(shù)同BP網(wǎng)絡(luò)，最終選擇隱含層節(jié)點為30，平均準(zhǔn)確率為75%，保存為LVQ_net；PNN神經(jīng)網(wǎng)絡(luò)取默認(rèn)參數(shù)，保存為PNN_net，平均準(zhǔn)確率為89%，神經(jīng)網(wǎng)絡(luò)組訓(xùn)練完成。

4.4 DS證據(jù)融合

調(diào)用之前4個網(wǎng)絡(luò)模型，將測試集輸入網(wǎng)絡(luò)，生成4組預(yù)測值。將4組結(jié)果轉(zhuǎn)化成對3種疾病的基本信度賦值：將預(yù)測編號所對應(yīng)病名的基本信度賦值確定為0.8，其余兩種確定為0.1。之后進行證據(jù)組合，計算過程如式(13)，得到的結(jié)果表示3種病的最終基本信度函數(shù)。

4.5 結(jié)果分析

實驗將從測試集中隨機選取100條數(shù)據(jù)測試，單獨使用BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、LVQ網(wǎng)絡(luò)、PNN網(wǎng)絡(luò)分別進行預(yù)測，記錄預(yù)測時間和準(zhǔn)確率，再利用本文所提出的模型進行預(yù)測，與上述4種網(wǎng)絡(luò)進行對比進行分析。

4.5.1 證據(jù)源獨立性分析

在進行實驗結(jié)果分析前，首先進行多次預(yù)測實驗，檢驗證據(jù)源之間是否獨立，是否符合4種網(wǎng)絡(luò)預(yù)測屬于不同證據(jù)源。經(jīng)過多次實驗，4個單獨神經(jīng)網(wǎng)絡(luò)模型的錯誤預(yù)測序號不存在雷同，隨機選取一次實驗，對5個模型的錯誤預(yù)測序號統(tǒng)計見表2。

表2 錯誤預(yù)測樣本統(tǒng)計

分析可知，4種神經(jīng)網(wǎng)絡(luò)因為訓(xùn)練過程和分類方式不同，用不同的計算過程對數(shù)據(jù)完成了處理，造成各模型分類結(jié)果也不完全相同，符合DS證據(jù)理論對證據(jù)源相互獨立的要求。

4.5.2 實驗結(jié)果對比分析

記錄預(yù)測時間方面，取5次預(yù)測時間的平均值；記錄預(yù)測準(zhǔn)確率方面，對測試集進行10次隨機選取100條數(shù)據(jù)的測試，取其預(yù)測的準(zhǔn)確率；統(tǒng)計結(jié)果見表3。

表3 各模型平均準(zhǔn)確率統(tǒng)計

通過對比結(jié)果可以看出，基于ANN和改進DS理論的預(yù)測模型在平均準(zhǔn)確率上高于所有單個網(wǎng)絡(luò)，準(zhǔn)確率保持在90%以上，其余4個網(wǎng)絡(luò)準(zhǔn)確率在75%至89%不等，分析可知，由于所有神經(jīng)網(wǎng)絡(luò)的預(yù)測準(zhǔn)確率都在70%以上，對于單個樣本而言，加入改進的DS證據(jù)理論后，隨著概率的合成會逐漸增大預(yù)測的準(zhǔn)確率，因此得到比單個網(wǎng)絡(luò)模型更優(yōu)的結(jié)果。在預(yù)測用時上，本文提出的模型耗時最長，這是因為該模型的預(yù)測是在4組網(wǎng)絡(luò)模型的基礎(chǔ)上進行，預(yù)測時間為4個網(wǎng)絡(luò)并行所用時間與證據(jù)組合計算時間之和，但100條數(shù)據(jù)的整體響應(yīng)時間控制在0.15 s之內(nèi)，在實時診斷中是能夠接受的。

5 結(jié)束語

利用證據(jù)源準(zhǔn)確性系數(shù)對DS證據(jù)理論進行了改進，按證據(jù)源的可信度對證據(jù)合成進行加權(quán)處理，解決了不同準(zhǔn)確度的證據(jù)源合成問題。將改進的DS證據(jù)理論應(yīng)用到中醫(yī)診斷模型中，以多個不同神經(jīng)網(wǎng)絡(luò)的預(yù)測確定基本信度函數(shù)，以各個神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確度確定證據(jù)源的準(zhǔn)確性系數(shù)，最后應(yīng)用改進的DS證據(jù)理論進行證據(jù)組合。實驗結(jié)果表明，該模型對3種疾病的預(yù)測準(zhǔn)確率高于單個神經(jīng)網(wǎng)絡(luò)，且穩(wěn)定保持在90%以上，對更多種疾病的混合預(yù)測具有可擴展性；該模型的預(yù)測用時控制在可接受時間范圍內(nèi)，可以應(yīng)用到對特定疾病的實時診斷中。但該模型所適用的情景為3種疾病的混合預(yù)測，仍不能滿足實時輔助診斷的要求，在后續(xù)的研究中將增大數(shù)據(jù)集，擴展疾病種類，探究在更大數(shù)據(jù)集情況下，如何更好兼顧準(zhǔn)確率和響應(yīng)時間。