小波神经网络在呼吸系统疾病死亡人数中的预测与评价

摘要

目的:
　　呼吸系统疾病是危害人民健康和生命的常见病和多发病，也是国内外发病率和死亡率较高的疾病之一。由于人体的肺脏是开放性的，与外界环境有着密切的联系，所以在引发呼吸系统疾病的众多原因中，气象因素占有很大的比重，主要的气象因素包括:AQI(Air Quality Index)、气温、相对湿度。天气的变化能够诱发甚至加重呼吸系统疾病的病症，严重的会导致患者死亡。因此，研究呼吸系统疾病死亡与气象因素之间的关系有着非常重要的意义。
　　通过建立呼吸系统死亡人数的预测模型，分析气象因素对呼吸系统疾病的影响，与死亡人数的关系。建立模型有多种方法，研究人员采用过传统的统计方法，近些年来采用BP神经网络的方法，数据的处理的速度越来越快，精度也越来越高，逼近能力也有了很大的改善。
　　本研究拟利用小波神经网络的方法建立呼吸系统疾病死亡人数的预测模型，对比原有的传统BP神经网络，比较其可实用性。并对各天气因素的重要性进行比较，从而对医疗气象预报作进一步的探索。
　　方法:
　　首先应用MATLAB编制morlet小波基激励函数，然后应用MATLAB编写小波神经网络的程序，随后选取2006年和2010年沈阳市日呼吸死亡和气象数据作为实验数据，将365天每一天的七种气象因素(AQI、最高气温、气压、最低气温、平均相对湿度和最低相对湿度)的数据作为神经网络的输入，采用随机抽样20次将数据按照4∶2∶3的比例分为训练、校验和预测三个集合。每天因呼吸系统疾病而死亡的人数作为网络的实际输出。根据隐含层和输出层设计不同的激励函数组合，网络训练根据停止准则采用提前停止的方法，即利用训练集逐步训练网络并计算校验集的误差平方和SSE2，如果SSE2上升则立即对训练集停止训练，最后将训练好的小波神经网络应用到沈阳市日呼吸系统疾病死亡人数的预测中，计算预测集误差平方和SSE3，并与以其它函数作为激励函数的神经网络相对比，分析各神经网络的预测效果。
　　选择2006年-2010年五年的沈阳市日呼吸死亡和气象数据作为验证数据，对数据做周处理，将每一周的死亡人数相加，各气象因素的值取平均值。网络中改变随机种子seed，训练20次，最后得到不同传递函数组合下的预测集的平均的误差平方和和网络训练的迭代次数，利用SPSS20.0对实验结果做非参数检验的K个相关样本检验，目的是分析不同传递函数组合是否具有统计学差异。
　　利用Pearson相关性分析对2006、2007、2008、2010年沈阳市日呼吸死亡人数与气象数据之间做七天的滞后处理，此过程也由SPSS20.0完成。分析各气象因素的滞后天数，以及各气象因素对呼吸系统疾病的影响。
　　结果：
　　1、小波神经网络运行结果
　　在2006年的实验数据中，以morlet为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层传递函数，预测集数据的误差平方和SSE3平均值依次为4.208，4.383，3.593，7.170，训练步数的平均值依次为7，6，5，7;以logsig为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层传递函数，预测集数据的误差平方和SSE3平均值依次为4.216，7.334，3.658，4.912，训练步数的平均值依次为6，7，5，5;以tansig为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层传递函数，预测集数据的误差平方和SSE3平均值依次为5.416，4.867，4.798，4.257，训练步数的平均值依次为8，7，6，6;选择morlet和tansig传递函数组合，分析七个天气因素的作用，重要性排序为:最高气温＞平均气温＞平均相对湿度＞AQI＞平均气压＞最小相对湿度＞最低气温;在2010年的实验数据中，以morlet为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层传递函数，预测集数据的误差平方和SSE3平均值依次为4.519，4.466，3.874，7.281，训练步数的平均值依次为14，6，5，7;以logsig为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层传递函数，预测集数据的误差平方和SSE3平均值依次为4.528，7.663，3.949，4.935，训练步数的平均值依次为7，6，5，5;以tansig为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层的传递函数，预测集数据的误差平方和SSE3平均值依次为4.667，6.841，6.688，5.24，训练步数的平均值依次为12，6，6，5;选择morlet和logsig传递函数组合，分析七个天气因素的作用，重要性排序为:平均气温＞最高气温＞平均气压＞最小相对湿度＞AQI＞最低气温＞平均气温;在2006-2010年的实验数据中，以morlet为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层传递函数，预测集数据的误差平方和SSE3平均值依次为14.823，9.906，9.868，18.850，训练步数的平均值依次为16，7，6，12;以logsig为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层传递函数，预测集数据的误差平方和SSE3平均值依次为17.833，10.959，9.757，12.067，训练步数的平均值依次为13，5，7，8;以tansig为隐含层传递函数，logsig、tansig、purelin、morlet分别为输出层传递函数，预测集数据的误差平方和SSE3平均值依次为17.950，16.594，11.301，13.262，训练步数的平均值依次为6，7，7，8;选择morlet和tansig传递函数组合，分析七个天气因素的作用，重要性排序为:平均气压＞最高气温＞平均气温＞AQI＞最小相对湿度＞最低气温＞平均相对湿度。
　　2.Pearson相关分析的滞后结果
　　2006、2007、2008年AQI滞后3d、0d、3d，平均气压滞后0d、6d、2d，平均气温滞后0d、0d、2d，最高气温滞后0d、0d、4d，平均相对湿度滞后0d、3d、2d，最小相对湿度滞后0d、3d、2d，2010年平均气压、平均相对湿度、最小相对湿度分别滞后6d、7d、6d。
　　结论:
　　在输出层的传递函数相同的情况下，比较发现在一定条件下，小波神经网络比传统BP神经网络的预测能力要好，网络收敛速度也快。并且根据SPSS非参数分析发现，小波神经网络与传统神经网络之间并没有明显的统计学差异。因此小波神经网络在预测方面有很好的实用性。

目录

声明

摘要

英文缩略语

第一章 绪论

1．呼吸系统疾病的概况

3．研究背景与现状

3．小波神经网络

3．1 介绍小波神经网络

3．2 小波分析理论

3．3 小波函数

第二章 材料及方法

1．数据来源

2．数据预处理

3．建立小波神经网络模型

4．MATLAB中建立小波神经网络

4．1 morlet小波函数作为传递函数的实现

4．2 停止准则与迭代次数

4．3 MATLAB中编写小波神经网络程序

第三章 网络训练结果

1．分析误差平方和

1．1 2006年、2010年和2006-2010年五年的实验数据经过20次网络训练后误差平方和的结果

1．2 以上三组实验结果的对比分析

1．3 12组激励函数组合结果的误差平方和SSE3的变化趋势

2．网络训练的迭代次数分析

2．1 2006年、2010年和2006-2010年五年的实验数据经过20次网络训练后的迭代次数统计

2．2 以上三组结果的对比分析

2．3 12组激励函数组合的神经网络训练的迭代次数的变化趋势

第四章 天气因素对呼吸系统疾病死亡的影响

1．各天气因素重要性的比较

2．天气因素对呼吸系统疾病死亡的滞后影响

第五章 传递函数组合间的差异性分析

1．差异性检验

2．差异性分析

第六章 讨论

1．神经网络训练及检验结果分析

2．天气因素对呼吸系统死亡的影响分析

本研究创新性的自我评价

参考文献

综述 小波神经网络的结构及应用

在学期间科研成绩

致谢

个人简介