生物醫(yī)學(xué)信號預(yù)處理算法的研究

1、第1章 緒 論畢業(yè)設(shè)計說明書(論文)作 者： 學(xué) 院 專 業(yè) 通信工程 題 目： 醫(yī)學(xué)生物信號預(yù)處理算法的研究 指導(dǎo)者： (姓 名) (專業(yè)技術(shù)職務(wù))評閱者： (姓 名) (專業(yè)技術(shù)職務(wù)) 2015 年 6 月 吉 林畢 業(yè) 論 文 中 文 摘 要首先對現(xiàn)階段醫(yī)學(xué)生物信號預(yù)處理算法研究領(lǐng)域的背景意義和國內(nèi)外的發(fā)展現(xiàn)狀和趨勢進(jìn)行介紹。對全文的內(nèi)容和主要工作進(jìn)行說明。之后介紹通過用智能化的可穿戴式無線傳感器采集腦血栓后遺癥患者做簡單運(yùn)動時7個關(guān)節(jié)部位產(chǎn)生的三維加速度和三維角速度數(shù)據(jù)。然后，進(jìn)行數(shù)據(jù)預(yù)處理方法相關(guān)理論基礎(chǔ)介紹。再對研究生物醫(yī)學(xué)信號預(yù)處理方法并比較，由于時間有限初步研究了四種算法：FI

2、R（Finite Impulse Response）濾波法，主成分分析方法（Principal Component Analysis，PCA），多維度標(biāo)度法（Multidimensional Scaling，MDS），核主成分分析方法（Kernel Principal Component Analysis，KPCA）。其中FIR濾波法能有效的消除數(shù)據(jù)的冗余，PCA，KPCA，MDS算法通過降維進(jìn)行預(yù)處理來提高效率。其次，介紹人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)、網(wǎng)絡(luò)模型和發(fā)展現(xiàn)狀，最后介紹采用BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)對預(yù)處理后的數(shù)據(jù)進(jìn)行數(shù)據(jù)處理分類。通過對比降維算法時間長短，降維后數(shù)據(jù)輸

3、入神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類時間長短，分類效果等方面來檢驗算法性能優(yōu)劣，總結(jié)并選擇出適合本課題的數(shù)據(jù)預(yù)處理方法。關(guān)鍵詞: FIR濾波；PCA；KPCA；MDS；BP神經(jīng)網(wǎng)絡(luò)- 1 -畢 業(yè) 論 文 外 文 摘 要Title Study of Medical and Biological signal preprocessing algorithm AbstractFirst stage of medical research in the field of biological signal preprocessing algorithm background meaning and developme

4、nt status and trends at home and abroad are introduced. The full text of the content and the main work will be described. Then, the theoretical basis of the relevant data preprocessing methods described Again biomedical signal preprocessing methods and compare, because of the limited time a prelimin

5、ary study four algorithms: FIR filter, a main component analysis (PCA), multidimensional scaling method (MDS), kernel principal component analysis into (KPCA).FIR filtering method which can effectively eliminate redundancy, PCA, KPCA, MDS-dimensional data preprocessing algorithm by reducing to impro

6、ve efficiency Secondly, the characteristics of artificial neural networks, the network model and the development of the status quo, and finally introduce the use of BP (Back Propagation) neural network data preprocessed data processing classification. Dimensionality reduction algorithm by comparing

7、the length of time after inputting data dimensionality reduction classification neural network training duration, and other aspects of classification to test the algorithm performance advantages and disadvantages, and summarize data preprocessing method selected for this project.Keywords: FIR filter

8、；PCA, KPCA；MDS；BP neural networkIII目 錄 摘要IAbstractII第1章 緒論11.1 醫(yī)學(xué)生物信號預(yù)處理算法的研究背景意義11.2 國內(nèi)外的發(fā)展現(xiàn)狀和趨勢11.3 本文研究內(nèi)容和安排31.3.1 研究內(nèi)容31.3.2 論文內(nèi)容安排3第2章 預(yù)處理方法42.1 預(yù)處理方法42.1.1 數(shù)據(jù)采集處理42.1.2預(yù)處理方法分類62.1.3 預(yù)處理方法原理62.2預(yù)處理方法的應(yīng)用對比13第3章 神經(jīng)網(wǎng)絡(luò)163.1 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)163.2 神經(jīng)網(wǎng)絡(luò)模型173.2.1 前向網(wǎng)絡(luò)183.2.2 有反饋的前向網(wǎng)絡(luò)183.2.3 層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò)183.2.4

9、相互結(jié)合型網(wǎng)絡(luò)193.3 神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀193.4 BP神經(jīng)網(wǎng)絡(luò)203.4.1 BP神經(jīng)網(wǎng)絡(luò)原理203.4.2 BP算法的數(shù)學(xué)描述23第4章 MATLAB仿真及結(jié)果分析264.1 MATLAB介紹264.2 MATLAB的應(yīng)用與功能264.3 結(jié)果分析27結(jié)論30參考文獻(xiàn)31致謝33- 33 -第1章 緒 論1.1 醫(yī)學(xué)生物信號預(yù)處理算法的研究背景意義醫(yī)學(xué)生物信號是一種由復(fù)雜的生命體發(fā)出的不穩(wěn)定的自然信號，是強(qiáng)噪聲影響下的低頻弱信號，信號本身特點(diǎn)、檢測方法和處理方式,都不同于正常的信號1。生物醫(yī)學(xué)信號可是來自一個生物系統(tǒng)的一類信號，這些信號通常含有與生物系統(tǒng)生理和結(jié)構(gòu)形態(tài)相干的消息2。生物醫(yī)

10、學(xué)信號種類很多，其主要特征是:信號微弱、隨機(jī)性很大、噪聲較強(qiáng)、頻率范圍一般相對較低，還有信號的統(tǒng)計特性會隨時間而改變，并且都是非先驗性的。根據(jù)性質(zhì)，生物信號可分類為生物電信號(Biochemical Signals)，例如腦電、心電、肌電、胃電、視網(wǎng)膜電等；生物磁信號(Biochemical Signals)，像心磁場、腦磁場、神經(jīng)磁場等;生物化學(xué)信號(Biochemical Signals)，像血液的pH值、血?dú)?、呼吸氣體等；生物力學(xué)信號(Bio-mechanical Signals)，如血壓、氣血和消化道內(nèi)壓和心肌張力等；生物聲學(xué)信號(Bio-acoustic Signal)，例如心音、脈

11、搏、心沖擊等。根據(jù)來源生物醫(yī)學(xué)信號可大概分為兩類：(1)由生理進(jìn)程自發(fā)產(chǎn)生的主動信號，例如心電(ECG)、腦電(EEG)、肌電(EMG)、眼電(EOG)、胃電(EGG)等電生理信號和體溫、血壓、脈搏、呼吸等非電生信號；(2)外界施加于人體，把人體當(dāng)做通道用以進(jìn)行探查的被動信號，如超聲波、X射線、同位素等2。按照生物醫(yī)學(xué)信號特點(diǎn)，發(fā)展且應(yīng)用信息科學(xué)的基本理論，從被干預(yù)和噪聲覆沒的觀測信號中提取各類生物醫(yī)學(xué)信號中所帶的信息，并對它們進(jìn)行分析、解釋和分類3。其目的主要是：協(xié)助生物和生理系統(tǒng)方面的研究；協(xié)助對患者進(jìn)行診斷和醫(yī)治。從一定意義上說，它是綜合性很高的新技術(shù)領(lǐng)域，反應(yīng)著通信、生理、模式識別、人

12、工智能和數(shù)字信號處理各種學(xué)科與技術(shù)的交叉4。是隨機(jī)過程、統(tǒng)計檢驗與估計、時間序列分析等數(shù)學(xué)方法的實際應(yīng)用。從另一個意義上說，它又是一個不很成熟的領(lǐng)域，由于目前為止還沒有明確創(chuàng)建這門學(xué)科的基礎(chǔ)理論和基本體系，其中最主要原因是人類對生命機(jī)理的了解還需要深化。近年來，伴隨著生命科學(xué)與計算機(jī)技術(shù)的共生發(fā)展，一些在意人機(jī)系統(tǒng)及其接口的科研工作正在發(fā)育，神經(jīng)網(wǎng)絡(luò)、混沌理論、生物反饋、心理醫(yī)學(xué)工程正越來越引起人們的關(guān)注。1.2 國內(nèi)外的發(fā)展現(xiàn)狀和趨勢 生物醫(yī)學(xué)信號五花八門，種類眾多，并且是產(chǎn)生機(jī)理想當(dāng)復(fù)雜的信號。其中的重要外在特性是隨機(jī)性和噪聲背景都很強(qiáng)，并且個體差異也很大4。信號的統(tǒng)計特性既隨時間而變，并

13、且還是非先驗的。從相應(yīng)的學(xué)術(shù)期刊和學(xué)術(shù)會議上和信息處理相關(guān)的的內(nèi)容都很富余。簡要地概括其現(xiàn)狀及發(fā)展是不容易的。下面我們通過以基礎(chǔ)理論和具體應(yīng)用下結(jié)合來加以總結(jié)，由于是從個人角度理解，會帶有一定的片面性。近些年，信息技術(shù)的快速發(fā)展為生物醫(yī)學(xué)方面提供了豐富的研究方式，方法和手段。譬如在生物醫(yī)學(xué)信號的檢驗中傳感器發(fā)揮著至關(guān)重要的功用，而且在信息技術(shù)中經(jīng)常用的信號分析和信號處理方法也普遍的應(yīng)用在生物醫(yī)學(xué)信號的分析處理中，從信息技術(shù)發(fā)展的角度介紹生物醫(yī)學(xué)信號處理方面的發(fā)展現(xiàn)狀和具體的應(yīng)用趨勢體現(xiàn)在以下幾個方面。 1.生物醫(yī)學(xué)信號的檢測生物醫(yī)學(xué)信號檢測包含在生物體的生物現(xiàn)象，其性質(zhì)和成分等信息技術(shù)來檢測和

14、量化。生物醫(yī)學(xué)傳感器是獲取各種生物信息并將其轉(zhuǎn)換成易于測量和信號處理（通常為電信號）的裝置，它是在生物醫(yī)學(xué)信號檢測的關(guān)鍵技術(shù)。生物醫(yī)學(xué)信號的絕大部分都是弱信號信噪比低，一般都伴隨著信號的噪聲和干擾4。信號必須用于噪聲抑制處理技術(shù)。生物醫(yī)學(xué)信號的檢測，往往需要考慮噪聲：頻率干擾，電極接觸噪聲的相互干擾，基線漂移軌跡，通過呼吸和不同的信號之間產(chǎn)生4。由于生物系統(tǒng)的復(fù)雜性，生物體信息豐富的生物信號檢測技術(shù)是非常重要的。 2.生物醫(yī)學(xué)信號的處理方法 生物醫(yī)學(xué)信號的干擾和噪聲的背景信息在醫(yī)學(xué)生物信號特征的有用，這涉及到各個層次的有機(jī)體生理，生化和生物數(shù)量受多種因素影響身體，所以沒有一個通用的信號特征。1

15、）信號較弱，2）噪聲大，因為人體自身的信號很弱，再加上人體是一個復(fù)雜的整體，所以信號易受干擾噪聲。3）頻率范圍一般較低，除心音信號的高頻成分，其他電生理信號的頻譜一般較低。4）隨機(jī)性，生物醫(yī)學(xué)信號不僅隨機(jī)和非平穩(wěn)4。所以如果想在噪聲和干擾信號在生物醫(yī)學(xué)信號檢測有用的興奮劑，此外對傳感器系統(tǒng)具有靈敏度高，檢測要求噪聲低，抗干擾能力強(qiáng)，分辨率，良好的動態(tài)特性，通過分析信號的提取方法有更高的要求。 生物醫(yī)學(xué)信號檢測與處理方法，包括強(qiáng)噪聲背景下的微弱生理信號的動態(tài)提取時間同步的觀察和處理。此外，該傳感器的輸出信號一般很微弱，需要放大。生物信號特征只包含生物信息，這些信號特征的主要任務(wù)是確定生物醫(yī)學(xué)信號

16、處理。 3.生物醫(yī)學(xué)信號具體應(yīng)用趨勢信號處理的領(lǐng)域是相當(dāng)廣泛而又深入的，已在不同程度上滲透到幾乎所有的醫(yī)療衛(wèi)生領(lǐng)域。從預(yù)防醫(yī)學(xué)、基礎(chǔ)醫(yī)學(xué)到臨床醫(yī)學(xué)，從醫(yī)療、科研到健康普查，都已有許多成功的例子，如心電圖分析，腦電圖分析，視網(wǎng)膜電圖分析，光片處理，圖像重建，健康普查的醫(yī)學(xué)統(tǒng)計，疾病的自動診斷，細(xì)胞、染色體顯微圖像處理，血流速度測定，生物信號的混沌測量等等4。例如（國內(nèi)）：目前生物信號采集處理系統(tǒng)逐步應(yīng)用于中醫(yī)藥研究的多個領(lǐng)域，對我國傳統(tǒng)中醫(yī)藥研究水平的提高及理論科學(xué)規(guī)范化起到一定推動作用。主要以Power Lab系統(tǒng)為例，在闡述生物信號采集處理系統(tǒng)工作原理及應(yīng)用的基礎(chǔ)上，從觀察中藥對肌張力變換、

17、電生理及血流、血壓及血流動力學(xué)等的影響等幾個方面，綜述了生物信號采集處理系統(tǒng)在中醫(yī)藥研究中的應(yīng)用概況，并提出了應(yīng)注意的問題。例如（國外）：300腦計算機(jī)接口（BCI）是最廣泛研究的BCI范例之一5。它檢測到的特定的波形，響應(yīng)于與任務(wù)相關(guān)的刺激產(chǎn)生的。在視覺刺激基于P300腦機(jī)接口系統(tǒng)，受試者被凝視著它選擇目標(biāo)項目。與關(guān)于該所附眼球運(yùn)動以改變凝視對象可以喚起electrocardiography（EOG）反應(yīng)，P300基于BCI和EOG基于視線跟蹤系統(tǒng)可以有利地集成，以提高性能?；谶@個想法，我們研究新型混合EOG-P300 BCI系統(tǒng)，雙顯示器。從普通的P300接口，我們把菜單項進(jìn)入雙顯示器。

18、系統(tǒng)分析EOG信號來尋找哪個顯示器主要集中在主題，然后在顯示器，P300系統(tǒng)識別聚焦的主題項目。以減少在一個屏幕中的項目數(shù)。在PBR，混合的BCI表明PBR比常規(guī)的P300的BCI高出70。這些評價結(jié)果證明了混合的BCI對于具有高的速度和可靠性實際使用的可能性。作為一種新型的人機(jī)交互方式,BCI的應(yīng)用范圍也已經(jīng)超出了為殘疾人提供一個與外界進(jìn)行交流方式的初衷，其在醫(yī)學(xué)治療與康復(fù)、人工智能、軍事設(shè)備，交通控制、休閑娛樂等領(lǐng)域都有著豐富的應(yīng)用前景。可想而知，隨著信息技術(shù)在通信、遠(yuǎn)程控制、模式識別和信號處理等方面的持續(xù)蓬勃發(fā)展，定會為生物醫(yī)學(xué)信號處理領(lǐng)域帶來巨大的發(fā)展前景，并因此使人們可以享受更高水平

19、的醫(yī)療服務(wù)。1.3 本文研究內(nèi)容和安排1.3.1 研究內(nèi)容可穿戴式無線傳感器作為數(shù)據(jù)采集平臺，采集患者簡單運(yùn)動時的三維加速度和三維角速度信號，本文研究的主要內(nèi)容：1.研究信號預(yù)處理方法，對采集到的數(shù)據(jù)進(jìn)行預(yù)處理。2.研究神經(jīng)網(wǎng)絡(luò)方法，對采集到的數(shù)據(jù)分類，選擇并改進(jìn)神經(jīng)網(wǎng)絡(luò)算法。3.確定各部位不正常的權(quán)值閾值，完成預(yù)處理算法的比較與神經(jīng)網(wǎng)絡(luò)的選用。1.3.2 論文內(nèi)容安排根據(jù)本課題的發(fā)展現(xiàn)狀、研究目的和研究內(nèi)容，對整篇論文進(jìn)行如下安排：第1章對現(xiàn)階段醫(yī)學(xué)生物信號預(yù)處理算法研究領(lǐng)域的國內(nèi)外發(fā)展現(xiàn)狀和課題的研究意義和研究背景進(jìn)行介紹。對全文的內(nèi)容和主要工作進(jìn)行說明。第2章介紹一種可穿戴式無線傳感器以

20、及數(shù)據(jù)預(yù)處理方法相關(guān)理論基礎(chǔ)介紹，總結(jié)并選擇出適合本課題的數(shù)據(jù)預(yù)處理方法。第3章對人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理算法進(jìn)行詳細(xì)介紹，確定本課題選擇BP神經(jīng)網(wǎng)絡(luò)算法第4章介紹MATLAB及它的功能，并進(jìn)行仿真和結(jié)果分析。第2章 預(yù)處理方法第2章 預(yù)處理方法2.1 預(yù)處理方法2.1.1 數(shù)據(jù)采集處理本課題對數(shù)據(jù)進(jìn)行采集使用可穿戴式無線傳感器。適合應(yīng)用于以下領(lǐng)域：人類的健康監(jiān)測，運(yùn)動科學(xué)，結(jié)構(gòu)監(jiān)測，智能建筑，環(huán)境及棲息地監(jiān)測，具有廣泛的應(yīng)用前景，適合于本課題的數(shù)據(jù)采集。本課題對30個不同偏癱患者進(jìn)行7次測試，每次測試患者做不同的簡單動作，用智能化的可穿戴式無線傳感器在20秒內(nèi)采集30名不同偏癱患者做不同動作時7

21、個部位產(chǎn)生的三維加速度，和三維角速度，實驗的采樣頻率為102.4Hz，這7個傳感器分別佩戴在患者的以下7個部位：前額、胸部、腰部、右手腕、左手腕、右小腿、左小腿，如圖2-1所示。右手腕 胸部腰部左手腕前額左小腿右小腿圖2-1 傳感器佩戴部位7次測試的簡單動作分別為：雙眼睜開，雙手放在臀部，雙腳并攏，堅固的地面；雙眼緊閉，雙手放在臀部，雙腳并攏，堅固的地面；雙眼緊閉，雙手放在臀部，一只腳，堅固的地面；雙眼緊閉，雙手放在臀部，串聯(lián)的姿態(tài)，堅固的地面；雙眼緊閉，雙手放在臀部，雙腳并攏，柔軟地面；雙眼緊閉，雙手放在臀部，一只腳，柔軟地面；雙眼緊閉，雙手放在臀部，腳一前一后，柔軟地面。以第5個動作為例。

22、圖2-2、圖2-3為第一個患者的第5個動作時7個傳感器采集到的數(shù)據(jù)，是第1個傳感器采集到的數(shù)據(jù)，維是第2個傳感器采集到的數(shù)據(jù)，以此類推共42個指標(biāo)，圖2-4為某一患者的某個動作時7個部位的傳感器采集到的信號，此時前額部位傳感器采集到的數(shù)據(jù)如圖2-5所示。圖中可以看出，本課題所用數(shù)據(jù)為高維數(shù)據(jù)，含有一定的冗余性和高階相關(guān)性，故可首先采用合適的方法對數(shù)據(jù)預(yù)處理以消除冗余和噪聲。 圖2-2 前20個指標(biāo)的時間-電壓變化 圖2-3 后22個指標(biāo)的時間-電壓變化 圖2-4 7個部位的傳感器采集到的信號 圖2-5 前額部位采集到的信號2.1.2預(yù)處理方法分類本課題預(yù)處理方法分類有兩類濾波法和降維法。濾波是

23、要將信息中特定波段頻率濾除的過程，是抑制和防止干擾的一個重要方法。是依據(jù)觀測某一個隨機(jī)過程的結(jié)果，對另外一個與之相關(guān)的隨機(jī)過程進(jìn)行估計的概率理論與方法。濾波法有平滑濾波，IIR濾波，F(xiàn)IR濾波，自適應(yīng)濾波等。數(shù)據(jù)的降維是依據(jù)一定的規(guī)則方法將原本高維特征數(shù)據(jù)映射到一個較低維特征矩陣，使得數(shù)據(jù)矩陣處在一個相當(dāng)合理的維度，同時要讓低維數(shù)據(jù)盡可能大的保持原數(shù)據(jù)的特征，通常作為數(shù)據(jù)分析的預(yù)處理步驟6。70年代以來的第二十世紀(jì)，特征降維，已經(jīng)被廣泛的研究了。對樣本特征的高維特征使算法的學(xué)習(xí)性能急劇下降。因此，在數(shù)據(jù)分析領(lǐng)域，數(shù)據(jù)降維對于機(jī)器學(xué)習(xí)任務(wù)顯得尤為重要。 目前已經(jīng)提出了許多降維方法，主要包括核主成

24、分分析法（KPCA）、多維度標(biāo)度法（Multi-Dimensional Scaling，MDS）以及拉普拉斯特征映射法(Laplacian Eigenmaps）、局部線性嵌入（LLE）、Diffusion Maps、LTSA等。具體不同分類如圖 2-6 所示：圖2-6降維算法分類2.1.3 預(yù)處理方法原理隨著信息時代的到來，人類在各種領(lǐng)域中面臨著越來越多的數(shù)據(jù)信息，但是，并不是所有的信息對人類都是有作用的。在大規(guī)模復(fù)雜的信息中，很可能會包含著一些冗余甚至是錯誤的信息，這些冗余和錯誤的信息會降低信息處理的效率和效果。在保證信息不失真的前提下對其進(jìn)行濃縮、提煉在信息處理技術(shù)領(lǐng)域成為一個非常具有現(xiàn)實

25、意義的研究方向。這里所說的“不失真”是指在保證不丟失信息主要特征的情況下，除去信息中冗余的、次要的甚至是錯誤的信息，提高數(shù)據(jù)的質(zhì)量，改善信息處理的效果，這就是所謂的數(shù)據(jù)預(yù)處理問題。本課題中的數(shù)據(jù)為高維實測數(shù)據(jù)，必定存在一定的冗余和噪聲，為了后續(xù)的處理更高效準(zhǔn)確，應(yīng)先對采集到的數(shù)據(jù)進(jìn)行預(yù)處理。常用的預(yù)處理方法有有限沖擊響應(yīng)（FIR）濾波法、主成分分析法（PCA）、核主成分分析方法（KPCA）、多維度標(biāo)度法（MDS）。1.FIR濾波法濾波器的功能是進(jìn)行一系列的輸入信號進(jìn)行運(yùn)算處理，從輸入信號中去除不必要的信息，并對離散信號的數(shù)字濾波。有限脈沖響應(yīng)數(shù)字濾波器（FIR）數(shù)字濾波器的脈沖響應(yīng)是有限的，而

26、且是最為廣泛使用的數(shù)字濾波方法，而FIR數(shù)字濾波器應(yīng)用方法中最簡單且使用最廣泛的一種設(shè)計方法是窗函數(shù)法，即根據(jù)提供的數(shù)字濾波器相關(guān)技術(shù)指標(biāo)，合理的選擇濾波器長度和窗函數(shù)的類型，使窗函數(shù)的主瓣寬度最窄且旁瓣最小。其核心是通過對提供的頻率特性的信號加窗以確定有限長單位脈沖響應(yīng)序列，設(shè)計思路如下：窗函數(shù)法又稱傅里叫級數(shù)法。設(shè)計過程通常是先給定一個理想的濾波器頻率響應(yīng)，然后再設(shè)計一個FIR濾波器，用其頻率響應(yīng)來逼近理想的頻率響應(yīng)，假設(shè)設(shè)計的FIR數(shù)字濾波器的頻率響應(yīng)為 （2-1）式中： 輸入信號的頻率，單位Hz 有限長單位脈沖響應(yīng)長度，實現(xiàn)上述逼近最直接的途徑，是用FIR濾波器的單位脈沖響應(yīng)在時域中逼

27、近理想的單位脈沖。因而，由的IDTF可以導(dǎo)出： （2-2） 濾波器是有限長的，故要用有限長的單位脈沖響應(yīng)來逼近無限長的單位脈沖，最簡單直接的方法是截取中的一段，將無限長的截取為長度為的有限長序列，相當(dāng)于在上加了一個長度為的矩形窗口，更一般的實現(xiàn)方法，可以用一個長度為的窗函數(shù)截取的一段，即 （2-3）上述方法就是窗函數(shù)設(shè)計法，窗函數(shù)設(shè)計法的關(guān)鍵是窗函數(shù)的類型及長度的選擇，本文以截止頻率為的理想低通濾波器為例，具體討論FIR濾波器是如何實現(xiàn)的。假設(shè)給出理想低通濾波器頻率響應(yīng)為 （2-4）式中 低通相位特性的常系數(shù)經(jīng)傅里葉反變換得到相應(yīng)的： （2-5）式中 中心點(diǎn)在處的無限長偶對稱非因果序列截取的長

28、度為的一段序列，若要保證為因果序列，設(shè)定 （2-6）所得表示為： （2-7）式中 窗函數(shù)常用的窗口函數(shù)有矩形窗、升余弦窗（漢寧窗）、海明窗、布拉克曼窗、凱澤窗，一般用下標(biāo)來表示窗函數(shù)的類型，如矩形窗可記為。 窗函數(shù)法實現(xiàn)FIR濾波器的過程可分為以下5步：（1）給定所要求的頻率響應(yīng)。（2）由的傅立葉反變換求出。（3）選擇窗函數(shù)的類型并估計窗口長度，選取原則是使窗函數(shù)的主瓣寬度最窄且旁瓣最小。（4）由式（2-7）計算濾波器的單位脈沖響應(yīng)。（5）檢驗結(jié)果是否滿足要求。 2.主成分分析法（PCA） 主成分分析法（PCA）是模式識別判別分析中最常用的一種線性映射方法，該方法是利用數(shù)據(jù)集的統(tǒng)計性質(zhì)的特征空

29、間變換，以樣本點(diǎn)在空間中變化最大的方向，也就是方差最大的方向作為判別矢量，消除數(shù)據(jù)成分之間的二階相關(guān)性，進(jìn)而實現(xiàn)數(shù)據(jù)的特征提取與數(shù)據(jù)壓縮6。PCA的基本工作原理如下：對于輸入數(shù)據(jù)矩陣（通常），且該矩陣由一些中心化的樣本數(shù)據(jù)構(gòu)成，其中且 （2-8） 利用式（2-9），PCA可以將輸入數(shù)據(jù)矢量變換為新的數(shù)據(jù)矢量 （2-9）式中 的正交矩陣 樣本協(xié)方差矩陣的第個本征矢量是的第列，也就是說，PCA首先需要求解如下式所示的本征問題 （2-10） （2-11）式中： 的一個本征值 相應(yīng)的本征矢量 將對應(yīng)本征值按降序排列，當(dāng)僅使用前面的個本征矢量時，可以求得矩陣。新的分量稱為主分量。第一個主成分就是最大特征

30、值對應(yīng)的最大特征向量，該特征向量就是樣本點(diǎn)有最大方差分布的方向。同理，第二大特征值對應(yīng)的特征向量也就是第二主成分，數(shù)據(jù)樣本點(diǎn)沿著這個方向方差變化第二大，且這個特征向量與第一個特征向量相互正交7。 式（2-8）不成立，即實際處理時原始數(shù)據(jù)沒有經(jīng)過中心化，則PCA處理前可以首先對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，即標(biāo)準(zhǔn)化數(shù)據(jù)的每一個指標(biāo)分量。實際數(shù)據(jù)有個指標(biāo)，每一指標(biāo)有個樣本，將此數(shù)據(jù)寫成一個維的數(shù)據(jù)矩陣，則： （2-12）式中： 標(biāo)準(zhǔn)化后的矩陣元素 樣本均值 樣本標(biāo)準(zhǔn)差其中樣本均值： （2-13）樣本標(biāo)準(zhǔn)差： （2-14） 由此得到，接下來再進(jìn)行開始所描述的PCA運(yùn)算，這就是標(biāo)準(zhǔn)的PCA實現(xiàn)原理，這種標(biāo)準(zhǔn)化方法可

31、以有效的減少數(shù)據(jù)量綱對數(shù)據(jù)特征提取的影響8。 根據(jù)上述主成分分析實現(xiàn)的基本原理，主成分分析的計算步驟可以分成如下8步8： （1）獲得的數(shù)據(jù)有個指標(biāo)，每一個指標(biāo)有個樣本，將該數(shù)據(jù)寫成一個維數(shù)據(jù)矩陣（2）將矩陣A標(biāo)準(zhǔn)化處理：即標(biāo)準(zhǔn)化數(shù)據(jù)的每一個指標(biāo)分量，應(yīng)用公式(2-12)，進(jìn)而得到。（3）根據(jù)式（2-15），計算樣本矩陣的相關(guān)系數(shù)矩陣 （2-15）（4）計算R的特征值，通常運(yùn)用Jacobi迭代方法求得，對應(yīng)的特征向量為。（5）將求得的特征值按降序排列可得，對相應(yīng)特征向量進(jìn)行相應(yīng)調(diào)整，調(diào)整后的特征向量為。（6）單位正交化特征向量，常用施密特正交化方法，得到。（7）計算特征值的累積貢獻(xiàn)率，根據(jù)給定的

32、提取效率即，如果,則提取個主成分。（8）計算已標(biāo)準(zhǔn)化的樣本數(shù)據(jù)在提取出的特征向量上的投影，其中。所得的就是特征提取后的數(shù)據(jù)也就是PCA處理后的主特征數(shù)據(jù)。 3.核主成成分分析方法（KPCA）假設(shè)為訓(xùn)練樣本，用表示輸入空間。KPCA方法的基本思想是通過某種隱式方式將輸入空間映射到某個高維空間(常稱為特征空間)，并且在特征空間中實現(xiàn)PCA 。假設(shè)相應(yīng)的映射為，其定義如下9 ： 核函數(shù)可以通過映射將隱式的實現(xiàn)點(diǎn)映射到F，所以由映射而得到的特征空間中數(shù)據(jù)符合中心化的條件要求，即 (2-16)則特征空間中的協(xié)方差矩陣為： (2-17)現(xiàn)求的特征值和特征向量， (2-18)即有 (2-19) 考慮到所有的

33、特征向量可表示為的線性張成，即 (2-20)則有 (2-21)其中。定義維矩陣K (2-22)則式子可以簡化為 (2-23)顯然滿足 (2-24) 求解(2-24)就能得到特征值和特征向量，對于測試樣本在特征向量空間的投影為 (2-25)將內(nèi)積用核函數(shù)替換則有 (2-26)當(dāng)(2-16)不成立時，需進(jìn)行調(diào)整， (2-27)則核矩陣可修正為 (2-28)基于上述KPCA的基本原理，可得KPCA的處理過程如下： (1)將所獲得的個指標(biāo)(每一指標(biāo)有個樣品)的一批數(shù)據(jù)寫成一個()維數(shù)據(jù)矩陣(2)計算核矩陣，先選定高斯徑向核函數(shù)中的參數(shù)，再由式(2-22)，計算核矩陣K。(3)通過(2-28)修正核矩陣

34、得到KL。(4)運(yùn)用Jacobi迭代方法計算KL的特征值即對應(yīng)的特征向量。(5)特征值按降序排序(通過選擇排序)得并對特征向量進(jìn)行相應(yīng)調(diào)整得。(6)通過施密特正交化方法單位正交化特征向量，得到。(7)計算特征值的累積貢獻(xiàn)率，根據(jù)給定的提取效率，如果,則提取個主分量。(8)計算已修正的核矩陣在提取出的特征向量上的投影，其中。所得的投影即為數(shù)據(jù)經(jīng)KPCA降維后所得數(shù)據(jù)。 4.多維度標(biāo)度法（MDS）多維度標(biāo)度法（Multidimensional,MDS）利用數(shù)據(jù)對象間的接近性，產(chǎn)生一個描述這些特征的空間表示，接近性是指數(shù)據(jù)對象間的相似度或者差異度9。MDS是關(guān)注在歐氏坐標(biāo)系統(tǒng)的特點(diǎn)總的表達(dá)，和所需的

35、信息可以通過適當(dāng)?shù)木嚯x矩陣的譜分解得到的MDS方法不用于原始數(shù)據(jù)集，而是一個（nn）的差異或距離矩陣D，所以數(shù)據(jù)的維數(shù)是不知道。Minkowski距離度量提出了一個通用的方程來確定多為空間的距離： (2-29) 其中，n為維數(shù)，為第i行第k維的值。當(dāng)r=2時，為歐氏距離度量。特別是當(dāng)數(shù)據(jù)是由一個整數(shù)或感性融合維度（如顏色的亮度和飽和度），歐氏距離度量是非常好的。該算法的經(jīng)典方法是歐式集合學(xué)的，具體算法如下：首先，假設(shè)=0，定義X的（nn）距離矩陣。計算i點(diǎn)和j點(diǎn)間的歐式距離為： (2-30)定義，；并且B=HAH，其中H為中心化矩陣。當(dāng)且僅當(dāng)B是半正定矩陣時，D為歐式空間。當(dāng)D為數(shù)據(jù)矩陣X的距

36、離矩陣時， (2-31)式中B是內(nèi)積矩陣。一般由己方下方程給出： (2-32)由（2-29）式可以派生出B： (2-33)使得X矩陣坐標(biāo)中心化，那么，因此，將（2-33）式分別按i和j求和可得： (2-34)由（2-31），（2-32）可得： (2-35)因為，所以 (2-36)因此，我們得到 (2-37) 由前文定義可知，B=HAH，內(nèi)積矩陣可以寫成，其中，是一個n*p的矩陣，因此，B矩陣的秩為： (2-38)由定義可知，B是秩為p，對稱的半正定矩陣，因此，該矩陣有p個非負(fù)特征值，n-p個0特征值。那么B又可以寫成，其中，是B的特征對角矩陣， 是對應(yīng)的特征向量矩陣。因此，X數(shù)據(jù)點(diǎn)在p維實空間

37、表達(dá)為。2.2預(yù)處理方法的應(yīng)用對比1.FIR濾波法以第一名患者第5個動作胸部傳感器采集的數(shù)據(jù)為例，由于生物醫(yī)學(xué)信號為低頻信號，故用FIR低通濾波器除去噪聲。實驗數(shù)據(jù)在56Hz之間，故截止頻率可選為5和6的平均值5.5Hz，本文選用廣泛應(yīng)用的fir1低通濾波器濾波。 圖2-7 胸部傳感器原始數(shù)據(jù) 圖2-8 濾波后的胸部傳感器數(shù)據(jù)fir1濾波器的設(shè)計采用歸一化頻率，若實際采樣頻率為，實際截止頻率為時，則歸一化截止頻率是，本課題中，采樣頻率為102.4Hz，為5.5Hz，因此在MATLAB環(huán)境下=5.5/51.2，默認(rèn)選用漢寧窗，圖2-8為胸部傳感器采集到的原始數(shù)據(jù)，濾波結(jié)果如圖2-7所示。結(jié)果表明

38、，經(jīng)FIR低通濾波器濾波后的數(shù)據(jù)明顯比濾波前很好的保留了原數(shù)據(jù)的細(xì)節(jié)，有效的去除了干擾。2.PCA降維法針對第1個患者第5次動作7個傳感器采集到的42維數(shù)據(jù)，經(jīng)PCA處理可以得到10個主特征時間-電壓信號，結(jié)果如圖2-9、圖2-10所示，表明信號在20s內(nèi)的變化平穩(wěn)程度。 圖2-9 主特征的時間-電壓變化 圖2-10 主特征的時間-電壓變化 結(jié)果表明，經(jīng)PCA處理后，降低了原數(shù)據(jù)的維數(shù)，將原本很大的數(shù)據(jù)變小，可以降低后續(xù)處理的難度，但降維時忽略了原始數(shù)據(jù)的類別屬性。 3.核主成成分分析方法（KPCA）針對第1個患者第5次動作7個傳感器采集到的42維數(shù)據(jù)，經(jīng)KPCA處理可以得到主特征時間-電壓信

39、號，結(jié)果如圖2-11所示，表明信號在20s內(nèi)加速度和角速度的變化平穩(wěn)程度。圖2-11 主特征的時間-電壓變化 4.多維度標(biāo)度法（MDS）針對第1個患者第5次動作7個傳感器采集到的42維數(shù)據(jù)，經(jīng)MDS處理可以得到10個主特征時間-電壓信號，結(jié)果如圖2-12、圖2-13所示，表明信號在20s內(nèi)的變化平穩(wěn)程度。 圖2-12 主特征的時間-電壓變化 圖2-13主特征的時間-電壓變化第3章 神經(jīng)網(wǎng)絡(luò)第3章 神經(jīng)網(wǎng)絡(luò)3.1 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)人工神經(jīng)網(wǎng)絡(luò)就是一種數(shù)學(xué)模型，并應(yīng)用于腦突觸相互連接結(jié)構(gòu)中的信息處理過程21。神經(jīng)網(wǎng)絡(luò)由很多的節(jié)點(diǎn)15（或稱神經(jīng)元）相互聯(lián)系組成，其中的每一個節(jié)點(diǎn)都代表了一種固有的輸出函

40、數(shù)，也稱激勵函數(shù)（activation function）。一個信號通過一定的連接，每個節(jié)點(diǎn)的連接有一個相應(yīng)的加權(quán)值，還叫做權(quán)重，這就是人工神經(jīng)網(wǎng)絡(luò)的記憶15。網(wǎng)絡(luò)的輸出隨網(wǎng)絡(luò)的連接方式和權(quán)重的不同而不同。通過對人類大腦的了解，構(gòu)建的一種新型的信息處理體系，它就是人工神經(jīng)網(wǎng)絡(luò)，雖然現(xiàn)在它只和大腦的某些低級功能相近，但是它已經(jīng)非常接近大腦的智能性特性，人工神經(jīng)網(wǎng)絡(luò)的主要特性如下： 1.并行結(jié)構(gòu)和并行處理特性 人工神經(jīng)網(wǎng)絡(luò)不僅在構(gòu)成上是并行的，而且在數(shù)據(jù)處理的前后方面也是同時進(jìn)行的，按需分布的各個處理單元可實現(xiàn)人工神經(jīng)網(wǎng)絡(luò)的相應(yīng)的算數(shù)處理功能，同一層內(nèi)的處理單元可以同時并行實現(xiàn)計算等操作。因此，神

41、經(jīng)網(wǎng)絡(luò)中信息處理的實現(xiàn)是在大量網(wǎng)絡(luò)神經(jīng)元中并行、分層進(jìn)行的，傳統(tǒng)計算機(jī)的串行處理速度遠(yuǎn)不及神經(jīng)網(wǎng)絡(luò)。 2.知識的分布存儲特性 知識的分布儲存特性是由于信號在人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)上是并行的，那么信號就在整個網(wǎng)絡(luò)中的全部連接處中分布存儲。神經(jīng)網(wǎng)絡(luò)保存豐富的信號時，那么多種信號分成很多部分，分布存儲于每個神經(jīng)元的連接權(quán)中。 3.良好的容錯特性 當(dāng)輸入不完整的數(shù)據(jù)和信息（模糊數(shù)據(jù)，失真，等）和人工神經(jīng)網(wǎng)絡(luò)可以通過關(guān)聯(lián)恢復(fù)完整的記憶，并正確地識別輸入的信息不完整。 4.計算的非精確性和高度的非線性因為人工神經(jīng)網(wǎng)絡(luò)在處理信息和儲存信息上的時空分布是并列的，使得整個網(wǎng)絡(luò)是高度非線性的。同時，把連續(xù)的模擬量信號或

42、不準(zhǔn)確的，不完整的模糊信息，神經(jīng)網(wǎng)絡(luò)都能夠處理，使神經(jīng)網(wǎng)絡(luò)獲得滿意的解決方案，這種計算的非精確性更符合實際。 5.自適應(yīng)性 自適應(yīng)性通常是指系統(tǒng)通過調(diào)整自身的某些能力來應(yīng)對來自本身之外環(huán)境改變的能力，例如自學(xué)習(xí)特性和自組織的特性。網(wǎng)絡(luò)的學(xué)習(xí)行為是指神經(jīng)網(wǎng)絡(luò)訓(xùn)練或感知環(huán)境變化時，可以根據(jù)給定的輸入，得到期望的輸出網(wǎng)絡(luò)的自組織性，是指通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)可以自行調(diào)節(jié)神經(jīng)元之間的連接權(quán)值，進(jìn)而調(diào)節(jié)神經(jīng)元之間的突觸連接，使其具備可塑性，更易于構(gòu)建不同信息處理需求的神經(jīng)網(wǎng)絡(luò)。 基于上述神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，使神經(jīng)網(wǎng)絡(luò)在非線性映射、聯(lián)想記憶、分類識別和優(yōu)化設(shè)計等方面有較好的應(yīng)用前景和效果。3.2 神經(jīng)網(wǎng)絡(luò)模型 神經(jīng)

43、網(wǎng)絡(luò)中最基本的單元是神經(jīng)網(wǎng)絡(luò)模型，它需要有三個最基的本要素如下： 1.神經(jīng)元之間的相互連接就像具有不同的權(quán)重前和突觸后生物突觸神經(jīng)元連接的概念，并且每個神經(jīng)元是一個基本處理單元 - 多輸入單輸出特性。其中輸入使得在神經(jīng)元的輸入?yún)?shù)的一些影響比一些其它輸入更重要，所以每個連接指示其沖擊強(qiáng)度后每個輸入神經(jīng)元的權(quán)重，也被表示為正面和神經(jīng)連接強(qiáng)度后，包括正確的價值觀指示激活的神經(jīng)元抑制神經(jīng)元的負(fù)面代表性。 2.線性求和單元 只有一個神經(jīng)元的輸出單元使用某種線性或非線性函數(shù)顯示輸出和輸入之間的對應(yīng)關(guān)系。 3.非線性激活函數(shù) 每個神經(jīng)元有一定的空間和整合輸出變量閾值要求的能力。輸出限幅的神經(jīng)元在一定范圍內(nèi)

44、，通常，或之間的非線性映射功能，發(fā)揮了，除了一個偏置參數(shù)，偏置的作用是可以左右移動的激活函數(shù)的圖形，增強(qiáng)神經(jīng)網(wǎng)絡(luò)解決復(fù)雜問題的能力。神經(jīng)元的典型是多輸入單輸出的非線性器件，是信息處理的基本單位，共同的結(jié)構(gòu)模型如圖3-1所示。圖3-1 神經(jīng)元結(jié)構(gòu)模型其中，為神經(jīng)元的內(nèi)部狀態(tài)，為閾值，為輸入信號，表示與神經(jīng)元連接的權(quán)值，表示某一外部輸入的控制信號。有四種類型的網(wǎng)絡(luò)，提出了網(wǎng)絡(luò)，在網(wǎng)絡(luò)，在神經(jīng)元連接前反饋，還有網(wǎng)絡(luò)相互網(wǎng)絡(luò)種類。3.2.1 前向網(wǎng)絡(luò) 網(wǎng)絡(luò)的前向結(jié)構(gòu)如圖3-2所示，神經(jīng)元網(wǎng)絡(luò)分層排列，分別是輸入層，隱含層和輸出層。每個神經(jīng)元只接受神經(jīng)元的上一層輸入，前后層神經(jīng)元沒有信號反饋層神經(jīng)元。當(dāng)

45、通過神經(jīng)元層的輸入模式信息，以及傳輸?shù)捻樞?，輸出層上的最終輸出。圖3-2 前向網(wǎng)絡(luò)結(jié)構(gòu)3.2.2 有反饋的前向網(wǎng)絡(luò) 圖3-3所示的結(jié)構(gòu)，這個有反饋的前向網(wǎng)絡(luò)仍然由輸入層，隱含層和輸出層由三層組成。從輸出層神經(jīng)元再到輸入層神經(jīng)元的信號就是反饋信息，這樣的網(wǎng)絡(luò)可以用來存儲模式序列。圖3-3 有反饋的前向網(wǎng)絡(luò)結(jié)構(gòu)3.2.3 層內(nèi)有相互結(jié)合的前向網(wǎng)絡(luò) 圖3-4所示的結(jié)構(gòu)，網(wǎng)絡(luò)仍然輸入層，隱含層和輸出層由三層組成。相互結(jié)合的神經(jīng)元內(nèi)層之間的層的神經(jīng)元可以與側(cè)抑制機(jī)制或興奮了，但是神經(jīng)元的作用可能是有限的這樣一個網(wǎng)絡(luò)內(nèi)的每個級別?；蛟诿恳粚又械纳窠?jīng)元網(wǎng)絡(luò)分成若干組，每一組作為一個整體來操作。例如，您可以將

46、側(cè)抑制原理在一層有一個神經(jīng)元網(wǎng)絡(luò)選擇最大輸出，從而抑制其他神經(jīng)元層的作用，所以在無輸出狀態(tài)。 圖3-4 層內(nèi)有互相結(jié)合的前向網(wǎng)絡(luò)結(jié)構(gòu)3.2.4 相互結(jié)合型網(wǎng)絡(luò) 對網(wǎng)絡(luò)的結(jié)構(gòu)如圖3-5所示，其中任意兩個神經(jīng)元可以互相連接的。提出了無反饋神經(jīng)網(wǎng)絡(luò)，一旦信號通過對神經(jīng)元的神經(jīng)元信息處理。在互助網(wǎng)絡(luò)，信號是從某一初始狀態(tài)轉(zhuǎn)移到網(wǎng)絡(luò)，它可以在幾個變化達(dá)到一定的平衡狀態(tài)。圖3-5 相互結(jié)合型網(wǎng)絡(luò)結(jié)構(gòu)3.3 神經(jīng)網(wǎng)絡(luò)應(yīng)用現(xiàn)狀 神經(jīng)網(wǎng)絡(luò)的應(yīng)用逐漸廣泛，現(xiàn)在發(fā)展到了各個前沿領(lǐng)域，而且在有非常可觀的發(fā)展，在自動控制、智能控制與模式識別、圖像和信號處理、處理組合優(yōu)化問題、傳感技術(shù)與機(jī)器人控制、生物醫(yī)學(xué)工程、傳感器信

47、號處理等方面都有應(yīng)用17。 1.自動控制領(lǐng)域 控制理論中的絕大多數(shù)問題都可以用神經(jīng)網(wǎng)絡(luò)方法解決，主要包括系統(tǒng)辨識和建模、預(yù)測控制、最優(yōu)與自適應(yīng)控制、濾波與容錯控制、模糊控制等。 2.處理組合優(yōu)化問題 最典型的成果是成功有效地解決了旅行推銷員問題（PTSP問題），還解決了最大匹配問題、作業(yè)調(diào)度問題等和裝箱等問題。 3.模式識別神經(jīng)網(wǎng)絡(luò)已廣泛應(yīng)用于人臉識別、字體識別、聲音和指紋的識別、汽車牌照的識別等，還能識別某個目標(biāo)并定位目標(biāo)物體、還有步態(tài)識別等諸多方面 4.圖像、信號處理對圖像的壓縮，恢復(fù)，分割等都有一定的意義，而且還能把各種信號進(jìn)行壓縮，降維，濾波等一系列的處理。 5.傳感器信號處理 對傳感

48、器輸出的非線性特性，傳感器故障檢測，過濾噪聲，補(bǔ)償環(huán)境和多傳感器信息融合集成。 6.機(jī)器人控制 使機(jī)器人的控制更加智能化，而且能自主導(dǎo)航和定位，讓機(jī)器人的協(xié)調(diào)性更好。 近幾年來，國內(nèi)外的企業(yè)家和科學(xué)家開始重視神經(jīng)網(wǎng)絡(luò)的應(yīng)用開發(fā)，他們正在組織并實施相關(guān)的具有很高科研價值的應(yīng)用項目，具體的有DARPAD計劃（美國），HFSP計劃（日本）、“尤里卡”計劃（法國）、“歐洲防御”計劃（德國）和“高科技發(fā)展”計劃（俄羅斯）等。我國相關(guān)研究工作已在各個研究單位和各大高等院校開展。本課題中，在采集數(shù)據(jù)的同時，醫(yī)生對患者的康復(fù)程度做出了判定，0代表正常，1代表不正常，據(jù)此可對采集到的數(shù)據(jù)進(jìn)行分類，基于上述神經(jīng)網(wǎng)

49、絡(luò)的優(yōu)點(diǎn)和應(yīng)用背景，可應(yīng)用神經(jīng)網(wǎng)絡(luò)對本課題數(shù)據(jù)分類。3.4 BP神經(jīng)網(wǎng)絡(luò)3.4.1 BP神經(jīng)網(wǎng)絡(luò)原理 BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是一種采用誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，其構(gòu)成如圖3-6所示，其中，BP神經(jīng)網(wǎng)絡(luò)通常包括輸入層、隱含層、輸出層三層。BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)的基本思想是采用信號的正向傳播同時誤差反向傳播的方式。在信號的正向傳播過程中，數(shù)據(jù)由輸入層進(jìn)入網(wǎng)絡(luò)，經(jīng)過隱含層的處理，最終在輸出層輸出。如果網(wǎng)絡(luò)的輸出不是期望的輸出，則將輸出層的輸出誤差作為調(diào)整網(wǎng)絡(luò)參數(shù)的信號進(jìn)行反向傳播，根據(jù)誤差信號不斷調(diào)整網(wǎng)絡(luò)中的連接權(quán)值和閾值，直到網(wǎng)絡(luò)輸出達(dá)到可以接受精度17。圖3-6 BP網(wǎng)

50、絡(luò)結(jié)構(gòu)圖3-7描繪了多層感知器的一部分兩個基本信號流的方向，網(wǎng)絡(luò)中有兩種信號：1.函數(shù)信號在輸入信號端網(wǎng)絡(luò)的輸入層是信號功能，最后通過神經(jīng)網(wǎng)絡(luò)和神經(jīng)向前傳播，最終達(dá)到網(wǎng)絡(luò)的輸出層，成為網(wǎng)絡(luò)的輸出信號。2.誤差信號一個網(wǎng)絡(luò)的輸出神經(jīng)元產(chǎn)生一個誤差信號，通過網(wǎng)絡(luò)傳輸層的層。被稱為“誤差信號”因為在每次計算錯誤的神經(jīng)元網(wǎng)絡(luò)在各種形式的誤差函數(shù)相關(guān)。圖3-7 兩個基本信號流的方向圖示 網(wǎng)絡(luò)中的每一個隱藏層神經(jīng)元或輸出層神經(jīng)元用來進(jìn)行以下兩種運(yùn)算： (1)計算神經(jīng)元輸出處輸出的函數(shù)信號，該函數(shù)信號是關(guān)于輸入信號和該神經(jīng)元相關(guān)突觸權(quán)值的非線性連續(xù)函數(shù)。 (2)在神經(jīng)輸入的梯度權(quán)重面對計算誤差曲線，通過神經(jīng)網(wǎng)絡(luò)的反向。 BP網(wǎng)絡(luò)由輸入層的節(jié)點(diǎn)，隱層，輸出層，每一層的節(jié)點(diǎn)。神經(jīng)元的細(xì)節(jié)信號流圖3-8所示。圖3-8 神經(jīng)元細(xì)節(jié)的信號流 對于訓(xùn)練樣本