基于粒子群优化的神经网络在药品管理中的应用

论文摘要

数据挖掘是指在数据库中发现潜在的、人们感兴趣的关系及特征。数据库中的知识发现的目标是:1)抽取有趣的模式和特征。2)抽象的表示数据的规律性。3)对数据库按照数据语义进行重组以提高数据库性能。数据挖掘算法现在有许多种,各有不同的适用领域。在医疗卫生方面,医院信息系统的发展已经成熟,并积累了大量的数据,这些未加工的数据关系相当复杂,非线性程度相当高,很难直接去指导医生工作。神经网络自诞生以来,在模式识别、自动控制、信号处理、辅助决策、人工智能等领域得到了广泛的应用。由于神经网络本身良好的鲁棒性、自组织自适应性和快速的并行计算能力,使得神经网络成为数据挖掘的一种重要方法。神经网络算法主要应用于数据挖掘中的分类规则和预测问题。本文深入地研究和分析神经网络算法,并进行了改进,应用到预测问题中,取得了很好的结果。在数据挖掘中应用神经网络,要解决好两个关键问题,一是降低训练时间;二是挖掘结果的可理解性。BP模型是最常用的应用于数据挖掘的神经网络模型。但是,BP模型有收敛速度慢、易陷入局部极小等缺点。针对BP的这些缺点,本文利用粒子群算法对BP算法进行优化。并针对惯性权值线性递减粒子群算法(LDW )不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权的自适应粒子群算法(DCW )。在该算法中引入了参数粒子群进化速度因子和聚集度因子,并根据这两个参数对粒子群算法搜索能力的影响,将惯性因子表示为粒子群进化速度因子和聚集度因子的函数。在每次迭代时算法可根据当前粒子群进化速度因子和聚集度因子动态地改变惯性权值,从而使算法具有动态自适应性,提高了粒子群算法的优化性能。基于本算法利用药品管理系统采集的数据,本文开发了药品预测系统。在建立的药品预测系统之上进行了该算法的实现,经过理论和实验对比分析,该算法大大提高了预测的性能,对医院药品管理具有一定的指导意义。

论文目录

• 摘要
• ABSTRACT
• 一 绪论
• 1.1 引言
• 1.2 国内外研究现状
• 1.3 论文研究的意义和所做工作
• 二 数据挖掘和数据挖掘系统
• 2.1 数据挖掘
• 2.1.1 数据挖掘的功能
• 2.1.2 数据挖掘过程
• 2.1.3 数据挖掘分类
• 2.2 数据挖掘系统
• 2.2.1 数据挖掘系统的应用
• 2.2.2 数据挖掘研究和应用面临的挑战
• 三 人工神经网络
• 3.1 神经网络技术简介
• 3.2 人工神经网络的基本原理
• 3.3 神经网络反向传播算法（BP算法）
• 3.4 典型神经网络
• 3.5 神经网络应用于数据挖掘的发展状况
• 3.6 数据挖掘的分类和预测模式
• 四 采用粒子群算法优化 BP 网络
• 4.1 微粒群算法原理
• 4.2 基本粒子群优化算法的社会行为分析
• 4.3 粒子群优化算法的局限性
• 4.4 带有惯性因子（inertia weight）的改进微粒群算法
• 4.5 粒子群优化算法的应用
• 4.6 进化计算在的神经网络优化中的应用
• 4.7 采用PSO优化神经网络
• 4.8 改进的算法——DCW（Dynamically Changing Weight）算法
• 4.9 模拟试验和结果分析
• 4.9.1 进化速度因子和聚集度因子的确定
• 4.9.2 模拟试验和结果分析
• 4.10 药品预测仿真系统
• 4.11 小结
• 五 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 在读期间发表论文清单
• 致谢