一種改進的BP網絡模型在唇裂手術預測分析中的應用

江瓊琴，宋文廣

（長江大學 計算機科學學院，湖北 荊州 434023）

1 改進BP網絡模型的建模

BP網絡是一種反向傳播的學習方法，其英文全稱為Back-Propagation Neural Network，簡稱為BP神經網絡。該網絡模型是一種由多層感知器構成的網絡拓撲結構，主要由三部分構成：輸入層、隱藏層、輸出層。如下圖1所示。

圖1 原始的BP網絡模型結構圖

由圖1可知，BP網絡拓撲結構為網狀結構，輸入層到隱藏層之間可以有很多條不同的通道，隱藏層到輸出層也有很多條不同的通道。其推理的基本思想是：如果在輸入層輸入a1，a2，…an等n個數據源，通過網絡算法推理在輸出層得到y1，y2，…yq等q個預測的結果數據。這q個預測結果數據與實際測量得到的c1，c2，…cq等q個數據之間的誤差盡可能的小。該實測結果數據是輸入數據的實測數據。利用這種思想，研究一套BP網絡建模的算法，結合計算機編程，利用計算機軟件實現當輸入某些數據時，就能推理得到預測的結果數據與真實值比較接近。從而可以達到預測唇裂修復手術的結果圖。其BP網絡模型的建模過程如下所述。

第一步，設置BP網絡模型的初始搜索方向為負梯度方向，如式（1）。

式（1）中d0為BP網絡模型的搜索方向，

第二步，為了能讓網絡模型能在有限的時間內，準確的推算出輸出結果數據，則必須設置合適的學習速度 ak，ak的值如式（2）。

式（2）中 dk為搜索的方向，ω(k)的值如式（1）所述。

第三步，改進的BP網絡模型梯度的搜索方向，設置為如式（3）。

式（3）中，的值如式（1）所述。

根據前面的建模過程，在Matlab 2010中進行仿真測試，將預測結果值與實測值之間的誤差設置為10-5這個范圍內時，其預測過程的步長為185，如下圖1所示。

圖2 改進BP網絡模型算法的仿真

由圖2可知，在計算機內存2G，主頻2.0G的主機下運行此算法模型是沒有任何問題的，改進的神經網絡算法模型其計算推理的性能可以被客戶所接受。

2 改進BP網絡模型在計算機軟件中的實現

通過對改進BP網絡模型的研究，利用計算機混合編程的技術，將Matlab 2010嵌入到Microsoft Visual Studio 2010中進行軟件設計及編程實現。其利用Matlab 2010設計樣本數據的流程圖如3所示。

圖3 Matlab中BP樣本數據訓練的流程圖

將訓練樣本的計算模型，嵌入到Microsoft Visual Studio 2010中，其預測數據的輸入輸出端通過Microsoft Visual Studio 2010軟件界面來實現，該軟件設計流程如圖4所示。

圖4 混合編程實現軟件設計流程圖

混合編程的實現過程如圖4所示，通過Microsoft Visual Studio 2010的軟件界面將預測的數據輸入到改進BP網絡模型中，啟用Matlab 2010中BP樣本數據訓練過的網絡模型，接著裝載樣本數據，再找到樣本數據中的最大的P，T進行樣本訓練，對輸入的數據進行歸一化的處理，得到預測的結果值。最后將預測結果值輸出。

3 模型在荊州中心醫院唇裂手術預測中的實驗

根據BP網絡的算法設計思想，設定維持軟組織面結構的結構彈簧，防止軟組織過度彎曲的彎曲彈簧，模擬軟組織剪切性能的剪切彈簧，體現軟組織粘彈性的虛擬彈簧。為了簡化BP算法模型，采取現在虛擬手術中常用的擬線彈性模型。質點彈簧模型的運算在Microsoft Visual Studio 2010中事先實現。軟件設計流程如圖5所示。

圖5 BP神經網絡模型仿真實現流程圖

根據軟件設計流程，通過編程實現的軟件界面如下圖6所示。

圖6 唇裂預測軟件主界面窗口

在預測系統軟件中，輸入患者的唇裂圖片就可以看到類似患者采用相同手術后實施手術前后的效果對比圖。這幫助了患者理解手術過程帶來的修復質量，為患者手術預測提供了有利的依據。

4 結束語

通過對BP網絡模型的研究，利用計算機混合編程的技術，將網絡訓練樣本模型通過Matlab 2010實現后，嵌入到Microsoft Visual Studio 2010中進行編程，實現一套唇裂修復預測軟件系統。在荊州中心醫院口腔科，將患者手術前的唇裂圖片掃描輸入到唇裂修復預測軟件系統中，啟動系統，選擇相應的唇裂手術來實施，系統可以自動的輸出得到唇裂修復后的效果圖。幫助唇裂患者進行手術愈合的效果預測提供了直觀、有力的科學依據，很好的協調了醫患關系。

文章創新之處在于提出了一種改進的BP神經網絡系統模型，結合計算機軟件通過混合編程的技術對模型進行了仿真與實測，具有一定的研究參考價值。為唇裂手術預測修復，解決醫患關系起到了重要作用，是唇裂手術預測修復中的一個創新。

[1]呂帥，劉磊，石蓮，等.基于自動推理技術的智能規劃方法[J].軟件學報，2011(5):1226-1238.

[2]Wenguang Song，The Tactics Analysis about Early Phase Ends of the Partial Distortion Search[C]//2008 IEEE.DOI 10.1109/WGEC，2008:324-327.

[3]孫娓娓，劉瓊蓀.BP神經網絡的聯合優化算法[J].計算機工程與應用，2011(12):50-51，54.

[4]杜曉亮，蔣志方，譚業浩，基于樣本自組織聚類的BP神經網絡預測模型[J].計算機工程與應用，2011(21):167-170.

[5]Wenguang Song.The Research of One Self-Adapt Wireless Sensor Network Rate Flow Control[C]//NSWCTC 2009 Table of Contents Volume-2[EI]，2009:267-269.

[6]宋文廣，Levenberg-Marquardt算法的建模及在水敏損害預測中應用[J].化工自動化及儀表，2010，37(4):86-88.

[7]宋文廣，郭海敏，丁文波.Traingd算法模型在油田儲層損害中的應用[J].化工自動化及儀表，2011，38(6):673-675.