神经动力学

神经动力学（精选7篇）

神经动力学 篇1

一、引言

神经网络在最近20年中得到了迅速的发展,有关的论文及著作已有许多,而神经网络与数学中动力学系统理论的交叉结合(称之为神经动力学)虽也有所发展,但是在应用上却不是很广泛。

自然界中的现象,我们都可以用数学模型去描述,大体上分为两类,一类是确定性的数学模型,另一类是随机性的数学模型。而动力学模型是最普遍的确定型的数学模型。

在信用风险管理中,信用评级是其重要的组成部分。持续的评估可以帮助信用管理者监测客户的账户。对于现金充足的大公司来说,对银行的评估有助于帮助他们决定分别应在各家银行存入多少钱。对于寻求贷款的企业,几个银行的评估有时可以指导他们选择合适的银行来借款。

许多大的公司、银行、政府及政府机构现存的债务都有各自的信用评级。评级通常是由穆迪标准普尔和惠誉(IBCA)这样的专业机构完成的。根据企业评级结果,银行可以决定对该企业的贷款使用何种等级的贷款利率。例如,一个信用等级较低的企业贷款利率会比较高。企业可以利用银行评级来决定他们在银行的存款额度。

本文着重说明神经动力学模型能够在信用风险管理中得到应用,试图做到举一反三,而不做实证分析,为推动神经动力学在信用分析中的应用提供一些参考意见。尤其是在信用评级分类中,神经动力学模型对数据的要求没有传统的评级方法的要求那么高,且应用较其他领域更直接一些,下面我就来介绍几个比较典型的神经动力学模型。

二、神经动力学模型

(一)数学模型

为了完成对神经网络的数学描述,我们通过指定表达状态随时间改变的方式的一种规则,即一种动力学使神经网络置于一个动力系统之中。

1.离散的单层反馈形神经网络的动力学模型

其中f可以是最简单的二值函数H,也可以S是形单调连续函数,那么得到离散的单层反馈神经网络。下面介绍离散的Hopfield神经网络。

假定在(1)中的f取二值符号函数,sgn形式,又第i个神经元在时刻t的内部状态

2.BSB模型

①BSB模型

设W是对称矩阵,且其最大的特征值有正的实部。记y(n)是模型的初始状态向量,表示启动一个输入。假设模型由N个神经元构成,状态向量的维数也为N,矩阵W是N×N阵,于是BSB模型的算法可以由以下方程完全给出:

②模型的应用——分类

BSB模型的一项基本的应用就是分类,这是由于作为吸引子的超立方体的顶点和相应的定义完善的区域,于是BSB模型被用来作为一种无监护的分类算法,而每一个不动点代表一组相关的数据构成的分类,由正反馈产生的自我放大是分类方法的最重要的特征之一。

Anderson于1990年描述了利用BSB模型进行分类的方法,它可以从不同的放射射线中区分出辐射的信号。在这一应用中,权矩阵是通过误差纠正的线性相关的学习过程得到的。为了详细说明,假设有K个训练的向量

随机选择向量yi,于是权矩阵可以根据偏差纠正算法得到

由式(6)给出的纠偏算法在最小均方意义下接近于理想的条件(7)。学习的过程是为了促使线性结合器给出一组特征向量,相应的特征值等于1。为了模拟雷达分类,BSB模型应用上述方法给出了权矩阵。

3.感知器模型

如果A,B两类样本是线性可分的,即可用一根直线将两类样本分隔开来,而且有一段距离(参见图1),那么形如(8)式的解有无数个。我们采用单层感知器来求解这个问题。

又如图2所示的二维平面中,A类样本分布在原点的附近,B类样本分布在A类样本的外部区域中,两类样本不能用直线分隔开来。

其中z为输出单元,这样得到一个封闭区域即可正确划分两类样本。

(二)模型在信用分类评级上的应用

从理论上讲,以上两类模型都能解决分类问题,前类神经动力学模型是有导师学习的神经网络,是一种具有联想记忆功能的反馈动力学系统,能较好地逼近f,而多层感知器最适合解决分类问题,因为分类问题可视为求解静态的映射f,前向网络通过简单处理单元的复合可获得较强的处理输入输出关系的能力,能更好地逼近f。

三、对神经动力学模型在信用评级中应用的评论

1. 准确性较高

在测试数据为线性关系可分时,则线性判别分析方法的准确性和多层感知器相当。但是在测试数据为非线性关系的情况下,准确性比较高。比如,在信用分类中加入了行业分析、发展潜力等因素的情况下,多层感知器分类的准确性明显地高于多元统计中的判别分析法。

2. 适应性强

多层感知器有较强的适应训练样本变化的能力,当训练样本增加新的数据时,多层感知器能记忆原有的知识,根据新增的数据作适当的调整,使之表示的映射关系能更好地刻画新样本所含的信息。这一点不仅使多层感知器具有较强的适应样本变化的能力,而且还使得它具有动态刻画映射关系的能力,也克服了线性判别分析方法的静态特点。

3. 健壮性

多层感知器对样本的分布、协方差等没有要求,对样本中存在的噪音数据、偏差数据不敏感。线性判别分析方法虽然对噪音数据不很敏感,但它对样本分布和协方差均有很高的要求。

4. 神经网络的主要缺点

(1)对样本的依赖性过强,这就要求在选择样本时既要全面又要典型。因为它很少有人的主观判断的介入,所以它对样本的选择提出了很高的要求。

(2)解释功能差。神经网络被称为黑箱,即它仅能给出一个判断结果,而不能告诉你为什么。为了解决这个缺点,就应该将多层感知器和其他解释功能较好的方法结合起来,形成杂和系统,这样既可以保持神经网络的准确性高、适应性强、健壮性的特点,同时也增加了它的解释功能。

5. 输入特征变量的确定

首先,要从所有的可能的指标中确定出关键指标,这同时也需要依赖于其他的统计方法。第二个问题是样本分成多少个种类,即分成哪几种信用等级比较合适。这些问题都是神经网络方法无法独自解决的,要依赖于其他方法。

参考文献

[1]阮炯,顾凡及,蔡志杰.神经动力学模型方法和应用[M].北京:科学出版社,2002.

[2]英国皇家银行学会布来恩.科伊尔(著),周道,许关伟(译).信用风险管理[M].北京:中信出版社,2003.

[3]石晓军,陈殿左.信用治理:文化、流程与工具[M].北京:机械工业出版社,2004.

[4]约翰.B.考埃特,爱德华.I.爱特曼,保罗.纳拉亚南(著),石晓军,张振霞(译).演进着的信用风险管理:金融领域面临的巨大挑战[M].北京:机械工业出版社,2001.

神经动力学 篇2

关键词：动力学神经网络,MATLAB,故障诊断,应用

1 引言

鉴于传统神经网络处理动态问题能力不足, 笔者提出了由带有积分器和可调反馈系数的神经元构成动力学神经网络的思路。这种新型神经网络能更好的应用到处理时变输入或输出通过时延环节反馈到输入这一类问题, 可以不需像静态网络那样通过外时延环节反馈来描述动态系统, 可以有效简化网络模型。

新型网络中的积分环节可以时刻反应输出状态以便于更好的实时检测系统, 而可调的反馈系数能使网络得到更好的训练。因此, 在MATLAB环境下, 将动力学神经网络应用到故障诊断模型中, 从训练结果中可凸显其优越性。

2 动力学神经网络结构

具有积分环节和可调反馈系数的动力学神经网络结构如图1所示:

网络输入量

隐层输出向量:

输出层输出向量:

期望输出向量:

输入层到隐层之间的权值矩阵:

隐层到输出层之间的权值矩阵:

下面分析各层信号之间的数学关系:

其中转移函数为单极性Sigmoid函数

具有连续、可导的特性, 且有

3 动力学神经网络的理论算法推导

网络学习按照误差的梯度下降法:

误差为

权值调整为

下面分别计算:

假设每次迭代时权值变化很小, 则上式可近似写成递归形式:

4 神经网络利用MATLAB实现故障诊断

神经网络系统设计实现由MATLAB执行。其神经网络工具箱以人工神经网络理论为基础, 用MATLAB语言构造出典型神经网络的激活函数, 使设计者对所选定网络输出的计算变成对激活函数的调用, 提高了工作效率。

基于神经网络模型的故障诊断就是利用样本训练收敛稳定后的节点连接权位向网络输入待诊断的样本征兆参数, 计算网络的实际输出值, 根据值大小排序, 从而确定故障类别。

神经网络故障诊断的流程:将测试信息经过数据预处理, 进行特征提取, 送入网络学习, 给出诊断结果。训练样本六类故障数据如下, 以测试编码作为网络输入, 以故障编码作为输出。

测试编码:11111, 01000, 10000, 11000, 11100, 11110

故障编码:00000, 10000, 01000, 00100, 00010, 00001

根据算法进行网络设置:

网络初始化, 输入层5个神经元对应5个测试点, 输出层5个神经元, 隐含层10个神经元, 其他关联节点和偏差单元的结构配置与图类似。第一层学习率为1.5, 第二层为1.5, 输入层偏差学习率为1.0, 输出层为3000, 误差为0.03, 训练函数为S型函数。

冻结训练好的网络, 以测试编码为输入, 进行样本训练, 使网络处于回想状态, 结果和误差如下:

故障编码第1位:0.0000, 0.9978, 0.0000, 0.0000, 0.0000, 0.0000;

故障编码第2位:0.0000, 0.0001, 0.9981, 0.0000, 0.0000, 0.0000;

故障编码第3位:0.0000, 0.0000, 0.0000, 0.9987, 0.0000, 0.0000;

故障编码第4位:0.0000, 0.0000, 0.0000, 0.0000, 0.9958, 0.0000;

故障编码第5位:0.0000, 0.0000, 0.0000, 0.0000, 0.0000, 0.9963;

误差分别为:0.0000, 0.0022, 0.0019, 0.0013, 0.0042, 0.0037。

5 结论

本文提出的动力学神经网络训练周期少, 误差曲线变化率快, 达到误差曲线收敛的学习次数较少, 仿真误差总和最小, 所以动力学神经网络具有较高的应用价值。

参考文献

神经动力学 篇3

1 资料与方法

1.1 一般资料

选择该院收治的重症颅脑损伤昏迷患者60例, 采用随机数字表法分为研究组和对照组各30例, 研究组中, 男24例, 女6例, 年龄 (40.2±6.3) 岁, 致伤原因:车祸伤23例, 坠落伤4例, 砸伤3例, GCS评分 (3.3±1.0) 分;对照组, 男25例, 女5例, 年龄 (41.0±7.4) 岁, 致伤原因:车祸伤21例, 坠落伤5例, 砸伤4例, GCS评分 (3.0±1.2) 分。

1.2 方法

全部患者入院后给予手术治疗, 同时脱水控制颅内压, 保持呼吸道通畅, 给予神经营养药物、抗感染药物等, 注意观察患者并发症情况, 防止褥疮、应激性溃疡、发热等, 必要时可配合吸氧治疗。研究组在上述治疗的基础上给予亚低温护理, 主要采用降温后复温的方式, 使用物理降温毯, 头部及大血管部放置冰袋, 使患者体温保持在34.5~35.5℃, 亚低温时间控制在1周左右, 然后停用物理降温, 逐渐复温, 防止复温过快, 应每4 h升高体温1度, 患者体温达到36℃后可停止复温, 整个亚低温治疗过程为2周。

1.3 观察指标

患者亚低温护理前后分别采用爱丁堡斯堪的那维亚评分评价患者神经功能缺损情况[2]。采用格拉斯哥预后评分 (GOS) 评价患者治疗效果[3]。护理前后采集患者血液, 采用北京利普生LBY-N6血液流变仪器, 检测护理前后患者血流动力学改变情况。

1.4 统计方法

采用SPSS13.0统计学软件对数据进行处理, 计数资料比较采用χ2检验, 计量资料比较采用t检验。

2 结果

2.1 两组神经功能缺损及G O S预后评分情况

两组护理后, 患者神经功能缺损评分均较治疗前减少, 但是研究组评分明显低于对照组, 差异有统计学意义;两组治疗后GOS评分均升高, 但研究组GOS评分明显高于对照组, 两组差异有统计学意义。见表1。

2.2 两组血流动力学改善情况

护理研究组血流动力学均较护理前改善, 但研究组全血黏度明显低于对照组, 组间差异有统计学意义, 见表2。

3 讨论

重型颅脑损伤预后不良的主要原因是神经功能的损伤, 其中原发性神经功能损伤主要外伤直接损害神经元和胶质细胞引起, 继发性神经损伤则是在外伤后数小时内, 由出血、水肿、炎性反应等引起[4,5], 防止或减少继发性神经损伤是临床治疗减轻脑损害的重要方向。血流动力学是重症颅脑损伤患者微循环灌注的一个重要反应, 血液黏度过高会导致微循环灌注障碍, 出现脑及其他重要器官缺血、缺氧, 严重影响患者预后。

临床研究显示, 重型颅脑损伤后, 患者多存在高粘滞血症, 血液黏度增高, 红细胞聚集导致脑血流缓慢, 循环阻力增高, 最终导致微循环障碍, 脑组织缺血缺氧, 加重脑损伤[6,7]。目前临床对于上述情况多采用自由基清除剂及钙离子阻滞剂等, 但是效果不甚满意。该研究对重型颅脑损伤患者在常规治疗及护理的基础上, 给予亚低温护理, 护理后患者血流检测显示研究组患者血液黏度明显降低, 患者神经功能缺损评分及GOS评分均明显优于常规护理的对照组, 结果证明了亚低温护理在改善神经损伤及血流动力学方面的效果明显。

综上所述, 亚低温护理可以促进重症颅脑外伤患者神经功能损伤恢复, 降低血液粘度, 改善血流动力学, 值得应用。

摘要：目的 探讨亚低温护理对重症颅脑外伤患者神经功能损伤及血流动力学影响。方法 选择该院2010年8月—2012年4月收治的重症颅脑损伤患者60例, 随机分为研究组和对照组各30例, 对照组给予常规综合护理, 研究组在对照组的基础上给予亚低温护理, 护理2周后, 观察两组神经功能损伤情况及血流动力学改善情况。结果 护理后研究组神经功能缺损评分优于对照组, 差异有统计学意义;护理后研究组血流动力学明显改善, 与对照组比较, 差异有统计学意义。结论 亚低温护理可以促进重症颅脑外伤患者神经功能损伤恢复, 降低血液粘度, 改善血流动力学, 值得应用。

关键词：亚低温,护理,重症颅脑损伤,神经功能缺损,血流动力学

参考文献

[1]彭燕妮.亚低温在重型颅脑损伤患者中的应用及护理[J].现代保健, 2012 (2) :134-135.

[2]张振彪, 耿煜, 刘利群.亚低温治疗急性重型颅脑损伤 (附25例报告) [J].吉林大学学报 (医学版) , 2008, 34 (5) :902-902.

[3]于昊, 曹德文.亚低温治疗重型颅脑损伤的临床研究[J].中国实用医药, 2011, 6 (22) :39-40.

[4]Mou Xia.Nursing care of acute severe craniocerebral injure treated with subhypothermia[J].Journal of Qilu Nursing, 2005, 11 (24) :1851-1852.

[5]崔洪侠, 陈慧, 来玉民.亚低温治疗重型颅脑损伤的疗效观察与护理[J].齐鲁护理杂志, 2006, 12 (18) :1755-1756.

[6]傅西安, 赵宁辉, 蒲军, 等.亚低温治疗重型颅脑损伤临床分析[J].国际外科学杂志, 2007, 34 (9) :602-604.

神经动力学 篇4

系统动力学(System Dynamics)是于1956年创立的一门分析和模拟动态复杂系统的学科。它是一种将结构、功能和历史结合起来,通过计算机建模与仿真而定量地研究高阶次、非线性、多重反馈复杂时变系统的系统分析理论与方法。在系统动力学模型中,根据系统变量的性质和意义确定系统的三大变量,即状态变量,速率变量和辅助变量。由于状态变量、速率变量和其他辅助变量之间存在着复杂的非线性关系,对这种关系的研究变得非常困难。在传统的系统动力学建模中,需要通过表函数来确定这样的关系,表函数的建立本身存在着浓厚的猜测与经验的因素在里面,这样构建的模型往往具有很大的主观性,并需要耗费大量的建模时间[1,2,3,4,5,6]。鉴于此,可以利用ANN(Artificial Neural Network,人工神经网络)模型来解决此类问题中系统变量之间复杂关系的描述问题。只要学习样本足够的多,网络结构和训练参数设计合理,那么它能够非常容易和准确地仿真变量间复杂的非线性映射关系。在大大降低建模难度和建模时间的同时,减少了人为因素的干扰,也有效地减少辅助变量和中间变量的个数。因为它不是利用函数表达式来描述变量之间的关系,而是通过ANN模型的结构和状态来体现这种关系[7,8,9,10,11,12]。

1 BP神经网络

在上世纪80年代中期,美国学者Rumelhart、McCelland[13]和他们的同事洞察到ANN信息处理的重要性,发展了反向传播(BackPropagation)网络学习算法,创立了反向传播神经网络(BackPropagation Artificial Neural Networks,以下简称BP网络),实现了多层网络的设想。它是在感知器中加入隐层并使用—广义算法进行学习之后发展起来的。表现为多层网络结构,相邻层之间为单向完全连接,由于这种对老的感知器模型的改进,使BP网络对输入输出节点的数量没有限制,使很多问题可以转化为用BP网络能够解决的问题。目前,在ANN的实际应用中,绝大部分的神经网络模型采用BP网络和它的变化形式,它也是前向网络的核心部分,体现了ANN最精华的部分。它的结构如图1所示。

这样的BP神经网络可以逼近任何的连续函数,如果隐含层包含足够多的神经元,它还可以逼近任何具有有限个断点的非连续函数。

2 基于B样条插值的BP网络模型学习样本的构建

构建ANN模型需要大量的学习和训练样本,样本数量越多,构建的ANN模型就越精确,泛化能力也越强。在实际研究中,由调查或实验所得到的数据总是有限的,由于数据的限制,因此想到用插值的方法来构建学习样本。之所以能够这样做,是因为对于ANN模型而言,它具有强大的学习性和鲁棒性,它不要求精确无误的学习样本,它对学习的样本具有强大的纠错识别能力,只要插值样本能够大体反映实际样本的规律和发展趋势即可。B样条插值曲线是工程上最常用的样条曲线,它可以给出非常光滑的插值曲线,它在数值逼近、常微分方程求解以及工程计算中应用均相当广泛。在ANN样条插值工具箱中,函数spline()可以用来以插值的方式生成B样条函数。然后在节点外生成大量的插值点,用生成的B样条函数来预测这些点处的值。从而达到利用这条曲线上充足的插值点和实际节点一起作为ANN模型构建的学习样本[14,15]。

本文以某城市的系统动力学模型的经济子系统流图为例,选取第二产业总产值这个状态变量为代表。从流图中得到影响第二产业总产值增长率DY(增大率与减小率之差)的变量有六个,分别是:大专以上人口比例(Xl)、从事第二产业人口比例(X2)、城市化程度(X3)、R&D投入占GDP比重(X4)、对二产的投资率(X5)、能源价格(X6)。以1998年~2007年的数据作为插值节点,利用三次B样条函数进行插值,用B样条曲线来将这10年数据整合起来。下面结合编程的插值的程序段将此过程叙述如下:

图2为六个自变量的插值曲线,图3为因变量DY的插值曲线。这些曲线上的每一个点都可以用作BP网络的学习样本。将以上经插值得到的1000个样本用于ANN模型的构建,通过ANN对这些样本之间规律的学习,来仿真它们之间复杂的非线性关系。

3 结论

由于系统动力学模型是一个复杂的非线性的时变系统,就决定了变量之间的关系是也极其复杂的,很难用数学表达式来将这要的关系表示出来。因此,ANN的模型与方法便能够显现出它的优越性,即模型的建立主要依赖于训练样本数据。采用B样条插值的方法很好地解决了构建ANN模型中学习样本不足的问题,当样本足够多的时候,通过建立BP网络来对样本进行学习和训练,直到网络完全“掌握”了输入-输出之间的对应关系为止。然后利用训练好的BP网络的泛化能力来预测系统变量的发展趋势。当系统环境发生变化时,只需要输入新的资料让模型再学习,即可很快跟踪系统的变化。

摘要：在系统动力学建模的过程中,系统变量之间的关系难以确定,传统的建模方法存在着很大的主观性,利用BP神经网络的方法则可以避免这个问题。而在建立BP神经网络过程中需要大量的学习样本,然而通常采集到的数据往往是不足的。用3次B样条函数对历史数据进行插值的方法构建系统中状态变量的学习样本,解决BP神经网络模型中学习样本不足的缺点,能更好的反应变量之间的非线性映射关系。

神经动力学 篇5

1 主要资料和麻醉方法

1.1 主要资料

该实验方便选择该院自2014年2月—2015年2月接收的60例双膝关节置换术患者, 其中男性32例, 女性28例, 年龄60~78岁, 同时以上所选的病例中患者没有严重的心肺疾病以及重要的脏器功能的衰竭, 没有严重认知障碍, 病情基本稳定。其中老年合并症中高血压21例, 冠心病5例, 糖尿病患者20例。实验将60名患者分为实验组和对照组各30例, 所有的患者在手术前需签订和实验内容的相关协议, 并对实验情况完全知晓。该次实验经伦理委员会批准。

1.2 两组实施不同的麻醉方法

两组患者在手术30 min前均进行常规的肌注射阿托品0.5 mg, 在患者进入手术室后使用检测仪对患者的心率、心电图、脉搏血氧饱和度以及脑电双频指数进行监测。两组患者中对照组不进行双股神经阻滞穿刺。实验组患者实施全麻诱导前神经刺激器的协助下对双侧骨神经进行穿刺。对实验组患者的腹股沟韧带下2 cm的位置定位股动脉, 将50 mm长的电刺激针于股动脉外侧1 cm处与皮肤形成30度进针, 刺激电流1 m A, 患者的股四头肌出现明显收缩或是伴有膝盖跳动时, 降低刺激针的电流至0.3 m A, 股四头肌仍有明显收缩时注入0.375%罗哌卡因 (国药准字H20060137) 3 m L, 此时对患者观察5 min后患者没有局部麻药中毒反应后, 单侧缓慢推注0.375%罗哌卡因17 m L, 推注过程中需要注意患者血液是否出现回流的情形。双侧股神经穿刺给予0.375%罗哌卡因40 m L。

1.3 对两组患者进行的观察

观察麻醉前、全麻诱导后、全麻诱导后即刻、手术开始、手术开始60 min、手术进行120 min、患者苏醒时HR、平均脉动压进行比较。对实验组和对照组患者的进行的手术时间以及止血所用的时间。术中使用的丙泊酚、芬太尼、瑞芬太尼的用量做出记录, 对患者的苏醒时间、拔管时间。

1.4 统计方法

该次调查所有数据均采用软件SPSS 20.0进行统计分析, 计数资料均采用百分比 (%) 表示, 计量资料采用 (±s) 表示, 用t检验, P<0.05为差异具有统计学意义。

2 实验结果

两组患者全部顺利完成麻醉和手术, 实验组和对照组患者的手术时间分别是 (171.2±42.6) min和 (165.2±20.6) min, 手术时间没有明显差异, 但是止血带应用的时间分别是 (109.3±21.1) min、 (122.5±21.6) min数据比较差异有统计学意义 (P<0.05) 。其他数据参考表1。

3 讨论

我国的老年双膝置换手术中经常使用的麻醉方法是椎管内麻醉会使实施全身麻醉, 该种麻醉方式对于存在脊椎骨质增生的患者来讲, 韧带钙化普遍, 导致麻醉穿刺过程中难度增加, 对患者造成了手术的痛苦, 并且会出现麻醉风险[3,4]。神经刺激器和超声下的辅助穿刺极大的提高神经阻滞的成功率。神经阻滞对患者的循环呼吸影响也比较小, 不但很好的和硬膜外镇痛产生了相同的麻醉效果且降低了手术并发症的发生, 降低患者的吗啡需求量[5,6]。在单侧膝关节置换术中经常使用的神经阻滞方法是腰丛和坐骨神经同股神经阻滞相结合的方式, 但是腰丛坐骨神经的位置比较深, 在对患者实施穿刺时需要患者的侧卧位的配合, 姿势保持时间比较长。相比较之下股神经穿刺的位置相对比较浅, 患者在穿刺的过程中只需要保持仰卧位即可, 神经刺激仪能够很好的对神经进行定位, 保证了麻醉实施的成功率[7,8]。在研究哌罗卡因的剂量最大为150 mg, 但未出现麻药中毒的不良反应。

冠心病、缺血性脑梗死在老年患者中出现的频率比较高, 老年人对麻药的耐受性较差, 手术的刺激很容易引起老年人血压的升高而发生脑血管意外。在该研究中的患者中有近一半的患者由高血压和糖尿病, 因此麻醉药物在老年患者中的使用要更加谨慎[9,10]。

该次研究中, 两组患者均在进行麻醉后顺利完成手术, 实验组和对照组的手术时间没有明显的差异, 止血带应用的时间分别是 (109.3±21.1) min、 (122.5±21.6) min, 两组的数据比较具有明显的差异, 实验组的丙泊酚等药物用量明显低于对照组, 患者的苏醒时间和拔管时间明显短于对照组。该结果同李红培等人[1]的研究结果[观察组与对照组手术时间分别为 (171.3±42.5) min、 (165.0±20.2) min, 止血带应用时间分别是 (109.4±21.0) min、 (122.6±21.5) min]保持一致。

综上可知, 双侧股神经阻滞麻醉同全身麻醉相比在老年双膝关节置换术中患者的具有明显的优势, 可以在手术中减少对患者使用静脉镇静和镇痛药物, 稳定患者血流动力, 缩短了患者的术后苏醒时间。

参考文献

[1]李红培, 李皓, 公茂伟, 等.双侧股神经阻滞复合全身麻醉在老年患者双膝关节置换术中的应用[J].山东医药, 2014 (19) :71-73.

[2]马冬梅, 梅静, 徐桂萍.股神经阻滞对老年膝关节置换手术患者围术期心率变异性的影响[J].中华临床医师杂志:电子版, 2015 (22) :30-33.

[3]王凯, 韩威利, 孟瑞霞.超声引导的股神经阻滞复合右美托嘧啶在老年患者单侧膝关节清理手术中的应用[J].临床医药文献电子杂志, 2015 (5) :882-883.

[4]罗振国, 肖莉, 吴刚, 等.不同下肢神经阻滞复合全麻用于老年膝关节置换术的临床效果[J].山西医科大学学报, 2014, 45 (7) :657-660.

[5]李飞, 张柏银.神经刺激仪定位下行腰丛-坐骨神经联合阻滞在老年患者膝关节置换术中的临床应用[J].中外医学研究, 2014 (18) :29-30.

[6]郑晓铸, 夏燕飞, 周嘉莉, 等.下肢神经阻滞在老年膝关节置换术中的应用[J].中华全科医学, 2014, 12 (3) :491-492.

[7]周日永, 胡霞蔚, 徐旭仲.右旋美托咪啶对神经阻滞麻醉在下肢骨折手术中止血带耐受及血流动力学的影响[J].现代实用医学, 2014, 26 (11) :1389-1391.

[8]赵方, 银瑞, 尹彩星.坐骨神经阻滞联合连续股神经阻滞对单侧膝关节置换术中及术后应激反应的影响[J].中国老年学杂志, 2015 (24) :7111-7113.

[9]杨丽, 董文理, 张郃, 等.不同方式给予右美托咪定对腰丛联合坐骨神经阻滞下老年患者单侧下肢手术中镇静和血流动力学的影响[J].临床外科杂志, 2014 (12) :952-954.

神经动力学 篇6

1临床资料

1.1一般资料120例患者来自佛山市顺德区中医院疼痛科、针灸科及神经内科,根据就诊的先后顺序,按随机数字表法分为A组、B组、C组和D组各30例。各组患者性别、年龄及病程等方面的比较无显著差异(P>0.05),具有可比性。见表1。

1.2诊断标准参照2008年第三届《全国颈椎病专题座谈会纪要》[2]中的相关内容制定。

1.3纳入标准(1)符合椎动脉型颈椎病诊断标准;(2)年龄20~60岁,性别不限;(3)知情同意。

1.4排除标准(1)颈椎有骨折、脱位、结核等者;(2)耳源性或眼源性眩晕者;(3)意向妊娠、孕妇或哺乳期妇女;(4)颅内器质性病变所致眩晕者,如脑出血、脑肿瘤等;(5)合并心、肝、肾、造血系统、内分泌系统等严重原发性疾病或精神病者;(6)其它类型的颈椎病者;(7)过敏体质及对超激光照射过敏者。

1.3治疗方法采用超激光疼痛治疗仪(日本东京株式会社,HA550)B探头置于C7横突基底部,照射星状神经节。具体方法如下:(1)A组采用模式一。照射2s,间隔3s,照射强度70%;(2)B组采用模式二。照射3s,间隔3s,照射强度70%;(3)C组采用模式三。照射3s,间隔2s,照射强度70%;(4)D组采用模式四。照射3s,间隔2s,照射强度80%。四组均10min/次,1次/d,双侧交替,7d为1个疗程,治疗2个疗程,疗程间休息7d。

1.5观察指标分别在治疗前后采用三星麦迪逊彩超X7各测定一次双侧椎动脉(VA)平均血流速度(Vm)及动脉搏动指数(PI),取双侧平均值。

1.6统计学处理数据采用SPSS 19.0统计软件进行分析,计数资料采用χ2检验;计量资料用±s表示,组间比较采用单因素方差分析,两组间比较采用LSD检验,组内比较采用配对t检验。以α=0.05为检验水准。

2结果

治疗前各组VA的Vm、PI比较差异均无统计学意义(P>0.05);治疗后各组VA的Vm较本组治疗前上升,PI较本组治疗前下降,差异具有统计学意义(P<0.05);组间比较,D组改善优于其它三组,C组改善优于A、B两组,B组改善优于A组,差异均有统计学意义(P<0.05)。见表2。

注:与本组治疗前比较,(1):P<0.05;与A组比较,(2):P<0.05;与B组比较,(3):P<0.05;与C组比较,(4):P<0.05

3讨论

椎动脉型颈椎病是一种退行性疾病,其发病率有逐年上升的趋势,且发病年龄趋于年轻化。颈椎生理曲度异常、骨质增生、椎间隙狭窄、椎体排列错位及神经根炎症均可造成椎动脉、颈内及颈外动脉受压、扭曲及其动脉内膜斑块和交感神经受压是其发病的主要因素[3]。星状神经节主要是由第一胸交感神经节与

颈下交感神经节交汇融合形成,因此在对患者行星状神经节阻滞时往往会出现神经节支配范围内出现交感神经阻断、Horner综合征等症状,抑制交感神经作用,从而对颈动脉等血管进行有效抑制,改善椎动脉循环状况,改善症状等[4]。所以适用于椎动脉型颈椎病,另外亦可用于急慢性疼痛疾病、循环系统疾病、神经麻痹等的治疗。而以激光照射星状神经节具有相对于星状神经节阻滞的效果,进而治疗相关疾病。

研究[5,6]指出,椎动脉型颈椎病患者的椎动脉血流动力学发生异常改变,血流速度峰值显著低于正常者,而其血管的阻力指数及搏动指数却比正常者显著增高,因此,椎动脉型颈椎病的疗效评估应对椎动脉血流动力学的变化情况进行监测。本次研究结果表明,各组均能升高Vm,降低PI,提示超激光星状神经节照射能够纠正椎动脉血流动力学的异常改变,改善椎动脉循环。此外,对于上述指标的调节,B组改善优于A组,差异均有统计学意义(P<0.05),提示延长照射时间的效果更好;C组改善优于A、B两组,差异均有统计学意义(P<0.05),说明缩短照射间隔时间的效果更优;D组改善优于其它三组,差异均有统计学意义(P<0.05),指出提高照射强度对指标的改善更大。但应注意,不能为了提高临床效果,大幅度提高照射强度,照射强度达90%时患者照射区会出现难以忍受性灼热感,需降低照射强度。

综上所述,延长照射时间和/或缩短照射间隔时间、提高照射强度对椎动脉型颈椎病VA的Vm及PI影响显著,而超激光星状神经节照射模式四(照射3s,间隔2s,照射强度80%)是治疗椎动脉型颈椎病的最佳模式,值得推广应用。

摘要：将120例患者按就诊的先后顺序,采用随机数字表法分为A组、B组、C组和D组各30例。A组采用照射模式一(照射2s,间隔3s,照射强度70%),B组采用照射模式二(照射3s,间隔3s,照射强度70%),C组采用照射模式三(照射3s,间隔2s,照射强度70%),D组采用照射模式四(照射3s,间隔2s,照射强度80%)。10min/次,1次/d,双侧交替,7d为1个疗程,治疗2个疗程,疗程间间休息7d。观察治疗前后椎动脉(VA)的平均血流速度(Vm)、搏动指数(PI),并进行对比分析。治疗后各组VA的Vm均上升,PI均下降,与本组治疗前比较,差异有统计学意义(P<0.05);组间比较,D组改善优于其它三组,C组改善优于A、B两组,B组改善优于A组,差异均有统计学意义(P<0.05)。不同模式超激光星状神经节照射对患者VA的Vm、PI产生不同的影响,其中延长照射时间和/或缩短照射间隔时间、提高照射强度对患者VA的Vm、PI影响显著。

关键词：颈椎病/椎动脉型,超激光/不同模式,星状神经节,平均血流速度,搏动指数

参考文献

[1]常洪,戴逸龙,刘兵,等.星状神经节药物阻滞联合超激光照射治疗椎动脉型颈椎病的临床研究[J].中国医学工程杂志,2003,11(6):99-100.

[2]李增春,陈德玉,吴德升,等.第三届全国颈椎病专题座谈会纪要[J].中华外科杂志,2008,46(23):1796-1799.

[3]潘晓华,孙莹,赵彤,等.椎动脉型颈椎病患者治疗前后血管声像图与血流动力学变化[J].中国老年学杂志,2014,34(24):7076-7077.

[4]Takagawa R,Kunisaki C,Kimura J,et al.A pilot study comparing jejuna pouch and jejuna interposition reconstruction after proximal gastrectomy[J]Dig Surg,2010,27(6):502-508.

[5]石向明,王辉,刘创建,等.椎动脉型颈椎病患者狭窄椎动脉与正常椎动脉的血流动力学差异[J].颈腰痛杂志,2012,33(4):253-256.

神经动力学 篇7

作为一门新兴的信息处理科学, 人工神经网络是以人类大脑的工作模式为基础而日益发展起来的一门新型学科, 近年来得到越来越多的专家和学者的重视。BP神经网络因其可塑性强、结构简单等特性, 在各领域中得到了广泛的应用。但标准BP神经网络又存在几个较为明显的缺陷, 具体如下:训练过程中易出现振荡和波动现象、收敛速度过慢、易陷入局部极小和自身网络结构难以确定等。针对上述缺陷, 学者们提出了很多改进算法, 而本文提出一种以相对误差作为误差信号的改进算法, 对BP神经网络算法进行改进[1]。

1 标准BP算法

BP神经网络模型是由输入层、隐含层和输出层组成, 其中隐含层可以是1层或多层。其学习过程如下:输入信号从输入层通过各隐含层, 向输出层传递, 在输出端产生输出信号。传递过程中各层神经元状态只影响下层神经元的状态, 并且信号在传递过程中网络权值保持不变。

若输出层得不到期望的输出, 则输出端的误差信号开始从输出层逐层向前传递, 在误差反向传播过程中, 误差反馈调节网络的权值, 不断修正网络的权值, 使得实际输出与期望输出更为接近[2]。

以一个3层BP神经网络为例 (见图1) , x0=-1, y0=-1, 输入向量X= (X1, X2, ...., Xr, ..., Xp) T, 对应任一训练样本Xk= (x1, x2, ...xi, ..., xn) T的隐含层输出向量为Yk= (y1, y2, ..., yj, ..., ym) T, 实际输出为Or= (o1, o2, ..., ok, ..., ol) T, 期望输出为dr= (d1, d2, ..., dk, ..., dl) T, 输入层到隐含层的权值矩阵为V= (V1, V2, ..., Vj, ..., Vm) , 隐含层到输出层的权值矩阵为W= (W1, W2, ..., Wk, ..., Wl) 。

输出层中有

隐含层中有

其中, 每个神经元的激励函数是可微的Sigmoid函数, 则

且有

输出层各神经元的误差能量总和为

式 (1) ~式 (6) 构成了标准BP神经网络的基本数学模型[3]。

2 标准BP算法的缺点

BP神经网络以其可塑性强、结构简单等优点得到广泛应用, 但标准BP算法也因其自身原因存在一些不可避免的缺点:

1) 收敛速度慢。在BP算法中, 学习率η的选取至关重要, η值越大则网络收敛速度就越快, 但是过大的η值会引起网络不稳定;η值小可以避免网络不稳定, 但收敛速度则会变慢。因此, 固定的学习率严重制约了BP神经网络的收敛速度。

2) 易陷入局部极小值。在BP网络的误差计算中, 由于多层网络误差计算较为复杂, 容易出现存在多个局部极小值的可能, 因此当标准BP算法收敛时, 无法判断是否已求到最优解。

3) 隐含层层数及神经元数的选取没有相应理论指导。目前, 隐含层层数及神经元数的选取大多依靠以往经验选取, 缺乏相应理论依据, 因此网络可能存在极大的亢余性, 使得网络运算速度增加。

4) 对于数值数量关系差距较大的数据预测效果较差[4,5,6,7]。在BP网络的误差计算中, 当实验数据数量关系相对较大时, 往往会导致预测结果误差偏大。

此外, BP网络还存在学习率、初始权值等选取的大小影响网络运算快慢等问题, 所以在学习率、初始权值的选取上需要经过反复测试, 在此过程中也需要很长的时间。

本文正是针对第1点和第4点的不足, 应用数据的相对误差作为误差信号来对标准BP算法进行改进, 以提高对于数值数量关系差距较大的数据进行预测时的运算速度和精度。

3 BP算法的改进

应用标准BP算法预测数值的过程中, 在数据中存在数量关系差距较大的情况下, 往往会使得误差偏大。这是由于BP算法通常采用绝对误差作为误差传递信号, 而当数据间数量关系差距较大时, 其绝对误差往往会因不考虑与实际值间关系而在无形中将系统整体误差值放大, 从而导致最终预测结果精确度不高、运算速度较慢。因此, 采用相对误差作为网络误差的传递信号, 则可以很好地避免此类不足所带来的影响。为此, 提出一种以相对误差作为误差传递信号的改进方法是很有实际意义的。下面将应用相对误差作为误差传递函数的过程进行如下推导。

设相对误差作为误差信号, 从后向前传递, 依次修改各层联接权值。以图1中的3层BP神经网络为例, 其反向传播过程如下:

隐含层与输出层之间的权值修正量设为Δωjp (n) , 由于在BP算法中权值修正量与误差对权值的偏微分成正比, 即

其中, 为输入信号经由两次隐含层所得到的信号, 则

设局部梯度为

当逻辑函数为时, 有

因此, 修正量为

其中, η为学习率;vjj (n) 可由信号正向传播求得。

隐层上任意节点下一次迭代时与输出层上任一节点之间的权值为

隐层与隐层间的权值修正量为

设局部梯度为

又因为

所以有

又因为

所以有

那么, 下次迭代时隐层上任意节点与另一隐层上任意节点间的权值为

输入层与隐层间权值修正量的推导方法与隐层与隐层间权值修正量的推导方法相同。权值修正量为

那么, 下次迭代时输入层上任一节点与隐层上任一节点间的权值为

4 应用实例

以预测黑龙江省农机总动力为例, 根据黑龙江省统计年鉴, 黑龙江省1980-2009年农机总动力如表1所示[7]。

MW

下面以标准BP算法和上文所述的应用相对误差作为误差传递函数的改进BP算法, 分别对该数据进行拟合, 并预测2011-2013年的黑龙江省农机总动力。训练采用的BP神经网络结构均为3-4-1, 同时应用两种算法训练500 000次, 其预测精度情况如表2所示。考虑到初始权值选取对预测结果的影响, 表2中的结果为训练10次得到的平均值。由表2可知:标准BP算法经过500 000次训练后得到的平均相对误差为2.829%;而改进后的BP算法经同样训练次数后得到的平均相对误差为1.824%, 其预测精度明显提高。

5 结论

以相对误差作为误差传递信号, 可以明显提高相同运算次数下预测值的精度。本文创新点在于提出了一种新的改进思想, 并且这种改进思想可结合其他改进算法应用, 在更大程度上提高预测的精度和运算速度, 为BP神经网络的广泛应用打下坚实的基础。

摘要：BP神经网络在人工神经网络中起着至关重要的作用, 通过分析标准BP神经网络的基本算法, 指出标准BP算法的一些不足, 并针对这些不足提出了以一种以相对误差作为误差传递信号的新的改进方法。经试验证明:该方法大大提高了BP神经网络预测结果的精度, 同时这种新的改进思想也可以结合其他改进方法一起应用, 以更大程度上地提高BP神经网络的运算速度和预测精度。

关键词：农机总动力,预测,BP算法,相对误差

参考文献

[1]王吉权.BP神经网络的理论及其在农业机械化中的应用研究[D].沈阳:沈阳农业大学, 2011.

[2]高隽.人工神经网络原理及仿真实例[M].北京:机械工业出版社, 2007.

[3]王燕妮, 樊养余.改进BP神经网络的自适应预测算法[J].计算机工程与应用, 2010, 46 (17) :23-26.

[4]陈思.一种BP神经网络学习率的改进方法[J].长春师范学院学报:自然科学版, 2010, 29 (4) :25-27.

[5]罗四维, 肖晔, 丁嘉种.学习率自动调整的BP算法[J].北方交通大学学报, 1993, 17 (2) :173-177.

[6]邓娟, 杨家明.一种改进的BP算法神经网络[J].东华大学学报:自然科学版, 2005, 31 (3) :123-126.