基于神经网络的大学生心理障碍诊断专家系统

基于神经网络的大学生心理障碍诊断专家系统摘要：目前大学生的心理障碍问题已引起了社会的广泛关注，但各高校解决该问题的途径有限，还得不到预期的效果。为使该问题能得到改善，借助神经网络专家系统，把国内外的心理学专家的经验尽可能全面导入到大学生心理障碍诊断专家系统中，全方面检测大学生心理状况并及时给出诊断结果，为完善大学生心理健康教育提供便利。关键词：神经网络心理障碍专家系统中图分类号：g64文献标识码：a文章编号：1007-9416(2012)02-0174-02人工神经网络技术的兴起为知识获取开辟了一条新途径。它通过模拟人脑的神经网络结构形式，建立各种网络模型，进行信息处理达到解决问题的目的。如bp网络模型就能通过大量的训练例子，经过学习获取知识[1]。目前高校在大学生心理健康教育领域只是通过学校的心理辅导老师或医院的心理学专家给予咨询指导，但是由于经验水平不一，层次不同，达不到预期的效果。而利用神经网络专家系统能够进行复杂的模式识别和完成规则复杂、无法预先确定化的任务。文章试图借助神经网络专家系统全面综合国内外心理学专家的经验，全方面检测大学生心理状况并及时给出诊断方案。1、人工神经网络的基本思想人工神经网络（artificialneuralnetworks，简记作ann），是对人类大脑系统的一阶特性的一种描述[1]。简单地讲，它是一个数学模型，可以用电子线路来实现，也可以用计算机程序来模拟，是人工智能研究的一种方法[1]。人工神经网络的功能特性由其连接的拓扑结构和突触连接强度，即连接权值决定。神经网络全体连接权值的可用一个矩阵w表示，它的整体反映了神经网络对于所解决问题的知识存储。神经网络能够通过对样本的学习训练，不断改变网络的连接权值以及拓扑结构以使网络的输出不断地接近期望的输出。这一过程称为神经网络的学习或训练，其本质是可变权值的动态调整。神经网络的学习方式是决定神经网络信息处理性能的第三大要素，因此有关学习的研究在神经网络研究中具有重要地位。改变权值的规则称为学习规则或学习算法，在单个处理单元集体进行权值调整时，网络就呈现出“智能”特性，其中有意义的信息就分布地存储在调节后的权值矩阵中。2、bp神经网络模型的原理和结构bp（backpropagation）神经网络是由rumelhart和mccelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一[3]。bp网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。bp神经网络模型拓扑结构包括输入层（input）、隐层（hidelayer）和输出层（outputlayer）（如图1所示）。fig1bpneuralnetworkstructurebp网络的原理是把一个输入矢量经过隐层变换成输出矢量，实现从输入空间到输出空间的映射。由权重实现正向映射，利用当前权重作用下网络的输出与希望实现的映射要求的期望输出进行比较来学习的。但要深入了解我们就先要了解一下bp网络学习算法——反传学习算法（即bp算法）。对于输入信号，要先向前传播到隐层节点，经作用函数后，再把隐节点的输出信号传播到输出节点，最后给出输出结果。节点的作用的激励函数通常选取s型函数，如，式中q为调整激励函数形式的sigmoid参数。该算法的学习过程由正向传播和反向传播组成。正向传播时，传播方向为输入层→隐层→输出层，每层神经元的状态只影响下一层神经元。若在输出层得不到期望的输出，则转向误差信号的反向传播流程，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值，使得误差信号最小。通过这两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程。bp模型把一组样本的i/o问题变为一个非线性优化问题，它使用的是优化中最普通的梯度下降法。3、大学生心理障碍诊断专家系统有关研究和统计结果表明，大学生在心理上的确存在着一系列的不良反应和适应障碍，有的甚至到了极为严重的程度，因心理疾病而休学、退学甚至伤人、自杀的比率近几年呈上升趋势。心理疾病主要是由心理因素造成的。对此，我们设计此诊断专家系统，使大学生可以及时了解自己心理健康状态，为大学生心理健康成长提供有力帮助[4]。鉴于篇幅原因，以从五个特征识别大学生常见心理疾病为例，说明模型服务的开发过程。输入的五个特征包括：行为举止、情绪状态、饮食睡眠、性格特征、躯体疾病，选择大学生常见的四种心理疾病作为训练，构造心理疾病识别神经网络。在实际中的心理疾病的特征要复杂庞大的多，且各个特征间也多有重叠交互，在此仅提供选取五个鲜明共性，构造神经网络识别训练集，如表1所示。该样本设计成如图2所示的神经网络。网络输入层的神经元个数为5个，输出层的神经元个数为4个，隐层的神经元个数为5个。fig.2neuralnetworkofpsychologicalbarrierdistinguishing进行神经元网络计算，需要把文字概念转换为数值。为了便于数据的判别，用六维向量值表示各个特征，其中前三位表示类别，后三位表示特征，则共可以容纳26=64种特征。表1的内容经过文字到数值的转换后的结果见表2。经过改进的bp网络后加入的动量项初始值为0.6，网络学习速率为0.43。网络训练的循环次数规定为5000，训练误差期望为0.000001。通过该神经网络模型来完成大学生心理障碍专家诊断系统。对该神经网络进行训练后，输入四组数据见表3：下表为量化后的实例表4：表4量化后的数据表table4afterthequantitativedatatable运行客户端程序，得到结果报表。所得到报表包含以下内容：(1)完成文字到数值转换后的输入参数；(2)神经网络的计算输出值；(3)根据输出数值得到的结论。得到以下推理结果如图3所示：fig.3resultofcollegestudentpsychologicalbarrierexpertsystem从计算结果中可以看出神经网络的容错效果很好，对第二例，对焦虑症缺省缺乏自信、孤独内向条件时，输出结果是焦虑症（0.9122）；对第三例，输入神经衰弱和焦虑症的共同信息时，神经网络输出既靠近神经衰弱（0.8761），又靠近焦虑症（0.8429），输出结论：该症状是介于神经衰弱症和焦虑症的中间种类，不能被明确识别，神经网络需要进一步训练、学习。4、结语神经网络来源于研究者对真实神经元网络运算能力的模拟，在发展过程中，逐渐显示出学习、记忆、联想等强大的功能，因此神经网络被广泛的应用到很多领域。通过对神经网络在大学生心理障碍诊断中的应用研究，实现了简单的模式识别，达到了预期诊断效果。目前该系统只是对生物神经系统的某种特定性能的简单模拟，如果进行足够的训练和学习，理论上该系统能够进行复杂的模式识别和完成规则复杂、无法预先确定化的任务。参考文献[1]韩力群.人工神经网络教程[m].北京:北京邮电大学出版社,2006:23-27.[2]冯定.神经网络专家系统[m].北京:科学出版社,2006:57-61.[3]高隽.人工神经网络原理及仿真实例（第二版）[m].北京:机械工业出版社,2007:10-11.[4]陈青萍.现代临床心理学[m].北京:中国社会科学出版社,2004:124-130.[5]李维,张诗忠.心理病理卷（中文版）[m].上海:上海教育出版社,2004:74-76.[6]张军.bp神经网络模型的原理及在心理学领域的应用[j].现代预防医学,2006,33(10):18-20.[7]金玉琴,赵群,施诚.人工神经网络及其在中药研究中的应用[j]．医学信息,2007,20（6）：9-16.