，附录仿真程序附录仿真程序高斯型隶属度函数模糊神经网络系统程序，可模糊化特征值的序号可模糊化特征值的最小值可模糊化特征值的最大值，，，附录仿真程序，训练数据集测试数据集隐层个数附录仿真程序，三角形隶属度函数模糊神经网络系统程序，附录仿真程序，附录仿真程序程序运行前应先加上附录中的矩阵。

致谢致谢首先，我要向在毕业设计中给予悉心指导的导师徐力平表示衷心的感谢。

感谢徐老师在本文从选题到完成的过程中所付出的巨大劳动和提出的宝贵意见。

从导师严谨的治学态度和循循善诱的教导中，我不仅学到了经验和知识，还学到了做人的道理。

在此，谨向我尊敬的导师道声谢谢您，您辛苦了，感谢在论文的写作过程中，学院领导给与的方便和支持。

感谢同寝同学的理解感谢师兄董汉磊和师弟刘灿的支持，在和他们对课题的讨论中，我受益匪浅。

同时，感谢同实验室同学的大力帮助。

感谢我的家人长期以来对我的期待关心和支持。

衷心地祝福他们，张华杰年于郑州大学个人简历个人简历出生年月日获得学士学位的学校时间解放军信息工程大学年月获得硕士学位的学校时间郑州大学年月攻读学位期间发表论文徐力平，张华杰平台罗经故障检测的神经网络郑州大学理学版，徐力平，张华杰，吴逸明高斯隶属度函数模糊神经网络在肺癌中的应用郑州大学理学版已录用数和的比值即为对的隶属度的次数二元排序法通过多个事物两两之间的比较，确定其特征的顺序，据此确定该特征模糊神经网络的隶属度函数的形状。

典型函数法根据问题的不同，选用典型函数作为隶属度函数，如高斯型隶属度函数三角形隶属度函数梯形隶属度函数钟形隶属度函数等。

常用隶属度函数的图形常用的隶属度函数图形大致分为五类高斯型函数偏大型函数偏小型函数三角形和梯形函数。

高斯型函数偏大型函数偏小型函数三角形梯形图常用的隶属度函数图形模糊神经网络模糊神经网络模糊神经网络是种新型的神经网络，它在网络中引入了模糊算法或模糊权系数，是具有模糊权系数或者输入信号是模糊量的神经网络，是模糊理论与神经网络相结合的产物。

它汇聚了神经网络与模糊逻辑的优点，集联想识别自适应及模糊信息处理于体。

与人工神经网络相比，它具有更突出的优点。

模糊逻辑的显著特点是它能更直接地表达人类习惯使用的逻辑意义，很适合于直接的或高层的知识表达但另方面，它很难表示定量数据之间复杂的非线性变换关系及过程的变化。

而神经网络可以通过学习机制来实现自适应，自动获得用数据确定的或模糊的表达的知识，但这种知识在神经网络中是隐含地表达的，难以直接看出其含义，从而不能对其进行语义解释。

模糊逻辑和神经网络的结合在定程度上弥补了二者的不足。

模糊神经网络用于肺癌诊断模糊神经网络用于肺癌诊断模糊神经网络的结构模型图模糊神经网络结构如图所示。

模糊神经网络分为层输入层，为患者的个特征值模糊化层，又称数据处理层，用模糊理论知识对输入变量中的个非二值变量进行模糊化处理模糊神经网络用于肺癌诊断隐含层输出层。

模糊神经网络用于肺癌诊断的步骤特征提取和模糊化本文提取的个特征包括项放射学特征和个临床参数。

个放射学特征为卫星病灶胸腔积液气管狭窄情况肺不张病灶大小钙化分叶征肺气肿棘突征血管切迹肺内远处转移纵隔淋巴结肿大纵隔移位纵隔受浸胸膜受浸胸膜浸润毛刺征空洞症密度磨玻璃样改变边缘情况。

个临床参数为年龄性别体重减轻情况吸烟史家族恶性肿瘤史。

个特征中，个非二值变量可以进行模糊化，它们是年龄体重减轻情况吸烟史卫星病灶胸腔积液气管狭窄情况肺不张病灶尺寸毛刺征空洞征密度磨玻璃样改变边缘情况。

经模糊化处理后，每个参数分为个模糊子空间，用大中小个语言变量表示，则个输入变量就有个模糊化神经元与其在个模糊子空间对应的隶属度函数值对应。

则模糊化后的变量为个，即神经网络的输入变量为个。

隶属度函数的选取由于隶属度函数的选取通常是根据主观经验来确定的，本课题中，选用高斯型函数作为隶属度函数。

图高斯型隶属度函数模糊神经网络用于肺癌诊断图中其中分别表示参数的最大值平均值最小值。

其隶属度函数表达式为，小，中，大以吸烟史和密度参数为例例病例的吸烟史参数，即吸烟指数为模糊神经网络用于肺癌诊断由病例数据可知，，。

根据式可得，，把代入可得出吸烟指数的隶属度函数，小，中，大吸烟指数的高斯型隶属度函数曲线模糊神经网络用于肺癌诊断图吸烟指数的隶属度函数曲线例病例的密度参数，，，，，，由病例数据可知，，。

根据式可得，把代入式可得出密度指数的隶属度函数和隶属度函数曲线为，小模糊神经网络用于肺癌诊断，中，大密度参数的高斯型隶属度函数曲线图密度的隶属度函数曲线模糊神经网络用于肺癌诊断隐含层和输出层的处理隐含层的作用是从样本中提取并存储内在的规律。

隐含层节点过多，会产生过拟合，降低泛化能力隐层节点过少，网络从样本中获取信息的能力差，不足以概括和体现样本的规律。

依据参考文献，层隐层已够用。

输出层为单节点输出，表示肺癌，表示非肺癌，以为阈值，大于或等于为肺癌患者，越接近其敏感性越强反之为良性患者，越接近，敏感性越强。

学习率在梯度下降算法中，学习率是网络可变的，应用实例表明可取之间的任意数。

般情况下，当训练到误差曲面的平坦区域时，应增大，加快其收敛速度当训练到误差曲面的剧烈变化区域时，为防止误差增加，应减小。

高斯型和三角形隶属度函数模糊神经网络隐层节点数的确定高斯型隶属度函数模糊神经网络模型分为层，分别为输入层模糊化层隐含层和输出层。

输入层节点数为，对应患者的个特征数据，输出层节点数为，对应患者患肺癌的可能性。

根据确定隐含节点数的经验公式其中为隐层节点数，为输出层节点数，为输入层节点数，为，之间的常数，确定。

大致范围为。

对同样本，采用逐渐增加节点数的方法，对这个数进行数值实验，以测试集误差最小作终止网络训练和确定最佳隐节点数的准则。

输入层采用线性激活函数，隐含层和输出层的激活函数为对数性函数。

表高斯型隶属度函数模糊