1、1肿瘤诊断肿瘤诊断2肿瘤细胞诊断肿瘤细胞诊断问题提出问题提出 肿瘤通过穿刺采样肿瘤通过穿刺采样（1）良性）良性（2）恶性）恶性 细胞核的特性细胞核的特性 直径、质地、周长、面积、光滑度、紧密度、直径、质地、周长、面积、光滑度、紧密度、凹陷度、凹陷点数、对称度、断裂度凹陷度、凹陷点数、对称度、断裂度3实验数据实验数据n500个病例个病例n每个病例包括每个病例包括10个特征量的平均值、标准差和个特征量的平均值、标准差和最坏值最坏值n模型：模型：30个特征数据个特征数据n提取特征、分类识别提取特征、分类识别问题：问题：n判断另外判断另外69名已经做穿刺采样的患者名已经做穿刺采样的患者n良性、恶性良性
2、、恶性4数学方法数学方法（1）统计方法）统计方法 欧氏距离，马氏距离欧氏距离，马氏距离（2）神经网络）神经网络 学习识别学习识别5生物神经元结构生物神经元结构 （1）细胞体）细胞体 （2）树突）树突 （3）轴突）轴突 （4）突触：可塑性）突触：可塑性6神经元功能神经元功能 （1 1）兴奋与抑制：）兴奋与抑制：（2 2）学习与遗忘：）学习与遗忘：7MPMP神经网络模型神经网络模型 0)(xf 1 x(b)作用函数 图2-2-2 MP神经元模型 )(ixf i （a）8MPMP神经网络模型另一式：神经网络模型另一式：9作用函数的形式作用函数的形式 图 2-2-3 （a）1 （b）2 10 图 2-
3、2-3 （c）1 （d）2 11对称型阶跃函数对称型阶跃函数图2-2-3 12感知器感知器感知器是模拟人的视觉，接受环境信息，并由神经冲动进感知器是模拟人的视觉，接受环境信息，并由神经冲动进行信息传递的神经网络。行信息传递的神经网络。感知器分单层与多层，是具有学习能力的神经网络。感知器分单层与多层，是具有学习能力的神经网络。13单层感知器单层感知器 单层感知器 njuuu1 yx nw 1w )(xf )(xf 14 学习算法步骤：学习算法步骤：15单层感知器的应用单层感知器的应用 两类模式分类两类模式分类 高维样本空间中，用一个超平面将两类样本分开。高维样本空间中，用一个超平面将两类样本分开
4、。若输入的两类模式是线性可分，则算法一定收敛。若输入的两类模式是线性可分，则算法一定收敛。局限性局限性 若输入模式为线性不可分集合，网络的学习算法不收若输入模式为线性不可分集合，网络的学习算法不收敛，不能进行正确分类敛，不能进行正确分类。16线性可分集合线性可分集合y表表2-3-1 uu12 y 0 0 0 1 0 0 0 1 0 1 1 1 (a)分类器结构 2w 1w 0w y 10u 21uu 1u 2u(b)平面上两类模式分界线 图 2-3-2 平面上两类模式分类 17三维空间上的两类模式三维空间上的两类模式 表表2-3-2 321uuu y 0 0 0 0 0 0 1 0 0 1 0
5、 0 0 1 1 0 1 0 0 1 1 0 1 1 1 1 0 1 1 1 1 1 2u1u 0w 10u y 1w 3w 2w 321uuu 图 2-3-3 三维空间上的两类模式分类 18 （3）可引伸到可引伸到n3维空间上的线性可分集合，一定可找到一超平维空间上的线性可分集合，一定可找到一超平面，将输入模式分为两类。由面，将输入模式分为两类。由n输入输入/单输出的单层感知器实现。单输出的单层感知器实现。线性不可分集合。线性不可分集合。二维平面上的两类模式二维平面上的两类模式异或（异或（XOR）问题，见表。）问题，见表。二维平面中不存在一条直线，将输入模式分为两类，此输入模式称线性不二维平
6、面中不存在一条直线，将输入模式分为两类，此输入模式称线性不可分集合，见图。可分集合，见图。可见：单层感知器不能解决异或问题。可见：单层感知器不能解决异或问题。2u 1u 19多层感知器多层感知器 W2W1y 2z21uu 1z图 2-3-5 三层感知器结构 20 三层感知器解决异或（三层感知器解决异或（XOR）问题）问题 W2W1y 2z21uu 1z图 2-3-5 三层感知器结构 模式空间分两类 1u 2u y 与u1、u2 1 2uy1u 21 三层感知器可识别任一凸多边形或无界的凸区域。三层感知器可识别任一凸多边形或无界的凸区域。更多层感知器网络，可识别更为复杂的图形。更多层感知器网络，可识别更为复杂的图形。
