广义回归神经网络（GRNN）在肾综合征出血热发病率预测中的应用

前言 肾综合征出血热在亚洲又称为流行性出血热,主要是由某些鼠类携带传播布尼亚病毒科汉坦病毒属中不同病毒引起的一类自然疫源性疾病,其流行广、病死率高,严重危害人民的生命和健康,属我国重点防治的传染病之一。在疾病监测的基础上,对HFRS疫情进行科学可靠的预测预报,并且有针对性地采取灭鼠和疫苗接种措施的实现,对HFRS的科学防控具有重要的指导意义。 多年来,很多学者尝试了多种传统的方法进行HFRS疫情预测。用于肾综合征出血热的预测模型主要有时间序列模型、回归模型,另外有几种特殊的模型,如高维时空动态趋势模型、灰色预测模型、MarKov模型等。现行的预测方法虽各有优点,但大都集中在对其因果关系回归模型和时间序列模型的分析上,所建立的模型不能全面和本质地反映所预测动态数据的内在结构和复杂特性,从而丢失了某些信息量。 人工神经网络以其独特的并行结构、自适应、自组织、联想记忆、较强的容错性和鲁棒性等特点和独特的信息处理方法,适应了肾综合征出血热发病的高度复杂性、非线性和不确定性,并在实际应用中取得了显著成效。目前为止,在预测时用的最多的是BP神经网络模型,但这种网络在用于预测时,存在收敛速度慢和容易陷入局部极小的缺点;在解决样本量少且噪声较多的问题时,效果并不理想;有时预测的结果受主观因素的影响较大。 广义回归神经网络在逼近能力、分类能力和学习速度上较BP神经网络有着较强的优势,其网络最后收敛于样本量聚集较多的优化回归面,具有较好的外推性;并且在样本数据缺乏时,预测效果也比较好;此外,它还可以处理不稳定的数据。因此,本研究利用传统的BP神经网络和广义回归神经网络分别建立预测模型,并对两者的拟合和预测性能进行比较。 材料与方法 发病率资料来自于辽宁省疾病控制中心,选取辽宁省沈阳市1985～2003年的HFRS年发病率（1/10万）,其间共收集病例5304例,获得了准确可靠的病例资料;鼠情选择1984～2002年每年春、秋两季在监测点收集的监测数据,包括鼠密度和鼠带毒率;气象资料来自沈阳市气象局,选取该地区1984～2002年的平均气温（℃）、气湿（%）、降水量（mm）和日照（hr）。 把1984年该地的气象资料（包括平均气温、相对湿度、降水量和日照）和动物疫情资料（包括鼠密度和鼠带毒率）的6个指标作为样本的第一组输入,将1985年该地HFRS发病率作为样本的第一组输出。依此类推,直至最后取2002年该地的气象资料和动物疫情资料的6个指标作为样本的最后一组输入,将2003年该地HFRS发病率作为样本的最后一组输出。将最后3组样本作为测试样本,在前16组样本中随机选取1个样本（待估点）用来寻找最优光滑因子,剩下的作为训练样本。将输入和输出的数据进行归一化后,利用软件Matlab7.0中的神经网络工具箱编程构建HFRS发病率的广义回归神经网络预测模型和BP神经网络预测模型。采用误差绝对值、平均误差率（MER）及决定系数R2检验其拟合和预测效果。 结果 GRNN的最优光滑因子为0.35;BP神经网络的隐含层数定为6。从拟合效果来看,GRNN和BP神经网络预测模型的MER分别为25.42%和25.55%;两者的R2分别为0.9438和0.9729,总的来说,拟合效果比较满意,两者拟合差异不是很明显。从预测效果来看,两者的MER分别为4.90%和15.16%,GRNN的MER远远小于BP神经网络;两者的R2分别为0.9897和0.9516。 结论 通过GRNN神经网络建立的HFRS发病率预测模型和BP神经网络比较具有较快的学习速度、较好的处理不稳定数据的能力、对小样本预测准确、网络结构较少受人为主观因素影响和预测结果稳定等特点,对解决HFRS等流行情况影响因素复杂的问题有很好的实用价值。