评职要发表几篇论文？国家级期刊，还是省级期刊，还是核心期刊，你可以到本站相关栏目下查询哦。

新城疫(Newcastle Disease,ND)是当今全球范围内危害最严重的家禽传染病之一,在我国被列为一类动物传染病。从近年兽医公报中各省ND发病数据来看,ND具有在某一地区内常发的特点,如果能从与该疫病发生相关的诱因入手进行预测研究建立起ND发病率的预测理论或者预测模型,将对我国ND防控起到积极作用,同时还可以为今后重大动物疫病预测预警研究的深入开展提供理论依据。气象条件是影响一些传染病发生、发展的重要因素之一,根据气象资料预测传染病发生强度愈来愈受到人们的关注[1]。目前国内在动物疫病预测预警研究方面开展的工作较少,李静等人对高致病性禽流感建立了风险评估系统,可对影响发病的各种自然因素和社会因素进行发病风险的定量评估[2]。

而人传染病预测研究借助人工神经网络理论开展了大量的工作,例如医院感染风险预测、结合气象因素对疟疾发病率预测、甲型肝炎发病率预测、肾综合征出血热发病率预测等都成功地运用了神经网络原理[3~6]。由于人工神经网络是机器模拟人脑智能活动的杰出代表,已经广泛用于科学研究,应用范围涉及模式识别、自然语言理解等,近年在疾病预测研究中也得到了广泛应用[7]。目前对畜禽传染病多采用定性预测的方法,对诱发传染病因素和发病率进行定量预测分析的报道很少,本研究结合ND发病特点,借鉴已有的传染病预测研究理论,以BP神经网络理论作为研究手段,利用各种关键气象因素数据对我国西南地区某省的ND发病率和发病趋势进行预测研究,建立BP神经网络预测模型,探讨利用气象因素预测ND发病率和发病趋势的方法。

数据资料来源选择我国西南地区某省作为预测模型研究对象,该省区1999—2005年气象数据资料自中国气象局获得。同期该地区ND发病数据源自中国农业部《兽医公报》,家禽饲养量数据参考《中国畜牧业年鉴》。由于《中国畜牧统计年鉴》中各省养禽量数据为年报,所以计算ND发病率时在模型中将每年度禽存栏量作为每月家禽饲养量,以统一计算方法。发病率计算公式ND月发病率=ND月发病数/当年年底家禽存栏量。BP(Back-Propagation)神经网络模型的原理人工神经元是对生物神经元的简化和模拟,它是神经网络的基本处理单元。BP神经网络从模拟生物的神经网络出发,通常包含一个输入层、若干个隐含层和一个输出层,各层中对数据的处理单位称为处理单元。其信息的传递过程为由输入层单向传递。输入信息从输入层经隐含层逐层处理,并传向输出层,每层神经元的状态仅影响下一层神经元的状态。如果输出层没有得到期望的输出,则转入反向传播,将输出值与期望值间的误差信息沿原路返回。通过修改各神经元的权值,减少误差,继续循环,直至全网络误差收敛到规定值内为止,所以这种网络称为BP神经网络。要利用神经网络进行判别分析,必须事先对其进行训练,训练的目的是调节神经元间的联系强度(或称权值),权值不断调整的过程,也就是网络的学习训练过程。此过程一直进行到网络输出的误差减少到开始设定值,或者进行到预先设定的学习次数为止。

气象因素同ND发病率相关性分析　大量研究表明ND发病与季节变化、免疫、饲养方式、野毒侵袭和人员接触以及机体由于应激而造成免疫功能降低等原因有关。本次研究通过对ND发病率与流行病学条件中的气象因素进行相关性分析,探索气象条件变化对ND发生和流行的关系。将当月气象数据作为自变量,将次月ND发病率作为因变量利用SPSS11·0统计学软件对二者进行相关性分析,以便为预测模型的建立提供依据。

输入、输出层样本数据　神经网络预测模型的输入层样本数据为研究对象地区的月平均气象数据,输出层为该地区每月ND发病率。为了使BP神经网络训练拟合效果更好,将神经网络输入层数据气象数据)进行归一化变换,使其值范围为[—公式为X′=(X-Xmin)/(Xmax-Xmin)×2-1;输出层数据则是发病率,归一化处理公式为Y′×0·8+0·1,输出值范围为·1,0·9]。模型训练拟合以后还要将此公式进行反归一化处理,得到实际数据。本次研究将所获得数据按时间分为训练数据组和检验数据组2个组。将年10月—2004年5月该省气象数据(温度、湿度、风速、云量、日照时间和降水量)月平均化再经归一化处理后作为训练网络的输入层,而训练网络的期望输出层数据为1999年11月—2004年6月该地区ND发病率数据。当BP神经网络结构确定以后再用检验数据组来验证所构建的BP神经网络预测模型的准确性,可将2004年6—11月的气象数据带入预测网络中预测2004年7—12月该地区ND发病率。

BP神经网络拓扑结构的确定直接决定预测结果的准确性。采用log-sigmoid函数的三层前向BP人工神经网络在隐层节点数任意变动的条件下,可以任意精度逼近任一N维到M维的连续函数[8],因此本研究采用一个隐含层的神经网络结构。本研究参考公式确定隐含层单元的数量范围,其中为输出单元数,N为输入单元数,a为1~10的常数[9]。在确定输入层单元N(气象因子)和输出层单元M(ND发病率)的数目以后,通过改变常数的数值来改变隐含层单元个数h的方法对BP神经网络进行训练和调整,直到神经网络训练误差达到预先设定的误差最小值为止,最后通过检验组数据来考核网络训练拟合程度是否能够满足预测要求比较不同网络结构下预测准确程度,根据最佳预测11期龚都强等:BP神经网络在新城疫预测研究中的应用结果来确定BP神经网络的结构。网络中各层之间的初始权值W为[—1,1]之间的随机数,可由系统默认。网络学习训练函数、激活函数的选择网络训练的最终目的就是使网络误差均方为全局最小,采用Levenberg-Marquardt训练方法调整网络权值,其训练函数为trainlm。激活函数为函数,即F(x)=1/( 1+ e(-x))。BP神经网络结构见图1。

为输入向量(气象因子),Y为输出向量(发病率为输入层第i个神经元到隐含层第j个神经元之间的连接权值,Wjk为隐含层第j个神经元到输出层第k个神经元之间的连接权值,各权值依据S型激活函数的不断调整而发生变化图1　BP神经网络预测模型结构。BP神经网络的初始化‘logsig’,‘logsig’},‘’);其中minmax(p)为网络输入p的取值范围气象数据p在带入网络之前要经过归一化处理,将数据转换成[—1,1],网络采用3层网络结构,m为隐单元数,n为输出单元数,由于输出变量为ND发病率即n=1,logsig为BP神经网络各层之间的激活函数。

BP神经网络的训练其中P为输入向量,T为目标向量,根据网络学习误差逆传播算法,由前一次训练得到的网络权值及阈值训练得到新的网络权值和阈值。设定网络最小误差为1×10-5,最大训练次数为5 000,其他参数采用系统默认值。训练的最终目的是使网络模拟的发病率与期望输出T之间的误差达到最小。