全文总字数：2589字

1. 研究目的与意义及国内外研究现状

1） 目的：应用主成分分析法，消除诊断乳腺癌的九个指标间699个数据的相关性，降低网络的输入层数，获得少数综合指标来概括原指标要表达的信息；利用主成分分析后获得的主成分构造bp神经网络进行评估预测，比较两中模型结果的差异，挑选出最能提高检测精度和效率的方法。

2） 意义：当今社会上，乳腺癌的发病率呈已经排在女性恶性肿瘤的第二位，严重威胁了女性的身心健 康。现阶段，医疗方面的诊断主要是通过对病人的各种身体检查，但在检查结束后对检查结果进行确 诊就没有那么容易。可见对于乳腺癌的检测与诊断是多么重要，意味着国家将大力推动乳腺癌检测这 一方面的发展。乳腺癌的早期发现、早期诊断，是提高疗效的关键。为了提高乳腺癌的检测准确率， 分析期检测指标就显得尤为重要。而传统的对乳腺癌指标结果的检测往往忽略了指标间的相关性，使 得检测过程繁琐，准确率也不高。因此经过主成分分析方法可以进一步完善模型，找出最为准确的几 个指标，为乳腺癌的检测寻找有针对性的思路和建议。

2. 研究的基本内容

首先，认识到在我国对乳腺癌诊断的意义与作用，并收集有关资料与相关数据，查阅国内外相关文献，为后续研究做好充分准备。了解BP神经网络的学习过程，并选择适合于本文研究乳腺癌诊断这一网络的合适规模，反复试验得到最佳。确定输入层、输出层和隐含层，建立一个带有隐层的三层BP神经网络。将获得的数据分为训练数据与测试数据，分别运用到网络模型中，得到准确率、迭代次数等相关结果。再从原数据中抽取一些数据进行结果预测，比较其与实际值是否一致。鉴于影响乳腺癌诊断的参数变量较多，采用主成分分析对涉及的较多属性进行降维处理，降低冗余度，用较少的属性代替原来较多的属性。将得到的新的主成分的训练数据与测试数据分别代入算法模型中，得到相关结果，再将抽取的一些数据进行预测看结果是否与实际结果相符。最后将直接使用所有乳腺癌属性数据的预测模型与经过主成分分析后的乳腺癌数据进行预测的模型相比较，找出最优化的模型。

3. 实施方案、进度安排及预期效果

1） 原始数据的采集及处理，查阅文献资料，获取相关变量数据。并将数据分为训练数据和测试数据两部分。

2） 将收集到的原始数据输入传统bp网络预测模型中，得到相关迭代次数与准确率的值，再从原来数据中随意挑选一组数据代入模型中进行模拟检测，将得到的实验结果与实际结果相比较，看两者是否一致，观察误差的大小。

3） 对数据进行主成分分析，降低维度，挑选出新的主成分，并将其代入bp神经网络模型中，重复之前的算法，得到相关结果。随机抽取一组新主成分的数据代入模型中预测，将实验结果与实际结果相比较，看两者是否一致，观察误差的大小。

4. 参考文献

[1]马满芳，陆惠玲，王媛媛，吴华锋，季明，周涛.基于遗传算法—bp神经网络的乳腺肿瘤辅助诊断模型【j】.软件导刊.2016,11,144-148。

[2]李晓峰，杨春山，王雪梅，丁树春.基于bp神经网络的乳腺癌患者存活概率的预测分析【j】.计算机系统应用.2014,05,206-212。

[3]刘春燕，凌建春，寇林元，等.ga-bp神经网络与bp神经网络性能比较【j】.中国卫生统计.2013,30(2):173-181。