误差反向传播神经网络(BPN)具有自适应、自学习能力强等特点,在解决非线性的复杂问题上有着重要价值。但它存在易陷入局部最小、收敛速度慢、泛化能力不强等缺点。本文从训练样本和训练算法着手,对BPN的优化进行了研究,并在此基础上,对建立胃部疾病超声诊断模型进行了研究。首先,本文利用均矢量相似性,对BPN训练样本集的分割方法进行了研究。一般来说,数据收集完成后,总样本就已经确定,因此,提高训练样本质量主要从样本抽取方法着手。为了提高神经网络训练样本的质量,本文基于均矢量相似性提出了一种样本集分割的新方法(SSSMV)。SSSMV将每个样本表示为一个矢量,并构建一个由均值组成的虚拟矢量(均矢量),计算出每个样本矢量与均矢量之间的相似性,然后根据相似性、样本所属类别抽取样本,生成训练样本集。利用UCI数据集,对分割算法进行仿真研究。Hotelling T2检验显示,SSSMV产生的训练样本集与测试样本集之间不存在显著性差异,优于随机分割方法(RSS)。SSSMV、RSS产生的样本集用于神经网络训练,结果发现,SSSMV对应神经网络的训练一测试误差差异和准确率差异比RSS所对应神经网络小,其泛化能力比优于RSS。然后,本文借鉴细胞生物学中的干细胞机制,对BPN训练算法的优化进行了研究。遗传神经网络(GABPN)被认为是当前最有潜力的BPN优化方法之一。它能够保证网络全局收敛,但无法保证收敛的速度。同时,由于GABPN引入了更多的训练参数,合理设置这些参数更加困难。为此,本文借鉴细胞生物学中的干细胞理论,对BPN训练算法的优化进行探讨,提出了基于干细胞机制的进化神经网络(SCEBPN)。以干细胞的复制、移植与分化、老化细胞的置换与凋亡等生物机制为指导,构建了SCEBPN的总算法和进化框架,设计了SCEBPN的基本操作算子,包括干细胞结点的移植、复制与分化、老化结点的置换与凋亡等。SCEBPN使用进化算法中的选择操作,但避开了交叉、变异、编码与解码等进化操作,降低了计算复杂度。仿真结果显示,SCEBPN不但可以保证神经网络成功地走向全局收敛,而且收敛速度比GABPN和BPN快,是一种性能良好的BPN优化算法。最后,本文对利用SCEBPN方法建立胃部疾病超声诊断模型进行了研究。以胃部疾病超声诊断为研究对象,采集了胃部疾病的超声检查数据,按照SSSMV方法将收集的数据划分为训练集和测试集。利用SCEBPN方法进行设计,并用训练集进行训练,成功地建立了胃部疾病超声诊断模型,解决了多元线性回归分析、BPN、GABPN在建立胃部疾病诊断模型中存在的问题。利用测试集对诊断模型进行测试,SCEBPN模型对胃部疾病性质的判别准确率达94.7%,受试者工作特征曲线分析的曲线下面积为0.936,可有效识别胃部疾病的性质。实验结果证实,SCEBPN优于多元线性回归分析、BPN和GABPN,可有效应用于疾病诊断模型的构建,具有良好的实用性。综上所述,本文从训练样本及训练算法对BPN优化问题进行了研究,提出了基于均矢量相似性的训练样本集分割方法和基于干细胞机制的进化神经网络训练算法。在此基础上,对胃部疾病超声诊断模型的构建进行了研究,证实了SCEBPN具有良好的应用价值。