自适应模糊推理在食管癌预测中的应用

Journalof King Saud University沙特国王大学沙特国王大学学报www.ksu.edu.sawww.sciencedirect.com基于定性特征的自适应模糊推理方法雷德岛Hamed伊拉克安巴尔安巴尔大学计算机系计算机科学系收稿日期：2013年12月21日;修订日期：2014年4月11日;接受日期：2014年2015年4月4日在线发布食管癌是世界范围内最常见的恶性肿瘤之一，也是最常见的恶性肿瘤死亡原因。本文提出了一种自适应模糊推理算法对于使用模糊Petri网（FPN）的基于规则的系统，其中模糊产生式规则是以FPN为代表。我们开发了一个自适应模糊Petri网（AFPN）推理算法作为一个预后系统，以预测食管癌的结果的基础上，血清C-反应蛋白和白蛋白浓度作为一组输入变量。该系统可以自动执行模糊推理，以评估代表风险度值的命题的真度，并基于观测数据优化调整权重值。此外，还对AFPN算法在食管癌预测中的实现过程进行了模糊推理。通过一组实验对复合模型的性能进行了评估。仿真和实验结果验证了所提算法的有效性和性能。AFPN模型与其他方法的预测性能的比较和曲线的分析表明，AFPN模型的直观行为相同的结果2015作者制作和主办：Elsevier B.V.代表沙特国王大学 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍专家系统可以表示为具有规则知识库和推理机的系统。专家系统的主要概念是基于规则的系统，其中事实和规则代表领域专家的主要参考部分（Yang et al.，2003; Kuo andChen，2013）。电子邮件地址：raed. gmail.com沙特国王大学负责同行审查图形作为一种模型，便于科学家在他们的应用领域表示。目前大多数科学家都在FPN的概念下进行研究（Li等人，2000; Shen，2003; Wai and Chu，2007）的研究重点是在自适应FPN结构上应用模糊推理机制，而不是利用模糊Petri网形式化来改进推理。因此，提出了一种准确的算法AFPNs估计食管癌的风险程度的问题，具有较高的性能。在 本 文 中 ， 我 们 的 技 术 用 于 模 拟 食 管 癌 问 题 是 基 于AFPN。 该方法使用9条模糊规则，其中CRP和白蛋白作为模糊输入变量，危险度作为模糊化阶段的输出食管癌是最致命的恶性肿瘤之一，所有的生存率仍然不清楚。所有疾病的症状http://dx.doi.org/10.1016/j.jksuci.2014.06.0131319-1578？ 2015作者。制作和主办由爱思唯尔B.V.代表沙特国王大学。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。制作和主办：Elsevier关键词食管癌;模糊Petri网;自适应方法;定性特征;危险度2130 R.I. Hamed食管癌的早期诊断通常在发病时是潜伏的，排除早期诊断（Schneider和Urba，2007）。众所周知，患者在接受乳腺癌手术后，会遭受几个问题的困扰，这些问题会长期影响生活质量的大部分方面（Djaürvetal.，200 8）。大多数患者存在与癌症相关的问题，很少有早期疾病。 治愈早期癌症疾病的唯一真正前景在于手术切除（Wang等人， 2009年）。 由于无肿瘤存活率高，食管切除术已成为早期食管癌患者的标准治疗方法，所有其他疗法都被考虑在内（Chang et al.， 2012年）。本文介绍了近年来食管癌的研究进展。A Chang etal.Chang et al.（2012）提出了一种模糊逻辑的过程模型，以提高基于C-反应蛋白和白蛋白的风险评分的预测性能。Bhaskar等人（2012年）介绍并研究了必需氨基酸色氨酸在食管解离细胞以及食管组织中的荧光。Naoto et al.（2009）介绍了一种用于构建多类分类器问题的权重调整方法，包括合成数据集和来自基因表达谱的一些癌症诊断数据集。Mathe等人 Mathe'et al.（2009）发现miR-375低表达与食管癌预后不良相关，然后研究了腺癌的炎症风险评分。Yue etal.Yue et al.（2013）提出了一种HSCORE方法来评估SIRT3表达水平对乳腺癌结局的预测价值。一些研究集中在食管癌诊断中的这个问题上（Deans等人，2007; Hamdan等人，2010; Ramsey等人， 2007; McMillan等人，2007年）。本研究旨在探讨食管癌危险度对食管癌预后的预测价值。以 食 管 癌 患 者 血 清 C- 反 应 蛋 白 （ CRP ） 和 白 蛋 白（ALB）浓度作为输入数据，检测两者之间的相关性。我们的AFPN模型算法可以获得比Chang等人（2012）中的传统模糊逻辑更好或相同的风险程度等级集。通过使用基于观察数据优化调整的每个位置的权重值。结果表明，在大多数情况下，我们的方法可以提高风险程度的准确性CRP和白蛋白作为输入值。这说明AFPN模型能够表现得与（Chang等人，2012年）。注意到AFPN的方法可能是其他生物过程方法的一个很好的第二部分介绍了食管癌的基本情况.第三部分介绍了用FPN方法建立食管癌AFPN模型的推理算法。第四部分给出了推理过程的建模和描述，以及一个五层模糊Petri网模型。第5节介绍了模糊规则，表示为确定性因素，模糊集和规则验证。第6节中给出了乳腺癌AFPN模型的执行和算法的使用。第七节是论文的结论。2. 食管癌的食管癌是最致命的恶性肿瘤之一，所有的生存率仍然不清楚。食道癌的所有症状在发病时往往是潜伏的图1食管癌的图示（Brown et al.，2008年）。排除早期诊断（Schneider和Urba，2007）。众所周知，患者在接受乳腺癌手术后，会遭受几个问题的困扰，这些问题会长期影响生活质量的大部分方面（Djaürvetal.， 200 8）。尽管诊断和治疗方法的技术进步，食管癌的预后仍然不足。这种风险是真实存在的，我们可以将食管癌的风险因素描述为一组因素，如食管组织暴露于酸、饮酒、可能的热液体、烟草烟雾和不健康饮食（Jagannath et al.，2013年）。晚期食管癌的诊断，使得只有30-40%的患者可以通过手术切除（Schneider和Urba，2007; Brown等人，2008年）。图1显示了众所周知的食管癌，其器官连接口腔和胃。3. 自适应模糊推理算法3.1. 自适应模糊Petri网的形式化基础在这一节中，我们提出了一个自适应模糊Petri网模型来解决食管癌的问题。以下是FPN的一些定义，需要理解AFPN的建模能力。图2示出了AFPN模型的示例。我们可以使用AFPN来表示模糊产生式规则。例如，下面的模糊产生式规则可以由FPN建模，如图所示。 二、Ri：IFdiTHENdkk1;CF¼l1;w1其中li是确定性因子（CF）的值，其指示规则Ri的置信度，并且li[0，1]。如果模糊产生式规则的前件部分或后件部分包含>：¼IJKK81 F 均p0m×n<如果pi2不等于j，K我J我2. FkfkT..食管癌预测的模糊推理方法131AFPN与FPN共享相同的符号，其中根据特征的自适应能力，从关系、规则、确定性因子和权重等方面建立了食管癌的输出预测模型。图2标记AFPN模型的知识表示。复合模糊产生式规则（Yoo等人，2013年; Liu等人， 2013年，如图所示。3.第三章。在其输入和输出位置的标记通过触发转换来修改，如下所示：8>0ifpi2·tjM克雷奇我3.2. 癌症诊断用于食管癌的AFPN算法可以解释如下：令k表示第k个推理步骤，则FRPN的模糊推理算法如下：步骤1：初始化AFPN：I，O，F，k，W和M0。步骤2：设k=0。Mk-1p i别人我们遵循Liu等人的共同点火原则。（2013），Yuan等 人 （ 1488 ） ， Raed 和 Syed （ 2011 ） ， Liu 等 人（2013），（2013年）。触发模糊产生式规则可以看作是触发变迁。一旦转换tj满足其触发原则，则状态标记M（k）下的真度计算如下：步骤3：计算等价模糊真值在取决于权重值的位置a（pi）QKWTAK。步骤4：计算输出使能矩阵V k，其指示转变的使能输出弧。设fk为第k次迭代时等价模糊真值与变迁t i的输出阈值的比较结果，则8>MinfMktjg×ujp2t●和pRtj1. N k 1/2q向量[0]O：K1/4N-k; i/1; 2;. ; m; j; 1; 2;. n;Mürklürklürklürklürklürk：Mk-1pi其他3. VKij m×n¼ðmijÞm×n;wheremij¼哪里KIJ0f k <0; i 1; 2;. ; m; j; 1; 2;.. . ; n：IJt j2 T; j ¼ 1; 2;. ; n;pi2P;i¼ 1; 2;. ;m;：步骤5：如果Vk½vijk是一个非零矩阵，矩阵，M（p）表示p在状态下的真度则bk的值计算如下函数（k）i i标记M（k）;过渡tj2T与标记M：P！1/20;1]从满足条件的程度a_p_i≤P_k的时刻起被启用，其被分配用于过渡。transi-tion t j是使能的，如果一个transi-tion i拥有模糊信念为8pi2it j，使能t j的概念通过在其输出位置生成一个新的令牌来实现。输出值由下式给出：否则，该过程与完成和最后一个值的标志达到。1. bk¼VU步骤6：为了检查模糊模型状态，将基于以下函数从Mk确定新标记Mk= 18>“^.#^.1. Mk1¼Mkbqtjt1>k8我步骤7：如果没有标记（即ak1½ak），则亲--0否则：>个cess已完成，否则转到步骤4。步骤8：对于每个输出a（pi），确定图3加权模糊产生式规则的标记自适应模糊Petri网表示>K132R.I. Hamed33XIjJPIX8>>p12>：c-bJP12Ijx;yJp12p12AFPN2¼B- a<;y2¼f2AFPN2¼expAFPN2;j¼ 1;. ;n;我我AFPN3 1/4X宽3a 2000万美元;y3¼f3AFPNÞJ属于这些集合中的每一个集合的成员资格l可以并根据这些信息确定风险程度¼AFPNj;其中，一个100磅的 表示到层4的节点的第j个w4，p i的每个输入的权重 如表1所示，CF x;y表示转换t j的值。第9步：对于下一层，计算max运算，应用重心函数得到p125l½i] ×yi可以得到因此，作为食管癌的预后模型，推理过程需要9条模糊规则。创建AFPN模型，并使用关于权重swpi、确定性因子sCFtj和阈值sk的输入数据对其进行训练。然而，有时需要依靠专家来确定自适应模型的参数4.2. 食管癌AFPN模型的描述AFPN模型的五个层如图所示。 五、处的节点非洲联盟p12联系我们5层1是输入节点，其表示输入语言变量。l½i]1/1步骤10：根据模糊隶属函数确定tj步骤11：根据步骤7，tj值成为实际输出，因此推理结束。这些模块可用于创建AFPN模拟的危险度，以预测食管癌的结果4. AFPN食管癌4.1. 模糊真值与语言变量的表述对于用于将所有CRP和白蛋白以及食管癌的输出建模为表示模糊集的自适应和表示模糊规则，参见图4。本文实现的模型有两个输入和一个输出。 以这种方式，对于CRP和白蛋白的任何给定值，能力。第5层是输出层。第2层和第4层的节点4是术语节点，其充当代表相应语言变量的术语的隶属函数。第3层的每个节点是一个规则节点，它代表一个模糊规则。第三层的所有节点构成一个模糊规则库。下面将介绍所有这些层以及每层的基本功能层1：输入层。每个节点i对应于CRP和白蛋白，在该输入层中可以用模糊模型输入和模糊模型输出表示如下：AFPN1/4CRP;白蛋白;O1/4f1α AFPN1/4AFPN1;i 1/4 1; 2;第2层：在这一层中，每个节点执行一个隶属函数。采用三角隶属函数，并表示如下：0;x6a：x-a;a6x6b：ic-x;b6x6c：j j i i0;c6x：表1自适应模糊模型的规则、命题、真度、初始标识和ISR。规则R1R2R3R4条件命题CRP白蛋白aβp1低aβp4低aβp1低aβp5低aβp1低aβp6高aβp2低aβp4低aβp2低aβp5高aβp 2低a βp6高aβp3高aβp4低aβp3高aβp 5高aβp3高aβp 6高aβp7低aβp8低aβp9高aβp10高aβp11高地点piCRP白蛋白p1初始真度66.53.440.0初始标记M0111p20.0581R5p30.9421R6p40.121R7p50.881R8p60.01R9p70.00R10p80.00R11p90.00R12p100.00p110.00p120.00PlaceISR（放置ISR）fp1;p2;p3 gfp4;p5;p6 gfp7;p8;p9 g小八;小九;小十;小十一;小七;小八;小九fp12gfp12gfp12gfp12f食管癌预测的模糊推理方法133低中高1低中高10.90.90.80.80.70.70.60.60.50.50.40.40.30.30.20.20.10.100 10 20 30 40 50 60 7080输入变量“CRP“02.5 3 3.5 4 4.5“Input variable " Albumin "Vlow低中高Vhigh10.90.80.70.60.50.40.30.20.100 10 20 30 40 50 60 70 80 90 100“Output variable " Risk degree "图4输入变量"CRP和白蛋白“和输出变量”风险度“的隶属函数图5所提出的总体结构的模糊推理的框图134R.I. HamedpiPJPIIjpiJpipiIjJPIp12第3层：该层中AFPN的每个节点tj（变迁）由一组模糊规则表示。对于第t个规则节点，每个节点的输出表示相应模糊规则的触发强度。AFPN3¼Yw3ap3CFx;y;y3¼f3AFPN3¼AFPN3p5. 模糊推理的公式化获得食管癌实际值输出的过程参见算法第3.2节。 图 6表示所有类型规则的模块创造和定义每一个 模糊集图。 5如下：...... ;n;其中表示到层3的节点的第j个输入;w3，p7vlow; p8low; p9medium; p10high; p11vhigh。每个规则被建模为一个变迁，而CRP、白蛋白和危险度的每个语言变量被建模为知识库对每一条规则建立了推理系统模型pi的每个输入的权重如表1所示，CFx;y表示转换tj的值。第4层：在第4层中，针对权重和确定性因子进行最大化AFPN4¼maxRj;y4¼f4AFPN4 AFPN4;基于模糊规则。在该模型中，规则表示为：R1; R2; R3; R4; R5; R6; R7; R8; R9;R10; R11; R12g，其中-例如，考虑到图5的规则4将如下：R4：d5p5THENd8p8k2¼ 0： 24; CF2¼ 0： 94;w2¼ 0： 44;w13¼PiR j1/3;. 十一：jpi pi j0：39其中d i和d k分别是条件命题和结论命题。li2 1/20;1]是确定性因子，第5层：单个节点表示模糊模型的输出（即p12），在这一层中，我们使用重心函数。刻画每条模糊规则的置信度k2½0;1]是生成模糊规则的阈值，以及AFPN5¼51/1 l½i] ×yixi2½0;1]是命题di 的权重值。取决于的值，则规则Ri可以被激活根据图1所示的结构，构建了食管癌预测输出的AFPN模块。 五、如下获得标记为m2的新值8pi2Otj：mk1pimkpi·xi·ui;图6 AFPN的模糊推理，改变风险度等级为p7_vlow，p8_low，p9_medium，p10_high，p11_vhigh。PJ我51/1以及dkl½i]可以计算，食管癌预测的模糊推理方法135ð Þ表2使用CRP和白蛋白的隶属函数推断的结果。CRP和白蛋白的隶属函数值CRP值低CRPMed. CRP高CRP白蛋白值低白蛋白Med. 白蛋白高白蛋白150.08330.91670.02.71.00.00.09.50.10.90.02.691.00.00.0300.00.3330.6673.440.120.880.066.50.00.0580.9423.820.00.360.645.70.860.140.03.10.00.20.89.30.140.860.04.90.00.01.0可达性的概念定义如下：设存在两个位置pi和pk，当pi2Iti和pk2Oti同时存在时，我们称pk是pi的直接可达位置。所以直接可达位置可以表示为IRS p i参见表1。根据AFPN的模型，图5存在：白蛋白;p1; p2; p4; p5; p6; p7; p8; p9; p10; p11; p12第一条;第二条;第三条;第四条;第五条;第六条;第七条;第八条;第九条;第十条;第十一条;第十二条;d1; d2; d3; d4; d5; d6; d7; d8; d9; d10; d11; d12; d13; d14ftjl0：99;l20：94;l30：91;l40：89;l50：87;l617：83;18： 89; 19： 95;110：87;x11： 38;x2 1： 44;x3 1： 29;x4 1： 43;x51： 49;x6 1： 47;x7 1： 31;x8 1： 51;x9 1： 46;x1011： 51; 11： 47;12： 28;13： 39;14：191： 42;x16 1： 47;x17 1： 35;x18 1： 36;x19 1： 52;x201/40： 46;x21 1/4 0： 37;x22/4 0： 36;x23/4 0：27;2019-05 -1900： 002019-07-2500：表2显示了一些结果推断使用的bench-bership函数。因此，我们的AFPN模型将能够以较低的计算时间处理CRP和白蛋白值的大型数据集。我们将假设的清晰数据输入到这些相应的隶属函数中，并获得所有CRP和白蛋白值的隶属函数值，如表2所列。然后我们计算p12的最终输出，见图5，我们可以最终决定风险程度。在我们的模型图5中，我们依赖于一组函数以及真度的模糊输入隶属函数（FIMF），如下所示：CRP和白蛋白的fimf存在低、中和高变量d1CRP低值的低1/41/4 CRP低值的低1/4ad2中CRP中值的1/4fimf1/4中CRP2019-02- 25d3高CRP高值的高1/4fimf1/4高CRP1/4ad4低白蛋白的1/4fimf低值1/4低白蛋白1/4 a低白蛋白4/4bd5中等白蛋白的1/4fimf中等值1/4l中等白蛋白1/4小时d6高白蛋白的1/4fimf高值1/4l高白蛋白1/4p6假设CRP值=30，白蛋白值=3.44，则CRP的条件命题为d1低1/4l低CRP/4a低1/40： 0d2培养基1/4l培养基CRP1/4a培养基2/40： 333d3高1/4l高CRP1/4ap3高1/40： 667d4低1/4升低白蛋白1/4升0： 12d5培养基1/4l培养基白蛋白1/4a培养基5/40： 88d6高1/4l高白蛋白1/4p6高1/40： 0图中的AFPN模型。 5可以适用于推理由五个后件命题组成的产生式模糊规则。第一产生式规则推导出变更风险度水平为vlow的可能性;第二产生式规则推导出变更风险度水平为低的可能性;第三产生式规则推导出变更风险度水平为中等的可能性;第四产生式规则推导出变更风险度水平为高的可能性;第五产生式规则推导出变更风险度水平为vhigh的可能性。图中每个模型的结果。 6揭示了风险程度水平的不同概率，如图7所示。此外，AFPN模型中的转换（规则）的确定性因子（CF）可以与产生式规则中相应项的重要性相关联。图中模型的结果。 7揭示了每个模糊集变量的不同概率（a）具有权重的位置w1=0.38;w2= 0.24;w3=0.29;w4= 0.43;w5= 0.49;（b）权重为w1=0.82;w2= 0.74;w3= 0.79;w4= 0.33;w5= 0.95的地方。 在图 7.我们为每个地方设置不同的度权重，最好的一个取决于结果的行为。语 言 变 量 的 值 被 模 糊 化 以 通 过 隶 属 函 数 获 得 真 度（Mohamed等人，2014年）。也就是说，对应于模糊位置OCR、白蛋白和（p12）的风险度估计的模糊集低、中、高的3-d隶属向量由下式给出136R.I. HamedVlow-P7低-P8中-P9高-P10 Vhigh-P11Vlow-P7低-P8中-P9高-P10Vhigh-P11ðÞ0000000006600000000077664775667767660100010007766477566776710.90.80.70.60.50.40.30.20.100 0. 1 0. 2 0. 30. 40.50.60.70.80.9 1CRP = 30，白蛋白= 3.4410.90.80.70.60.50.40.30.20.100 0. 10. 20.30.40.50.60.70.8 0.9 1CRP = 30，白蛋白= 3.44图7值P7，P8，P9，P10，P11的风险度显示了具有不同位置权重的模糊集的行为VOCR1/4低电压OCR;l中等-OCR;l高-光学字符识别这些值可以作为AFPN模型中每个前提命题的真度例如以V白蛋白1/4 μl低w- 白蛋白;l中等-白蛋白;高-白蛋白CDT确定风险程度，假设这些变量中的每一个具有以下值：CRP=30和白蛋白=3.44VriskDegree1/2l低风险度;l中风险度;我们的算法的执行来计算真理的结果l高-风险度21110000003200000000036. 算法性能评估的实验结果在本节中，已知预测食管癌结局的预后AFPN模型。标记和真度向量可以从隶属函数中导出，以获得食管癌结果。为了得到风险度的结论，特定的真度值为ap12.正如我们在图5中所示，可以计算出点火成分。在此，我们描述了遵循该方法的现有变量CRP和白蛋白（Chang等人，Nov.2012年，用于比较分析。00011100000000011110010010060100100107I¼6001001001700000000000000000000000000000000000000000000000000000060000000007O¼6000000000 7001000000100010001000100010000000100值P7、P8、P9、P10、P11值P7、P8、P9、P10、P11食管癌预测的模糊推理方法137ð Þ不ÞP¼Þ¼ð¼ ðÞÞ¼ ðÞP5¼联系我们Pi¼1l½i]×yi51/1度ap i 建议如下：R3：如果P1= 0.0且P4= 0.12，则P9为R4：如果P1= 0.0且P5= 0.88，则P8为R5：如果P1= 0.0且P6= 0.0，则P7为（l）=0.54）。lVhigh_Risk Degree=a（P11）_Rules（9）=0.4179M2¼1; 1; 1; 1;1; 1; 1 ; 1; 1; 1;0;a2/4英寸0;0： 333; 0： 667; 0： 12; 0： 88; 0; 0; 0： 4361; 0：7782; 0： 6554;0： 4179; 0T：(3) 对于第三次迭代，k=3M31/4;1; 1; 1; 1;1; 1 ; 1; 1; 1 ; 1; 1; 1; 1;1/2T;p5R6：如果P2= 0.333且P4= 0.12，则P10为pl½i]×y51/1 l½i]R7：如果P2=0.333且P5=0.88，则P9为"中等"（CF（lj）=0.87）。R8：如果P2= 0.0333且P6= 0.0，则P8为R9：如果P3= 0.667且P4= 0.12，则P11为R10：如果P3= 0.667且P5= 0.88，则P10为R11：如果P3= 0.667且P6= 0.0，则P9为0×V低0：4361×低0：7782×中0：6554×高0：4179×V高59： 22422019 - 04 -2900：00：003.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.3.0： 4179; 59： 2242T：(4) 对于第四次迭代，k=4a4/4英寸0;0： 333; 0： 667; 0： 12; 0： 88; 0; 0; 0： 4361; 0：7782; 0： 6554;0： 4179; 59：2242时间：作为3a4，位置真值p12度向量的最终状态为（0，0.333，0.667，0.12，0.88，0，0，0.4361，0.7782，0.6554，0.4179，59.2242）T，标记向量为M3=（1，1，1，1，1，1，（lj）=0.87）。根据我们提出的算法，我们有以下内容-1，1，1，1，1）T，则p59： 2242参见图8。风险等级推理步骤：(1) 对于第一次迭代，k=1M11/4;1; 1; 1; 1; 1 ; 1; 0; 0; 0; 0; 0;0 μT;a10; 0： 333; 0： 667; 0： 12; 0： 88; 0; 0; 0; 0; 0; 0T：(2) 对于第二次迭代，k= 2根据位置、权重和确定性因子的值，结果是包含每个规则的结果的列表：R3= 0.0520 ， R4= 0.4361 ， R5= 0 ， R6=0.3659，R7= 0.7782 ，R8= 0.0289 ，R9= 0.4179 ，R10=0.6554，R11= 0.0918;来自Chang等人（2012）的另一个示例将使用CRP=15和白蛋白= 2.7的值来实现。(1) 对于第一次迭代，k= 1M11;1;1;1;1;1;0;0;0;0;0T;a1=（0.0833，0.9167，0，0.1，0，0，0，0，0，0，0）T。(2) 对于第二次迭代，k=2M2¼10;1; 1; 1; 1; 1; 1; 1; 1; 1; 1; 1a2/4英寸0：0833; 0： 9167; 0; 0： 1; 0; 0; 0： 0092; 0：0796; 0： 4746;1： 5528; 0： 8178; 0T：(3) 对于第三次迭代，k=3lVlow_风险度=a（P7）_规则（5）=0.0M31/4;1; 1; 1; 1;1; 1 ; 1; 1; 1 ; 1; 1; 1; 1;1/2T;l高风险度=a（P10）_规则（6，10）=0.65540：0092×V低0：0796×低0：4746×中1：5528×高0：8178×V高0：0092 × 0：0796 ×0：4746 × 1：5528 × 0： 8178第七十一章：066312（lj）=0.97）。l低风险度=a（P8）_规则（4，8）=0.4361pl培养基 _风险度=a（P9）_规则（3，7，11）=0.778212¼l½i] ¼12138R.I. Hamed图8：（a）CRP= 30和白蛋白=3.44，（b）CRP= 15和白蛋白=2.7的最终决定食管癌预测的模糊推理方法139ÞÞð¼图9使用CRP和白蛋白的AFPNs模型和FL模型的风险程度估计（p12）。a3/4英寸0：0833; 0： 9167; 0; 0： 1; 0; 0; 0： 0092; 0：0796; 0： 4746;1： 5528; 0： 8178; 71： 0663T：(4) 对于第四次迭代，k=4a4/4英寸0：0833; 0： 9167; 0; 0： 1; 0; 0; 0： 0092; 0：0796; 0： 4746;1： 5528; 0： 8178; 71：0663T：作为3a4，位置p12真度向量的最终状态为（0.0833，0.9167，0，0.1，0，0，0.0092，0.0796，0.4746，1.5528，0.8178，71.0663）T，标记向量为M31/4 ×1; 1; 1;（2012）它似乎不太准确，因此从我们的模型中获得的结果是高精度的。9条规则的效果评价结果均得到了满意的输出风险度。图9中显示的结果表明，该曲线将是AFPN模型和模糊逻辑模型的结果（Chang等人， 2012），与CRP和白蛋白。7. 结论1; 1; 1; 1; 1; 1; 1; 1T，则p的最终值71： 0663参见图8。风险等级在本文中，我们提出了一种方法来估计出-可以看出，该算法对权值和确定性因子值的变化具有自适应能力，能够得到最优值。进行了一组实验来测试AFPN模型的性能。图9显示了AFPN模型在25个不同值下的响应。如图9所示，模型显示了模型对风险程度的鲁棒响应。为了检验模型 预测 风险 程 度的 行为 ， 将 AFPN 模 型的 实验 结 果与（Changet al.，2012）表明我们的模型适合作为食管癌的病理模型。我们的模型的权重值被选择为是准确的，而那些在Chang等人。基于自适应模糊Petri网的食管癌诊断网络推理算法，能够使用为模型的每个组成部分（位置和转换）指定的权重、确定性因子和阈值，以根据观察到的数据进行最佳调整。考虑到AFPN模型和模糊逻辑模型的估计精度之间的折衷（Chang等人，2012年），简单的方法和良好的估计精度已被揭示与我们的方法。所提出的预后方法使用AFPN推理算法，以获得准确的估计食管癌。该方法结合了模糊Petri网的推理能力和12140R.I. Hamed从推理中学习的适应机制。实验系统的测试和算法的实现表明了算法的有效性。在实验系统上实现的AFPN算法可以基于血清C反应蛋白（CRP）和白蛋白浓度作为输入变量准确地估计食管癌。AFPN推理算法的模型表明，该模型是一个强大的工具，结合医学专家据我所知，这是第一次使用自适应模糊Petri网对生物系统进行定性推断。至于未来的工作，其他定性为基础的分析，自适应模糊Petri网模型，如高级模糊Petri网，模糊有色Petri网（FCPNs）等，可以执行，形成未来的范围，就加强本文。引用Bhaskar，B.，洛根，RG，乌尔斯，2012.食管癌细胞和组织的色氨酸荧光。IEEE传感器J. 12（11）.L.M.布朗和S. S.德维萨食道癌内部《公共卫生百科全书》，2008年，页。459-468.Chang，Y.W.，Tsair，F.L.，Chun，H.F.，Jyh，H.C.，2012.基于模糊逻辑的预后评分对食管癌预后的预测。IEEE Trans.InfTechnol.BioMed. 16（6）.迪恩斯地方检察官Wigmore，S.J.，de Beaux，A.C.，Paterson-Brown，S.，加登，新泽西州，Fearon，K.C.，2007年12月。临床预后评分系统，以帮助决策胃食管癌。Br. J. 外科94，1501-1508。Djaürv，T.，Lagergren ，J.，Blazeby ，J.，Lagergren ，P.，2008 年 食 管 癌 术 后 长期健康 相关 生活质量 的 研究 Br.J.Surg.95，1121-1126。Hamdan，H.，加里波第，J.M.，2010.自适应神经模糊推理系统（ANFIS）在乳腺癌生存建模。IEEE国际会议模糊系统， 1-8号。Jagannath，P.，Jason，S. G.，Nikhil，C.M.，Masood，A.S.，2013年。端粒生物学：在食管癌病因学和治疗靶点中的重要性。Transl.第162（6）号决议。Kuo，C.，陈，T.，2013.基于可控Petri网的电机控制系统实现方法。IEEE Trans.Ind.Electron.60（10），4599-4612。Li，X.，余伟，Lara Rosano，F.，2000.自适应模糊Petri网框架下的动态知识推理与学习。IEEETrans. 系统曼·赛伯恩C部分应用Rev. 30（4），442-450.刘洪，刘，L.，林昆，Liu，N.，（1996年），美国，2013.使用模糊证据推理和动态自适应模糊Petri网的知识获取和表示。IEEETrans.赛博恩 43（3）.刘洪，林昆，毛湖，加-地张志，2013.用于知识表示和推理的动态自适应模糊Petri网。IEEETrans. 系统曼·赛伯恩B Cybern。43（6）.数学e'，E.A.，Nguyen，G.H.，鲍曼，急诊室， 赵玉，等，2009.食管鳞状细胞癌和腺癌中microRNA的表达与生存率的关系Clin.CancerRes.15（19），6192-6200。麦 克 米 兰 特 区 Crozier ， J.E. ， Canna ， K. ， Angerson ， W.J. ，McArdle，C.S.，2007.结肠癌和直肠癌切除术患者基于介入的预后评分（GPS）的评价Int. J. Colorectal Dis.22，881-886.Mohamed，S.H.，Ramsley，M.，Yacine，K.，Masters，S.，2014年 。 基于模 糊 本 体 概 念 距 离 的 意 外 规 则 。 ScienceDirect-Elsevier，J. 沙特国王大学Comput. INF. Sci. 26，99-109.Naoto，Y.，Shigeyuki，O.，Kikuya，K.，申岛，巴西-地2009.使用基因表达谱进行多类癌症诊断的二元分类器的最佳聚集。IEEE/ACM传输计算Biol. 生物信息学6（2）.Raed，I.H.，赛义德，洛杉矶，2011.基于Petri网模型的DNA测序置信度预测科学指导-爱思唯尔，沙特国王大学。Comput. INF.科学，KSU-CIS J. 23（2），79-89。Ramsey，S.，Lamb，G.W.，Aitchison，M.，格雷厄姆，J.，麦克米兰特区2007年转移性肾癌患者基于免疫学的预后评分的评价Cancer 109，205-212.Schneider，B.J.，Urba，S.G.，2007.术前放化疗治疗局部食管癌：护理标准？塞米。Radiat. Oncol. 17（1），45-52。Schneider，B.J.，Urba，S.G.，2007.术前放化疗治疗局部食管癌：护理标准？塞米。Radiat. Oncol. 17，45-52。沈，V.R.L.，2003.高级模糊Petri网的强化学习。IEEE Trans.系统曼·赛伯恩B Cybern。 33（2），351-362。怀河，Chu，C.，2007.基于Petri模糊神经网络的直线感应电机运动控制。IEEE工业电子学报，54（1）。Wang，C.Y.，Hsieh，M.J.，赵耀春，Li，S.H.，Huang，H.W.，Fang，F.M.，Huang，Y.J.，2009.血清C反应蛋白浓度升高和低白蛋白血症是食管癌放疗患者预后不良的指标。收音机Oncol. 92，270-275.杨，J.H.，蔡，J.P.，陈春，2003.使用高级Petri网的模糊规则库系统验证。IEEE Trans. Knowl. 数据工程15（2）。尤，杰，李，J.，洪，S.，2013.基于Petri网的FTL结构，用于通过FTL操作序列推导进行参数WCET估计。IEEE Trans. Comput.62（1