摘  要： 针对社区网格化管理中老年人多类健康体征数据的在线评估要求，提出一种基于蚁群聚类的径向基神经网络评估模型。模型在RBF神经网络的架构上引入了蚁群聚类算法。仿真的性能结果和实验结论表明，该模型兼具蚁群算法良好的全局最优策略和径向基网络的快速收敛性能，能准确及时地评估老年人的健康状况。
关键词： 健康检测；网格化管理；在线评估；蚁群算法；RBF神经网络

     随着社会进步和经济发展，人口老龄化问题已成为中国21世纪最为突出的社会问题之一。江苏省作为全国人口大省，老龄化程度高于全国水平，截至2008年底，江苏省老年人口已超过1 218万，占户籍人口总数的16.5%[1]。由于传统的健康调查报告，社区卫生服务中心的定期人工监测、回访等方式已经远远无法满足老人健康监测的动态、实时性需求，因此，以社区为整体，以楼层为网格单元，对单元网格内老人健康体征数据进行实时采集，并使用老人健康评估模型进行在线分析，是一种可行并行之有效的方法。
    本文构建了一种老人日常体征数据的健康评估的神经网络模型，模型的聚类算法采用蚁群算法[2]，通过与传统的K均值聚类算法比对可知，基于蚁群聚类[3]的RBF神经网络模型能有效避免局部收敛且学习样本很少，对于老人健康检测的服务要求来说，本模型是相当合适的，而且模型又兼具传统RBF神经网络收敛快，学习性能优越的特点，预测成功率达到了97%以上。本模型能真正实现对老人健康体征信息的主动监测和及时处理，大大提高社区医疗服务水平和质量。
1 问题数学描述
    RBF神经网络通常分成三层：输入层、隐性层和输出层。输入层节点为模式样本集合，X={Xi，i=1，2，…，N}，其中Xi为M维模式矢量，即Xi=[Xi1，Xi2，…，XiM]T，N为输入层节点数。输出层节点是线性组合器，可调节参数就是该线性组合器的权值Wk。隐性层采用蚁群算法，将聚类按最邻近法则规划，信息素赋相同的初值Tij(i=1，2，…，N；j=1，2，…，K)。
    聚类中心的偏离误差公式如下：    
    
2.2 蚁群聚类算法学习过程设计
    根据上述数学模型推导，设计出蚁群聚类算法的流程图如图1所示。

    基于蚁群聚类算法的RBF神经网络具有蚁群算法和RBF神经网络的双重优点，使网络具有更高的收敛速度和较强的学习能力。通过实例表明，基于蚁群算法的神经网络模型具有较强的分类能力，能够得出较公平、公正的评价结果，用该评价模型对社区老年人健康状况进行综合评价是可行的。通过使用模型进行评价，大大减少评价工作量，降低评价的主观性，提高评价结果的合理性。下一步的工作是对蚁群聚类算法进行算法策略改进，提高搜索速度，降低模型整体的评价执行时间。
参考文献
[1] 袁静.江苏人口老龄化的现状与对策探析[J].人口与计划生育，2008(1)：25-26.
[2] Zhao Jianna，Wang Xunying，Wu Zhuozheng．Forecasting gdp  growth based on ant colony clustering algorithmand rbf neural network[A]．Proceedings of the IEEE International Conference on Automation and Logistics[C]．Qingdao，China，2008．
[3] 胡利平，许永城，高文，等.蚁群神经网络在鱼病专家系统中的应用研究[J].微计算机信息，2005，21(7-3)：149-151.
[4] 国家体育总局.国民体质测定标准手册(老年人部分)[M]. 北京：人民体育出版社，2003.
[5] 薛茂云.江苏省城区老年人日常体力活动水平对体质健康和生活质量的影响[J].中国组织工程研究与临床康复，2010，14(50)：9465-9470.