本文關(guān)鍵詞：基于粗糙集和SVM的體域網(wǎng)健康評(píng)估方法研究　出處：《浙江師范大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 無線體域網(wǎng) 健康評(píng)估 粗糙集 支持向量機(jī)

【摘要】：隨著無線傳感器的廣泛應(yīng)用,無線人體區(qū)域網(wǎng)絡(luò)(簡(jiǎn)稱體域網(wǎng))將極大地推動(dòng)醫(yī)院智能監(jiān)護(hù)體系的發(fā)展。為了讓高齡、獨(dú)居老人的健康狀態(tài)得到很好地監(jiān)測(cè)和保護(hù),體域網(wǎng)健康估計(jì)方法的研究將具有重大的現(xiàn)實(shí)意義。體域網(wǎng)的健康評(píng)估就是專門針對(duì)人體的生理指標(biāo)數(shù)據(jù)進(jìn)行評(píng)估的技術(shù)。但是采集的患者的生理參數(shù)數(shù)據(jù)大部分時(shí)間段內(nèi)是穩(wěn)定不變,因此只需要分析異常時(shí)間階段的生理指標(biāo)數(shù)據(jù)來進(jìn)行健康評(píng)估。目前,一系列傳統(tǒng)的算法是通過異常檢測(cè)的方式來獲取訓(xùn)練的數(shù)據(jù)集的方法。它們利用時(shí)間序列的趨勢(shì)分析、平穩(wěn)的時(shí)間序列的數(shù)學(xué)模型等方法預(yù)測(cè)下一刻會(huì)出現(xiàn)異常的時(shí)刻,并通過計(jì)算預(yù)測(cè)值與實(shí)際值殘差方差的方式設(shè)置異常概率的閾值和發(fā)生連續(xù)異常的時(shí)間閾值來檢測(cè)異常。而且傳統(tǒng)的用于健康評(píng)估BP神經(jīng)網(wǎng)絡(luò)模型雖具有較好的效果,預(yù)測(cè)準(zhǔn)確度也較高,但參數(shù)往往依賴經(jīng)驗(yàn)值,網(wǎng)絡(luò)中存在較大的冗余性,需要較多的迭代次數(shù),容易造成過度學(xué)習(xí)等缺點(diǎn)。為了更好的解決在健康評(píng)估所面臨的以上問題,本文在改進(jìn)健康評(píng)估算法方面做了一些研究工作,具體的內(nèi)容如下所述：(1)目前,常見的健康評(píng)估算法沒有考慮到各個(gè)樣本中的穩(wěn)定的生理指標(biāo)值可被其余同類樣本一一對(duì)應(yīng)表征,我們可以把異常時(shí)間段的多個(gè)正常數(shù)據(jù)用一個(gè)同類數(shù)據(jù)來表征,這樣可以大大降低數(shù)據(jù)的冗余。同時(shí)我們考慮到數(shù)據(jù)在內(nèi)存中二進(jìn)制存儲(chǔ)的特性,采用優(yōu)化鏈表結(jié)構(gòu)的屬性約簡(jiǎn)的粗糙集算法來實(shí)現(xiàn)信息存儲(chǔ)的內(nèi)存優(yōu)化。(2)在用于健康評(píng)估的機(jī)器學(xué)習(xí)算法中,針對(duì)BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)模型隱含層的層數(shù)和個(gè)數(shù)是經(jīng)驗(yàn)值,需要通過反復(fù)實(shí)驗(yàn)確定,網(wǎng)絡(luò)的學(xué)習(xí)和記憶能力不穩(wěn)定性等缺點(diǎn),本文將SVM (Support Vector Machine)的學(xué)習(xí)模型引入到評(píng)估算法中。SVM健康評(píng)估模型不僅能保證分類的準(zhǔn)確性,而且能降低學(xué)習(xí)的VC維(Vapnik-Chervonenkis Dimensbn)度,得到全局的最優(yōu)解,如此預(yù)測(cè)樣本數(shù)據(jù)的泛化能力優(yōu)于BP神經(jīng)網(wǎng)絡(luò)方法。同時(shí)線性組合多項(xiàng)式核函數(shù)、徑向基核函數(shù)來改進(jìn)SVM的核函數(shù),這樣就可以大大簡(jiǎn)化機(jī)器學(xué)習(xí)模型的迭代次數(shù),提升健康評(píng)估模型的性能。最后提出一種基于改進(jìn)SVM健康評(píng)估算法。
[Abstract]:With the wide application of wireless sensors, wireless human body area network (WSNs) will greatly promote the development of hospital intelligent monitoring system. The health status of the elderly living alone is well monitored and protected. The research on the health estimation method of body area network will be of great practical significance. The health evaluation of body area network is a special technology to evaluate the physiological index data of human body. But most of the patient's physiological parameter data are collected. Steady over time. Therefore, we only need to analyze the physiological index data of abnormal time stage to carry on the health evaluation. At present. A series of traditional algorithms are used to obtain the trained data set by anomaly detection. They use the trend analysis of time series. Stationary time series mathematical models and other methods to predict the next moment will be abnormal. The outlier is detected by calculating the variance of residual error between the predicted value and the actual value by setting the threshold of abnormal probability and the time threshold of occurrence of continuous anomaly, and the traditional BP neural network model for health assessment is better than the traditional BP neural network model. The effect. The prediction accuracy is also high, but the parameters often depend on the experience value, and the network has more redundancy, so it needs more iterations. In order to better solve the above problems in health assessment, this paper has done some research work in improving the algorithm of health assessment. At present, common health assessment algorithms do not take into account that the stable physiological index values in each sample can be represented one-to-one by the other similar samples. We can represent more than one normal data in an abnormal time period with one of the same kind of data, which can greatly reduce the redundancy of the data, and we also take into account the data in memory binary storage characteristics. A rough set algorithm based on attribute reduction of optimized linked list structure is used to realize memory optimization of information storage. It is used in machine learning algorithm for health assessment. The number and number of hidden layers in BP back propagation neural network model are empirical values, which need to be determined through repeated experiments. The learning and memory ability of network is unstable and so on. In this paper, the learning model of SVM support Vector Machine is introduced into the evaluation algorithm. The health evaluation model of SVM can not only guarantee the accuracy of classification. Moreover, the Vapnik-Chervonenkis Dimensbnn degree of learning can be reduced, and the global optimal solution can be obtained. The generalization ability of predicting sample data is better than that of BP neural network, and the kernel function of SVM is improved by linear combination polynomial kernel function and radial basis kernel function. In this way, the iterations of the machine learning model can be greatly simplified and the performance of the health assessment model can be improved. Finally, an improved SVM health assessment algorithm is proposed.
【學(xué)位授予單位】：浙江師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN92;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 邱兆雷;范穎;王愛云;;粗糙集理論及進(jìn)展[J];信息技術(shù)與信息化;2006年05期

2 徐偉華;張文修;;覆蓋廣義粗糙集的模糊性[J];模糊系統(tǒng)與數(shù)學(xué);2006年06期

3 石杰;;粗糙集理論及其應(yīng)用研究[J];科技信息;2008年33期

4 唐彬;;粗糙集理論和應(yīng)用研究[J];內(nèi)江科技;2008年03期

5 胡軍;王國(guó)胤;;覆蓋粗糙集的模糊度[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

6 燕紅文;康向平;張麗;;依賴空間與粗糙集理論[J];農(nóng)業(yè)網(wǎng)絡(luò)信息;2009年09期

7 林國(guó)平;;覆蓋廣義粗糙集與信任函數(shù)[J];漳州師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年02期

8 王石平;祝峰;朱培勇;;基于抽象相關(guān)關(guān)系的粗糙集研究[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年05期

9 成新文;陳國(guó)超;李琦;;關(guān)于粗糙集的理論及應(yīng)用研究[J];煤炭技術(shù);2010年10期

10 林治;張璇;;粗糙集理論的應(yīng)用探析[J];邢臺(tái)職業(yè)技術(shù)學(xué)院學(xué)報(bào);2011年03期

相關(guān)會(huì)議論文 前10條

1 黎文航;陳善本;王兵;;粗糙集理論在焊接中的應(yīng)用綜述[A];第十一次全國(guó)焊接會(huì)議論文集（第2冊(cè)）[C];2005年

2 尹宗成;;粗糙集理論在我國(guó)糧食產(chǎn)量預(yù)測(cè)中的應(yīng)用[A];現(xiàn)代農(nóng)業(yè)理論與實(shí)踐——安徽現(xiàn)代農(nóng)業(yè)博士科技論壇論文集[C];2007年

3 鄒剛;滕書華;孫即祥;陳森林;敖永紅;;一種粗糙集優(yōu)化協(xié)同原型模式約簡(jiǎn)分類方法[A];第十四屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)(CCSP-2009)論文集[C];2009年

4 葛麗;傅彥;;粗糙集在科學(xué)數(shù)據(jù)屬性約簡(jiǎn)中的應(yīng)用[A];第二十一屆中國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2004年

5 陳雪飛;;粗糙集分類中耦合數(shù)據(jù)的處理方法研究[A];2008年全國(guó)開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2008年

6 肖健梅;蘆曉明;王錫淮;;集裝箱起重機(jī)防搖系統(tǒng)粗糙集控制[A];第二十六屆中國(guó)控制會(huì)議論文集[C];2007年

7 王印松;馮康;;主汽溫調(diào)節(jié)系統(tǒng)性能評(píng)價(jià)的粗糙集實(shí)現(xiàn)方法[A];第二十七屆中國(guó)控制會(huì)議論文集[C];2008年

8 王紅萍;萬程亮;金彥豐;;應(yīng)用粗糙集理論的對(duì)抗效果權(quán)重確定方法[A];2009’中國(guó)西部地區(qū)聲學(xué)學(xué)術(shù)交流會(huì)論文集[C];2009年

9 王莉;周獻(xiàn)中;;一種基于粗糙集的模糊神經(jīng)網(wǎng)絡(luò)模型在鋼材力學(xué)性能預(yù)測(cè)中的研究[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第二分冊(cè)）[C];2009年

10 卓明;王麗珍;譚旭;;基于粗糙集近似集擴(kuò)展的規(guī)則提取算法[A];第十七屆全國(guó)數(shù)據(jù)庫學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 馬希驁;概率粗糙集屬性約簡(jiǎn)理論及方法研究[D];西南交通大學(xué);2014年

2 薛佩軍;正負(fù)域覆蓋廣義粗糙集與知識(shí)粗傳播研究[D];山東大學(xué);2007年

3 孔芝;粗糙集理論若干問題的研究與應(yīng)用[D];東北大學(xué);2009年

4 秦中廣;基于粗糙集的交叉研究及其在中醫(yī)診斷的應(yīng)用[D];華南理工大學(xué);2002年

5 劉少輝;知識(shí)發(fā)現(xiàn)中粗糙集理論的研究[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2003年

6 鄧大勇;基于粗糙集的數(shù)據(jù)約簡(jiǎn)及粗糙集擴(kuò)展模型的研究[D];北京交通大學(xué);2007年

7 孫英娟;基于粗糙集的分類方法研究[D];吉林大學(xué);2011年

8 楊田;覆蓋粗糙集約簡(jiǎn)理論及應(yīng)用[D];湖南大學(xué);2010年

9 劉業(yè)政;基于粗糙集數(shù)據(jù)分析的智能決策支持系統(tǒng)研究[D];合肥工業(yè)大學(xué);2002年

10 梁吉業(yè);基于粗糙集與概念格的智能數(shù)據(jù)分析方法研究[D];中國(guó)科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2004年

相關(guān)碩士學(xué)位論文 前10條

1 江飛;粗糙集神經(jīng)網(wǎng)絡(luò)故障診斷方法研究[D];西安石油大學(xué);2015年

2 何理榮;粗糙集理論在銀行信貸風(fēng)險(xiǎn)評(píng)估中的應(yīng)用研究[D];華南理工大學(xué);2015年

3 張德齊;基于粗糙集理論的電機(jī)故障診斷方法研究[D];渤海大學(xué);2015年

4 楊禮;基于粗糙集的公路交通安全預(yù)警研究[D];西南交通大學(xué);2015年

5 聶萌瑤;基于泛系串并模型的粗糙集概念擴(kuò)展與拓?fù)淇臻g[D];蘭州大學(xué);2015年

6 徐鵬;基于粗糙集的建筑起重機(jī)械安全精細(xì)化評(píng)價(jià)研究[D];西安建筑科技大學(xué);2015年

7 孫宇航;粗糙集屬性約簡(jiǎn)方法在醫(yī)療診斷中的應(yīng)用研究[D];蘇州大學(xué);2015年

8 張曼;基于粗糙集和包含度的聚類分類算法研究[D];青島理工大學(xué);2015年

9 車世遠(yuǎn);基于群搜索優(yōu)化粗糙集的腦科學(xué)數(shù)據(jù)研究[D];大連海事大學(xué);2015年

10 林哲;基于粗糙集的馬田系統(tǒng)研究及其在銀行直接營(yíng)銷客戶分類中的應(yīng)用[D];南京理工大學(xué);2015年

，

本文編號(hào)：1369474