心律失常是心血管疾病中的一種重要疾病,該病突然發(fā)作時(shí)可能導(dǎo)致猝死,也可能持續(xù)發(fā)作從而導(dǎo)致心臟衰竭.由于不同類型的心律失常情況對(duì)應(yīng)的治療方式有所不同,因此,能否及時(shí)準(zhǔn)確地診斷出心律失常的種類,進(jìn)而采取恰當(dāng)有效的方式進(jìn)行治療,有著重要的研究意義和臨床應(yīng)用價(jià)值.借助計(jì)算機(jī)對(duì)心電圖進(jìn)行信息提取和輔助分類是當(dāng)前智慧醫(yī)療研究的一個(gè)重要領(lǐng)域,其中,使用機(jī)器學(xué)習(xí)算法的分類研究在近年來(lái)發(fā)展十分迅速,本文采用的概率神經(jīng)網(wǎng)絡(luò)模型就是其中的一個(gè)經(jīng)典模型.概率神經(jīng)網(wǎng)絡(luò)模型在模式層中使用徑向基函數(shù)作為激活函數(shù),其中徑向基函數(shù)有一個(gè)特點(diǎn):模式層的所有節(jié)點(diǎn)需要一個(gè)公共的平滑參數(shù).本文將對(duì)概率神經(jīng)網(wǎng)絡(luò)模型中模式層的平滑參數(shù)進(jìn)行改進(jìn),針對(duì)每個(gè)分類使用不同的平滑參數(shù),即,使用一組多值平滑參數(shù)代替原有的單一公共參數(shù).之后,本文使用了遺傳算法對(duì)該參數(shù)的數(shù)值進(jìn)行優(yōu)化,以提升概率神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)效果.此外,由于遺傳算法的訓(xùn)練時(shí)間開(kāi)銷較大,本文還對(duì)輸入數(shù)據(jù)進(jìn)行了特征處理以提高運(yùn)行效率,并取得了理想的效果.
【學(xué)位單位】：蘭州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：R541.7
【部分圖文】：

圖 2.1 本文選取信號(hào)類型2.2降維方法在應(yīng)用模型對(duì)數(shù)據(jù)進(jìn)行分析之前, 我們通常先對(duì)數(shù)據(jù)的特征進(jìn)行處理, 而特征處理中的一個(gè)重要步驟是特征降維. 根據(jù)不同的分類標(biāo)準(zhǔn), 降維方法有多重歸類方式. 例如, 按是否對(duì)原有特征進(jìn)行映射和轉(zhuǎn)置, 可分為特征選擇和特征提取.其中, 常見(jiàn)的特征選擇方法有費(fèi)舍爾得分法和逐步向前法等, 常見(jiàn)的特征提取方法有主成分分析法和線性判別分析法等.本文選擇了特征提取法中的主成分分析法, 模糊均值聚類法和特征選擇法中的費(fèi)舍爾得分法. 下文將簡(jiǎn)要介紹這三種降維方法的基本思想.2.2.1 模糊均值聚類

圖 2.2 概率神經(jīng)網(wǎng)絡(luò) (PNN)對(duì)于待分類數(shù)據(jù) , 基于徑向基傳遞函數(shù), 可在模式層對(duì)節(jié)點(diǎn) 定義其輸出:Φ ( ) =1(2 ) /2 exp( || ||22 2) ,其中, ∈ , ∈ , 在這里, 平滑參數(shù) 定義的是對(duì)未分類樣本和已知分類標(biāo)簽的訓(xùn)練集樣本的區(qū)分程度. 偏大的時(shí)候, 不能夠完全區(qū)分細(xì)節(jié), 對(duì)于界限不明顯的類別可能難以達(dá)到理想的分類效果. 偏小的時(shí)候, 模型相當(dāng)于 k-means 分類器, 對(duì)樣本僅僅起到隔離的作用. 參數(shù)的選擇將會(huì)影響分類的具體效果, 因此,如何確定該參數(shù)是概率神經(jīng)網(wǎng)絡(luò)的關(guān)鍵問(wèn)題之一.模式層各節(jié)點(diǎn)的激活函數(shù)即為貝葉斯最優(yōu)決策中的密度函數(shù), 而后根據(jù)類別9

遺傳算法(GA)
【相似文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 賀雪超;基于GA-PNN模型的心律失常分類研究[D];蘭州大學(xué);2018年

本文編號(hào)：2849955