隨著經(jīng)濟(jì)社會的發(fā)展,人們生產(chǎn)生活壓力的增加,心血管疾病成為危害人類健康的疾病之一。通過深度學(xué)習(xí)、數(shù)據(jù)挖掘等智能方法,依據(jù)病人的心拍、血糖、血壓等生命指標(biāo),診斷和預(yù)測病人病情,對病人病情的早期預(yù)防與治療有重要意義。論文根據(jù)心血管病數(shù)據(jù)的特征,以及現(xiàn)有智能模型的不足,提出和建立了心血管疾病發(fā)現(xiàn)與診斷模型。論文的主要研究內(nèi)容概括如下:（1）針對心血管疾病診斷過程中,心拍數(shù)據(jù)的非線性、時變性以及復(fù)雜性問題,論文將基于稀疏自動編碼器的深度神經(jīng)網(wǎng)絡(luò)模型與過程神經(jīng)網(wǎng)絡(luò)棧式疊加,構(gòu)建了一種深度過程神經(jīng)網(wǎng)絡(luò)模型（DPNN）。DPNN模型保持了樣本特征的多樣性,有效提高對信號結(jié)構(gòu)特征的提取能力和不同類別樣本特征的區(qū)分度;同時將傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)在信息處理機(jī)制上擴(kuò)展為時間域,實現(xiàn)對時變信號直接的分類處理。對心血管疾病的診斷進(jìn)行了實際分析和處理,取得了良好結(jié)果。（2）針對依據(jù)人體的各項生命體征,對心血管疾病智能診斷問題,論文建立了基于模糊聚類的動態(tài)聚類算法。模型采用迭代方式,將模糊聚類算法與Density-Based Spatial Clustering of Applications with Noise（D... 

【文章來源】：山東科技大學(xué)山東省

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２．１?ＰＮＮ模型??

２．１過程神經(jīng)網(wǎng)絡(luò)模型原理與結(jié)構(gòu)??過程神經(jīng)網(wǎng)絡(luò)模型（ＰＮＮ）?—般由以下４部分構(gòu)成［４７］：輸入層、過程神經(jīng)元??隱層、非時變神經(jīng)元隱層和輸出層。ＰＮＮ拓?fù)浣Y(jié)構(gòu)如圖２．１所示：??Ｘ３（．｜?—??圖２．１?ＰＮＮ模型??Ｆｉｇ．２．１?ＰＮＮ?ｍｏｄｅｌ??其中ｎ個輸入節(jié)點，完成ｎ條特征曲線的輸入；ｍ個過程神經(jīng)元，完成ｎ個??特征曲線的時空聚合及特征提取：ｋ個非時變神經(jīng)元用于提高過程神經(jīng)網(wǎng)絡(luò)輸入??輸出的映射能力；輸出節(jié)點完成模型的輸出。??對于ＰＮＮ的訓(xùn)練算法，采用基于函數(shù)正交基［４７］展開的ＰＮＮ學(xué)習(xí)算法??２．２基于稀疏自動編碼器的深度神經(jīng)網(wǎng)絡(luò)模型的原理與結(jié)構(gòu)??基于稀疏自動編碼器的深度神經(jīng)網(wǎng)絡(luò)模型（ＳＡＥ）是深度祌經(jīng)網(wǎng)絡(luò)模型的一??種，ＳＡＥ的模型結(jié)構(gòu)如圖２．?２所示。??９??

圖３．?１基于ＳＡＥ的ＤＰＮＮ模型結(jié)構(gòu)??Ｆｉｇ．３．１?ＳＡＥ－ｂａｓｅｄ?ＤＰＮＮ?Ｍｏｄｅｌ?Ｓｔｒｕｃｔｕｒｅ??過程神經(jīng)元隱層、雙ＳＡＥ深度祌經(jīng)元隱層的基于ＳＡＥ的深度過程神經(jīng)入、輸出關(guān)系為［５３］：??，食毒Ｖ皆，［ｆ如＿卜外《卜?式（３．中，％和％。為節(jié)點與節(jié)點之間的接權(quán)函數(shù)與連接權(quán)值０＼〇）?＆１１）少２）和為過程神經(jīng)元隱層節(jié)點ｊ的激勵閾值、第一?ＳＡＥｋ的激勵閾值、第二ＳＡＥ深度節(jié)點ｋ的激勵閾值和分類器的激勵閾值。［０采樣區(qū)間。??有ＳＡＥ網(wǎng)絡(luò)模型的輸入一般是與時間沒有關(guān)系的常量，在結(jié)構(gòu)與算法，ＳＡＥＤＰＮＮＳ


本文編號：3014413