本文關(guān)鍵詞：基于差分進化優(yōu)化算法和極限學(xué)習(xí)機的心電逆問題研究

  更多相關(guān)文章： 極限學(xué)習(xí)機 參數(shù)選取 心電逆問題 差分進化算法

【摘要】：心電逆問題的本質(zhì)就是依據(jù)體表電位對心肌跨膜電位進行無創(chuàng)重構(gòu)，而且重構(gòu)獲得的跨膜電位相對于體表電位來說電位信息更精確，更能準(zhǔn)確生動的體現(xiàn)心臟的電位變化，可以提高心臟疾病檢測的準(zhǔn)確性。心電逆問題研究是根據(jù)體表電位來逆推獲得心肌跨膜電位分布的研究，可以看作是同時具有多個輸入值和多個輸出值的回歸問題，也就是將多個體表的電位值回歸逆推獲得心臟跨膜電位的多個輸出值，本文通過極限學(xué)習(xí)機(ExtremeLearning Machine, ELM)算法來實現(xiàn)心電逆問題的求解。 首先第一組實驗利用心臟表面源模型的方法來構(gòu)造心臟軀干模型，通過心電仿真模型來獲取在體表和心肌跨膜的電位。其次第二組實驗利用ECGSim軟件來獲取心臟預(yù)激綜合癥體表和心臟電位信息。為了能夠使極限學(xué)習(xí)機可以具有更好的逼近能力和適應(yīng)能力，需要對其算法中的參數(shù)實行最優(yōu)化的選擇。本文中，主要利用差分進化算法(Differentialevolution,DE)來對極限學(xué)習(xí)機中的參數(shù)進行有效的選取，，使極限學(xué)習(xí)機的回歸模型實現(xiàn)最優(yōu)化，參數(shù)選擇完成后就可以構(gòu)建有效的回歸模型以及根據(jù)體表電位對心肌跨膜電位的分布進行比較準(zhǔn)確的預(yù)測。在心電逆問題研究中，我們對心肌跨膜電位重建算法（包括SupportVector Regression,SVR、ELM、ELM-kernel）的預(yù)測結(jié)果進行全面的比較分析，最后得出對模型構(gòu)建最準(zhǔn)確的一種算法。 實驗結(jié)果表明，在對心肌跨膜電位分布進行預(yù)測和重建過程中，上述中的四種算法都對心電逆問題進行求解。但是，相對于SVR算法，ELM和ELM-kernel算法重構(gòu)的效率最高；相比于ELM算法，在心肌跨膜電位分布重建過程中，基于RBF（Radial Basis Function）核函數(shù)的極限學(xué)習(xí)機（ELM-kernel）精度更高、適應(yīng)能力更強、能夠重構(gòu)更加準(zhǔn)確地心臟跨膜電位分布。
【關(guān)鍵詞】：極限學(xué)習(xí)機 參數(shù)選取 心電逆問題 差分進化算法
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R540.4;TP18
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-14
• 1.1 研究背景和意義9-10
• 1.2 國內(nèi)外的研究現(xiàn)狀10-11
• 1.3 本文的研究內(nèi)容及論文結(jié)構(gòu)11-14
• 第二章 心電逆問題的研究框架及數(shù)據(jù)獲取14-19
• 2.1 心電逆問題研究的整體框架14-15
• 2.2 建立心電逆問題的模型15-17
• 2.3 心電仿真數(shù)據(jù)17-18
• 2.3.1 基于正常的心電仿真數(shù)據(jù)17
• 2.3.2 基于兩組病變的心電仿真數(shù)據(jù)17-18
• 2.4 本章小結(jié)18-19
• 第三章 基于極限學(xué)習(xí)機的心電逆問題研究19-29
• 3.1 引言19
• 3.2 極限學(xué)習(xí)機算法介紹19-23
• 3.2.1 ELM 簡介19-20
• 3.2.2 ELM 原理介紹20-22
• 3.2.3 ELM 實現(xiàn)步驟22-23
• 3.3 極限學(xué)習(xí)機算法中參數(shù)的選擇23-24
• 3.3.1 參數(shù)的影響23
• 3.3.2 參數(shù)的選擇方法23-24
• 3.3.3 本文 ELM 參數(shù)范圍的確定24
• 3.4 基于 ELM 算法與傳統(tǒng) SVR 算法比較分析24-28
• 3.4.1 對心臟跨膜電位進行重構(gòu)25-27
• 3.4.2 誤差比較和分析27-28
• 3.4.3 結(jié)論28
• 3.5 本章小結(jié)28-29
• 第四章 基于 ELM-kernel 的心電逆問題研究29-38
• 4.1 引言29
• 4.2 ELM-kernel 方法介紹29-31
• 4.2.1 ELM-kernel 簡介29
• 4.2.2 ELM-kernel 實現(xiàn)原理29-31
• 4.2.3 ELM-kernel 實現(xiàn)步驟31
• 4.3 核函數(shù)31-34
• 4.3.1 核函數(shù)和正定矩陣?yán)碚?/span>31-32
• 4.3.2 常用核函數(shù)的介紹32-33
• 4.3.3 本文核函數(shù)的確定33-34
• 4.4 基于 ELM-kernel 算法與 ELM 算法比較分析34-37
• 4.4.1 心臟跨膜電位的重構(gòu)34-36
• 4.4.2 誤差比較和分析36-37
• 4.4.3 結(jié)論37
• 4.5 本章小結(jié)37-38
• 第五章 基于差分進化算法(DE)和極限學(xué)習(xí)機的心電逆問題研究38-50
• 5.1 引言38
• 5.2 差分進化算法38-43
• 5.2.1 差分進化算法（DE）的簡介38-39
• 5.2.2 差分進化算法的基本操作原理39-40
• 5.2.3 差分進化算法的參數(shù)研究40-41
• 5.2.4 基于差分進化算法的 ELM 和 ELM-kernel 參數(shù)優(yōu)化41-43
• 5.3 基于差分進化算法和 ELM、ELM-kernel 的心肌跨膜電位重構(gòu)與分析43-49
• 5.3.1 基于差分進化算法的 ELM、ELM-kernel 的參數(shù)選擇結(jié)果43
• 5.3.2 心臟跨膜電位的重構(gòu)43-48
• 5.3.3 誤差比較和分析48-49
• 5.3.4 結(jié)論49
• 5.4 本章小結(jié)49-50
• 第六章 總結(jié)與展望50-51
• 6.1 論文工作總結(jié)50
• 6.2 今后工作展望50-51
• 參考文獻51-55
• 致謝55-56
• 攻讀學(xué)位期間的研究成果56

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 王凱;侯著榮;王聰麗;;基于交叉驗證SVM的網(wǎng)絡(luò)入侵檢測[J];測試技術(shù)學(xué)報;2010年05期

2 潘華賢;;融合DE與ELM方法的油氣鉆井成本預(yù)測[J];電腦知識與技術(shù);2013年25期

3 周艷平;顧幸生;;差分進化算法研究進展[J];化工自動化及儀表;2007年03期

4 高岳林;劉軍民;;差分進化算法的參數(shù)研究[J];黑龍江大學(xué)自然科學(xué)學(xué)報;2009年01期

5 何明輝;李勝;李平;聶景旭;;基于SA組合算法的SVM參數(shù)選取[J];計算機工程與應(yīng)用;2010年22期

6 傅初黎;李洪芳;熊向團;;不適定問題的迭代Tikhonov正則化方法[J];計算數(shù)學(xué);2006年03期

7 孫濤;潘華賢;;基于DE與ELM的交通流預(yù)測[J];科技視界;2013年30期

8 劉建偉;李雙成;付捷;羅雄麟;;L1范數(shù)正則化SVM聚類算法[J];計算機工程;2012年12期

9 周江Z

本文編號：620739