心律失常是心血管疾病中的一種重要疾病,該病突然發(fā)作時可能導致猝死,也可能持續(xù)發(fā)作從而導致心臟衰竭.由于不同類型的心律失常情況對應的治療方式有所不同,因此,能否及時準確地診斷出心律失常的種類,進而采取恰當有效的方式進行治療,有著重要的研究意義和臨床應用價值.借助計算機對心電圖進行信息提取和輔助分類是當前智慧醫(yī)療研究的一個重要領域,其中,使用機器學習算法的分類研究在近年來發(fā)展十分迅速,本文采用的概率神經網絡模型就是其中的一個經典模型.概率神經網絡模型在模式層中使用徑向基函數作為激活函數,其中徑向基函數有一個特點:模式層的所有節(jié)點需要一個公共的平滑參數.本文將對概率神經網絡模型中模式層的平滑參數進行改進,針對每個分類使用不同的平滑參數,即,使用一組多值平滑參數代替原有的單一公共參數.之后,本文使用了遺傳算法對該參數的數值進行優(yōu)化,以提升概率神經網絡模型的預測效果.此外,由于遺傳算法的訓練時間開銷較大,本文還對輸入數據進行了特征處理以提高運行效率,并取得了理想的效果.
【學位單位】：蘭州大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：R541.7
【部分圖文】：

圖 2.1 本文選取信號類型2.2降維方法在應用模型對數據進行分析之前, 我們通常先對數據的特征進行處理, 而特征處理中的一個重要步驟是特征降維. 根據不同的分類標準, 降維方法有多重歸類方式. 例如, 按是否對原有特征進行映射和轉置, 可分為特征選擇和特征提取.其中, 常見的特征選擇方法有費舍爾得分法和逐步向前法等, 常見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舍爾得分法. 下文將簡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 概率神經網絡 (PNN)對于待分類數據 , 基于徑向基傳遞函數, 可在模式層對節(jié)點 定義其輸出:Φ ( ) =1(2 ) /2 exp( || ||22 2) ,其中, ∈ , ∈ , 在這里, 平滑參數 定義的是對未分類樣本和已知分類標簽的訓練集樣本的區(qū)分程度. 偏大的時候, 不能夠完全區(qū)分細節(jié), 對于界限不明顯的類別可能難以達到理想的分類效果. 偏小的時候, 模型相當于 k-means 分類器, 對樣本僅僅起到隔離的作用. 參數的選擇將會影響分類的具體效果, 因此,如何確定該參數是概率神經網絡的關鍵問題之一.模式層各節(jié)點的激活函數即為貝葉斯最優(yōu)決策中的密度函數, 而后根據類別9

遺傳算法(GA)
【相似文獻】

相關碩士學位論文 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;2018年

本文編號：2849955