[发明专利]基于遗传算法优化的BP神经网络的心电图分类方法在审
申请号: | 201910487227.6 | 申请日: | 2019-06-05 |
公开(公告)号: | CN110211684A | 公开(公告)日: | 2019-09-06 |
发明(设计)人: | 李鑫钊 | 申请(专利权)人: | 四川长虹电器股份有限公司 |
主分类号: | G16H50/20 | 分类号: | G16H50/20;G06N3/12;G06N3/08;A61B5/0402;A61B5/04;A61B5/00 |
代理公司: | 四川省成都市天策商标专利事务所 51213 | 代理人: | 刘渝 |
地址: | 621000 四*** | 国省代码: | 四川;51 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 心电图 数据集 分类 读取 遗传算法优化 格式文件 输入层 分类算法 现实意义 训练样本 依次连接 遗传算法 自动诊断 子代 传统的 输出层 隐含层 准确率 多层 数据库 保存 | ||
1.一种基于遗传算法优化的BP神经网络的心电图分类方法,其特征在于,包括以下步骤:
S10、从数据库中选取数据集,并通过Matlab程序读取所述数据集,并以mat格式文件进行保存;
S20、利用遗传算法对数据集进行交叉变异选出最优子代,将得到的结果作为训练样本传入BP神经网络的输入层;
S30、训练BP神经网络,所述BP神经网络包括依次连接的输入层、多层隐含层单元和输出层,其中,同一层神经元之间无连接,前一层节点与后一层节点采用全连接的方式,具体包括以下步骤:
S31、计算隐含层、输出层的各输入输出;
S32、计算隐含层各单元的校正误差;
S33、调整隐含层到输出层的权重及输出层阈值;
S34、调整输入层到隐含层的权重及输出层阈值;
S35、当误差小于等于预设的误差门限值时,结束训练;
S40、将待分类的心电图通过Matlab程序读取出mat格式文件,然后输入训练好的BP神经网络对待分类的心电图进行分类。
2.根据权利要求1所述的基于遗传算法优化的BP神经网络的心电图分类方法,其特征在于,所述步骤S20中,利用遗传算法对数据集进行交叉变异选出最优子代具体包括以下步骤:
S21、采用二进制对染社体进行编码,用二进制符号串构成个体基因型;
S22、设定初始种群:根据优化问题,把握最优解所占空间在整个问题空间的分布范围,然后,在此分布范围内设定合适的初始群体;先随机生成一定数目的个体,然后从中挑出最好的个体加入到初始群体中,再不断迭代,直到初始群体中个体数目达到了预先确定的种群大小;
S23、选择运算:找出当前群体中适应度值最高和最低的个体的集合,若当代群体中存在适应度值比迄今为止最好个体的适应度高的个体,则用此个体作为新的迄今为止的最好个体,用迄今为止的最好个体将当代群体中的最差个体替换掉;
S24、交叉运算:采用随机的方法对个体进行两两配对;在配对的个体中,采用随机的方法设置一个或者多个交叉点;依据设定的原则进行染色体交换,形成新的个体;
S25、变异运算:指定一个变异概率Pm,然后在(0,1)之间取一组随机数,其长度与编码长度相同,然后将随机数小于变异概率Pm的位置上的个体基因值取反。
3.根据权利要求1所述的基于遗传算法优化的BP神经网络的心电图分类方法,其特征在于,所述步骤S30中,采用RELU激活函数将隐含层节点的输出节点传播到输出节点,为了防止过拟合,采用Dropout函数修改BP神经网络本身结构,并且设置神经元被选中的概率为0.8,然后通过Softmax分类器输出分类结果,最后通过误差反向传播修改各层神经元之间的权值和阈值。
4.根据权利要求3所述的基于遗传算法优化的BP神经网络的心电图分类方法,其特征在于,计算隐含层、输出层的各输入输出具体包括:
设激活函数为σ(z),L1层为输入层,L2层为隐藏层,隐藏层中每一个节点的输出分别表示为:
对于第三层的输出满足如下关系:
在BP神经网络中假设第l-1层共有m个神经元,第l层共有n个神经元,通过类推则第l层的第j个神经元的输出满足如下关系:
第l-1层激活后的输出a组成了一个m×1的向量al-1,根据上式得出第l层的权重系数ω组成了n×m的矩阵Wl以及偏倚向量b组成了n×1的向量bl,对于第l层未激活前线性输出z组成了n×1的向量zl,激活后的输出a组成了n×1的向量al,用矩阵法表示第l层的输出为:
al=σ(zl)=σ(Wlal-1+bl)。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于四川长虹电器股份有限公司,未经四川长虹电器股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910487227.6/1.html,转载请声明来源钻瓜专利网。