[发明专利]一种用于辅助医疗系统的决策模型建立方法

权利要求书

1.一种用于辅助医疗系统的决策模型建立方法，其特征在于包括以下步骤，

A、使用支持向量机构建第一分类器，使用有向无环图支持向量机构建第二分类器；

B、使用神经网络对支持向量机进行补充，实现在支持向量机出错时对冲掉风险；

C、通过集成学习对支持向量机和神经网络进行集成。

2.如权利要求1所述的用于辅助医疗系统的决策模型建立方法，其特征在于：步骤A中，

假设样本集为{(x₁，y₁)，(x₂，y₂)，...，(x_n，y_n)}，x_i∈R^d，超平面的方程为：ω^Tx+b＝0，支持向量机的优化问题等价于找到一组适合的参数(ω，b)，使得下述方程组成立，

借助Lagrange函数和对偶问题将上述问题化简为以下方程：

对于线性可分问题，引入惩罚系数C，则上述问题以下面的形式表示：

其中，C代表两类数据的间隔，最终的模型形式表示为：

对于非线性可分问题，利用核函数κ(x_i，x_j)＝φ(x_i)^Tφ(x_j)在将样本数据所在的空间映射到更高维的特征空间后，使得原样本数据在新的空间中是线性可分的，而该平面在原空间对应着一个非线性可分的平面。

3.如权利要求2所述的用于辅助医疗系统的决策模型建立方法，其特征在于：所述核函数的选择范围如下表所示，

4.如权利要求3所述的用于辅助医疗系统的决策模型建立方法，其特征在于：步骤B中，

使用MLP神经网络和RBF神经网络对支持向量机进行补充；

MLP神经网络包含一个输入层，一个或多个隐藏层和一个输出层，并使用线性整流函数f(x)＝max(0，x)作为激活函数；

RBF神经网络包含一层隐藏层,同时使用径向基函数f(x，c_i)＝exp(-β_i||x-c_i||²)作为激活函数，其中c_i是隐藏层内第i个神经元所对应的的中心；

MLP神经网络和RBF神经网络的输入层和输出层分别具有3个和4个单元；

三组MLP神经网络的结构分别为：3-9-7-4、3-10-7-5-4、3-7-5-4，三组RBF神经网络的结构是：3-10-4、3-14-4、3-16-4，上述数字表示每层的单元数；

通过k-means算法对样本数据进行聚类之后，确定每个隐藏层单元的中心c_i。

5.如权利要求4所述的用于辅助医疗系统的决策模型建立方法，其特征在于：步骤C中，

使用stacking集成学习方法对支持向量机和神经网络进行集成；采用算法的参数扰动来增大基学习器的差异,提升整体的泛化性能，通过指数线性回归来学习各个分类器的权重；

数据集分为两部分，其中训练集占80％，测试集占20％；选择对应的核函数和惩罚参数来训练支持向量机；将支持向量机组和神经网络组的输出组合为指数线性回归模型的输入向量，选择均方损失函数作为此回归模型的损失函数，具体函数如下所示：

其中，EM_i是评估值，EM′_i是监督值。