[发明专利]基于贝叶斯优化的脑卒中与慢性病模型的参数优化方法

权利要求书

1.一种基于贝叶斯优化的脑卒中与慢性病模型的参数优化方法，其特征在于，包括步骤：

获取候选参数集、训练数据集以及验证数据集，所述候选参数集包括第一候选参数集和第二候选参数集；

基于所述训练数据集和所述验证数据集，对所述第一候选参数集中第一候选参数进行误差评估，确定当前最小误差值；

根据所述第一候选参数集和所述第二候选参数集确定均值函数和标准差，其中，所述第二候选参数集中的第二候选参数为未评估参数；

根据所述均值函数、所述标准差以及所述当前最小误差值，确定目标参数；

所述候选参数集中，每个候选参数为顺序子参数和层数子参数；

所述根据所述第一候选参数集和所述第二候选参数集确定均值函数和标准差的步骤包括：

将第一候选参数的顺序子参数和第二候选参数的顺序子参数同时映射到欧氏距离空间，得到第一低维顺序子参数和第二低维顺序子参数；

对所述第一低维顺序子参数和所述第一候选参数的层数子参数进行标准化为0~1之间的数，得到第一标准化候选参数集；对所述第二低维顺序子参数和所述第二候选参数的层数子参数进行标准化为0~1之间的数，得到第二标准化候选参数集；

根据所述第一标准化候选参数集和第二标准化候选参数集确定高斯过程的协方差矩阵；

根据所述协方差矩阵和第一候选参数对应的误差值确定均值函数；

根据所述协方差矩阵确定标准差；

所述将第一候选参数的顺序子参数和第二候选参数的顺序子参数同时映射到欧氏距离空间，得到第一低维顺序子参数和第二低维顺序子参数包括：

计算任意两个顺序子参数的最小编辑距离，构建N×N的最小编辑距离矩阵，其中N为所有顺序子参数的数量；

采用多维尺度变换算法将所述最小编辑距离矩阵降到K维，将降维后的最小编辑距离矩阵中的每个K维向量作为欧式距离的空间中的低维顺序子参数，得到第一低维顺序子参数和第二低维顺序子参数。

2.根据权利要求1所述的基于贝叶斯优化的脑卒中与慢性病模型的参数优化方法，其特征在于，所述基于所述训练数据集和所述验证数据集，对所述第一候选参数集中第一候选参数进行误差评估，确定当前最小误差值的步骤包括：

针对每一个第一候选参数，通过所述第一候选参数的第一顺序子参数和第一层数子参数构建预设深度神经网络模型；

基于所述训练数据集和验证数据集对所述预设深度神经网络模型进行训练，得到所述第一候选参数对应的误差值；

将所有第一候选参数对应的误差值中的最小的误差值作为当前最小误差值。

3.根据权利要求1所述的基于贝叶斯优化的脑卒中与慢性病模型的参数优化方法，其特征在于，所述协方差矩阵的元素为所述高斯过程的核函数的值，所述核函数的值的计算方式为：

，

其中，a，b为第一标准化候选参数或第二标准化候选参数，δ表示自由参数。

4.根据权利要求3所述的基于贝叶斯优化的脑卒中与慢性病模型的参数优化方法，其特征在于，所述均值函数的计算方式为：

；

所述标准差的计算方式为：

；

其中，c表示第一标准化候选参数，c'表示第二标准化候选参数，和表示第一候标准化选参数集与第二标准化候选参数集的协方差矩阵，和互为转置矩阵，是第一标准化候选参数集的协方差矩阵，是第二标准化候选参数集的协方差矩阵，是第一标准化候选参数对应的误差值。

5.根据权利要求4所述的基于贝叶斯优化的脑卒中与慢性病模型的参数优化方法，其特征在于，所述根据所述均值、所述标准差以及所述当前最小误差值，确定目标参数的步骤包括：

根据所述均值函数、所述标准差以及所述当前最小误差值，得到各个第二候选参数对应的期望值；

将最大期望值对应的第二候选参数作为参考目标参数；

基于所述训练数据集和所述验证数据集，对所述参考目标参数进行误差评估，根据所述参考目标参数的误差值与所述当前最小误差值，更新当前最小误差值，并将更新的最小误差值对应的候选参数作为目标参数。