[发明专利]基于神经网络模型的COPD诊断信息敏感数据挖掘方法

权利要求书

1.基于神经网络模型的COPD诊断信息敏感数据挖掘方法，其特征在于，所述方法包括以下步骤：

S1、采用无监督进步式学习算法对COPD诊断信息进行清洗，消除重复记录的数据；

S2、通过支持向量机构建立COPD诊断信息敏感数据挖掘模型；

S3、神经网络模型对COPD诊断信息敏感数据挖掘模型进行自动求解和参数自动调优，从而实现COPD诊断信息敏感数据自动挖掘。

2.根据权利要求1所述的基于神经网络模型的COPD诊断信息敏感数据挖掘方法，其特征在于，步骤S1中，对数据的清洗包括以下步骤：

得到原始数据后，先对数据集进行预处理，再选择合适的属性；

找到合适的聚类算法和分类方法再去分组记录；

采用数据挖掘技术进行相似度的计算；

采用无监督步进式学习算法对诊断信息中相似的数据进行清理。

3.根据权利要求2所述的基于神经网络模型的COPD诊断信息敏感数据挖掘方法，其特征在于，所述无监督进步式学习算法采用竞争学习，所述竞争学习由互相竞争的中性细胞组成，其所述中性细胞的应用规则描述为：

E(N)＝a/2-Φ(w^Tx) (1)

式中，E(.)表示期望值，N描述的是次数；a表示遗忘系数，通常情况下大于等于零，Φ(·)表示可微函数，x描述的是输入样本向量参数，w描述的是权重向量参数，T描述的是向量值；

中性细胞的输出为：

y＝dΦ(υ)/dυ＝f(υ) (2)

式中：υ＝W^Tx表示中性细胞的活性系数，x描述的是输入样本向量参数，w描述的是权重向量参数；T描述的是向量值，在梯度的下降法则基础上得出一种持续学习的规则为：

-u_ωE(ω)＝dω/dυ (3)

式中：u表示一种学习速度系数，并大于零，ω表示权值，所以梯度为：

式中：ω表示权值；从上述方程函数中可知，中性细胞的学习规则如下：

dω/dt＝u[yx-aω] (5)

式中：u表示一种学习速度系数，并大于零，a表示遗忘系数，通常情况下大于等于零，x描述的是输入样本向量参数，y描述的是变量值，ω表示权值；

离散的学习规则为：

ω(t+1)＝u[y(t+1)x(t+1)-aω(t)]+ω(t) (6)

式中：u表示一种学习速度系数，并大于零，a表示遗忘系数，通常情况下大于等于零，x描述的是输入样本向量参数，y描述的是变量值，t描述的是统计量，ω表示权值；

若Y是奖惩系数，a等于1，是遗忘系数，i-th中性细胞在被激活情况下的学习规则为：

ω_i(t+1)＝uY_i[x(t+1)-ω_i(t)]+ω_i(t) (7)

其中：

式中：u表示一种学习速度系数，并大于零，x描述的是输入样本向量参数，ω_i表示权重系数，Y_i表示第i个变量值，d_i表示i-th中性细胞的相似值，β是惩罚系数，θ代表相似度的门槛，并且：

式中：d_p表示相似值，p表示样本率，ω₂表示权值2，y_i是向量y的i-th元素，x_i是向量x的i-th元素,i＝1,...,l。