[发明专利]一种基于混合智能算法的冠心病无创性诊断方法

摘要

本发明公开了一种基于混合智能算法的冠心病无创性诊断方法，该方法通过染色体的编码；适应度函数的构造；选择算子、交叉算子、变异算子的确立；BP网络权值和阈值初始化；输入样本的选取；计算隐层输出值；计算输出层各单元的响应值；计算输出层各单元的均方误差和；计算隐层和输出层之间的连接权重；计算输入层和隐层连接权重等步骤建立正确的冠心病无创性诊断仿真模型，本发明基于混合智能优化算法，克服通常方法对初始值敏感容易陷入局部极值的弱点；极大地提高了收敛速度；减少了影响因子维数，降低了算法的计算复杂性；无创性诊断方法的结构和参数可以根据具体的训练过程来调整，实现了冠心病无创性诊断的智能化。

主权项

1.一种基于混合智能算法的冠心病无创性诊断方法，该方法包括以下步骤：步骤（1）:染色体的编码在染色体的编码过程中，考虑到冠心病的智能诊断问题如果采用二进制编码，会造成编码串过长，会影响到网络的学习精度和算法的运行时间，因此文采用实数编码，即x＝(w,θ,v,γ)；步骤（2）:适应度函数的构造适应度函数的选取至关重要，直接影响到遗传算法的收敛速度以及能否找到最优解，目标函数选取网络误差函数c_k为实际输出，y_k为目标输出；作为目标函数，即目标函数要取到极小，由于目标函数值与适应度函数相反，则适应度函数应取目标函数的倒数，即适应度函数为F(E)＝1/E；步骤（3）:选择算子的确立选择策略使用遗传算法中常用的比例选择算子，设群体规模为M，个体i的适应度为F_i，则个体i被选中的概率为P_i为步骤（4）:交叉算子的设计由于采用的是实数编码，所以交叉算子采用算术交叉策略，设有个体二者进行算术交叉，则交叉运算后所产生出的两个新个体是xAi+1=αxBi+(1-α)xAixBi+1=αxAi+(1-α)xBi,]]>其中，α为在（0，1）之间的符合均匀分布的随机数；步骤（5）:变异算子的设计变异算子采用均匀变异策略，假设有一个体为X＝x₁x₂...x_k...x_i，若x_k为变异点，其取值范围为在该点对个体X进行均匀变异操作后，可得到一个新的个体X＝x₁x₂...x_'k...x_i其中变异点的新基因值是其中，r为在（0，1）之间符合均匀分布的随机数；步骤（6）:BP网络权值和阈值初始化；经过遗传算法训练结束后，找出适应值最大的个体，把该个体的各个分量解码成相应的参数值，就是网络的初始权值和阈值；步骤（7）:输入样本的选取；随机选取一组输入样本Xk=(x1k,x2k,...,xnk)]]>和目标样本Yk=(y1k,y2k,...,ymk),]]>将它们提供给网络；步骤（8）:计算隐层输出值由j＝1,2,...,p计算隐层各单元的输入值，其中w_ij为输入层到隐层之间的连接权值，θ_j为隐层的阈值，然后通过B_j＝f₁(s_j)求出隐层的输出值B_j,j＝1,2,...,p，其中，f₁(x)为传递函数；步骤（9）:计算输出层各单元的响应值由t＝1,2,...,q计算输出层各单元的输入值，然后通过传递函数C_t＝f₂(L_t)，计算输出层各单元的响应值C_t，t＝1,2,...,q；其中，f₂(x)为传递函数；步骤（10）:计算输出层各单元的均方误差和由计算输出层各单元的均方误差和；选取其他样本，重复步骤（8）～（10），当所有样本都输入一次后，全局误差为E=12Σp=1PΣk=1m(ckp-ykp)2=Σp=1PEp]]>步骤（11）:计算隐层和输出层之间的连接权重；由于L-M算法利用近似的二阶导数信息，比梯度法快得多，尤其当输入维数较低时，L-M优化算法表现出较高的性能，使用L-M算法取代原有的梯度下降算法；为使全局误差E取极小值，由Δvjt=Σp=1PΣj=1mη(ckp-ykp)·f2′(Lj)·Bjvjt′=vjt+Δvjt]]>调整隐层和输出层的连接权重v'_jt，其中η为学习率，Δv_jt为连接权重调整率；在用L-M算法进一步优化，新的权值调整率为Δv＝(J^TJ+μJ)^-1.J^Te，其中：e是误差向量；J是网络误差对权值v'_jt导数的雅可比矩阵；μ是标量，当μ很大时，Δv接近于梯度法，当μ很小时，Δv变成了高斯-牛顿法，因此，μ也是自适应调整的；从而再由v_jt＝v'_jt+Δv求出隐层和输出层的连接权重v_jt；步骤（12）:计算输入层和隐层连接权重；根据输出层的连接权重v_jt，由Δwij=Σp=1PΣj=1mηvjtxi(ckp-ykp)f2′(Lj)f1′(Sk)wij′=Δwij+wij]]>调整输入层和隐层连接权重w′_ij，再用L-M算法进一步优化，由Δw＝(J^TJ+μJ)^-1.J^Te和w_ij＝w′_ij+Δw计算出输入层和隐层连接权重w_ij。