[发明专利]一种基于改进降噪自动编码器的小于胎龄儿预测方法

摘要

本发明公开了一种基于改进降噪自动编码器的小于胎龄儿预测方法，包括：预处理小于胎龄儿数据中的文本特征和非文本特征；基于改进的降噪自动编码器进行无监督学习，得到多个特征集；利用深度神经网络进行有监督学习微调模型参数；将训练好的模型对测试集进行预测，从而得到最终的分类结果。其中改进的降噪自动编码器在输入层进行0到2倍之间的按照正态随机数随机变化，采用改进的降噪自动编码器可以很好的将小于胎龄儿数据中的高维特征进行降维以及非线性抽象，同时改进的“降噪”方法提高了自动编码器学习到的特征多样性和鲁棒性；本发明提高了对小于胎龄儿数据预测的准确率，具有较高的实用意义。

主权项

1.一种基于改进降噪自动编码器的小于胎龄儿疾病预测方法，其特征在于，包括：步骤1、获取小于胎龄儿数据：所述小于胎龄儿数据包括文本特征和非文本特征，所述非文本特征包括连续型特征和离散型特征，所述连续型特征包括身高、体重和年龄，所述离散型特征包括职业、血型和是否吸烟；步骤2、预处理数据：对负样本中缺失值超过20％比例的样本进行删除，利用‑1固定值对缺失值进行填补；步骤3、处理小于胎龄儿文本特征：对文本特征进行分词，对分词完后的词进行停用词处理，并利用tf‑idf将词进行向量化处理；步骤4、处理小于胎龄儿非文本特征：对连续型特征进行归一化处理，对离散型特征采用哑变量化操作；步骤5、改进的降噪自动编码器进行无监督训练，从而抽象小于胎龄儿数据特征：改进的降噪自动编码器在输入层进行0到2倍之间的按照正态随机数随机变化，输出层则为不降噪的原特征；步骤6、模型进行有监督参数微调：在自动编码器的最后一层加入一层sigmoid激活层来实现模型分类的功能，将样本的标签作输入，进行有监督的训练，对模型的参数进行微调，从而得到分类模型；步骤7、对数据进行小于胎龄儿疾病分类：根据分类模型对测试集进行预测分类，预估胎儿是否是小于胎龄儿。