融合知識的GMM-SAFNN模型及其在疾病診斷中的應(yīng)用.pdf

1、模糊神經(jīng)網(wǎng)絡(luò)方法是近年來被廣泛應(yīng)用的數(shù)據(jù)挖掘方法，相對于人工神經(jīng)網(wǎng)絡(luò)的黑盒模型，模糊神經(jīng)網(wǎng)絡(luò)可以利用對實(shí)際數(shù)據(jù)的訓(xùn)練，能夠?qū)⒛Ｐ捅硎緸橐幌盗幸子诶斫獾哪：?guī)則，這些模糊規(guī)則對指導(dǎo)實(shí)際問題決策具有很大的幫助。模糊神經(jīng)網(wǎng)絡(luò)的這一特點(diǎn)使其在信息抽取、知識發(fā)現(xiàn)領(lǐng)域得到廣泛應(yīng)用。
　　本文研究了模糊神經(jīng)網(wǎng)絡(luò)模型在實(shí)際的預(yù)測和模糊規(guī)則提取中的應(yīng)用問題。針對模糊神經(jīng)網(wǎng)絡(luò)方法在實(shí)際規(guī)則提取和知識發(fā)現(xiàn)工作中所存在的不足，提出了GMM-結(jié)構(gòu)自適應(yīng)模糊

2、神經(jīng)網(wǎng)絡(luò)方法，對傳統(tǒng)方法進(jìn)行了以下方面的改進(jìn)：第一，針對模糊神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性易受初始參數(shù)影響的局限，從提升模型準(zhǔn)確性入手，提出使用高斯混合模型(GMM)對模糊神經(jīng)網(wǎng)絡(luò)初始隸屬度函數(shù)中參數(shù)進(jìn)行訓(xùn)練，以優(yōu)化后的參數(shù)代替隨機(jī)初始化的參數(shù)，提高模型的準(zhǔn)確性；第二，針對模糊神經(jīng)網(wǎng)絡(luò)所提取的規(guī)則可解釋性差的問題，提出結(jié)構(gòu)自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)方法，通過改進(jìn)損失函數(shù)，在訓(xùn)練中控制相似隸屬度函數(shù)的合并，實(shí)現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)自適應(yīng)調(diào)整，減少模糊規(guī)則數(shù)

3、量，在保證診斷準(zhǔn)確性情況下，提取出容易理解的可解釋性規(guī)則。第三，針對BP算法在模型訓(xùn)練時計(jì)算復(fù)雜，收斂較慢的問題，采用粒子群優(yōu)化（PSO）算法進(jìn)行GMM-結(jié)構(gòu)自適應(yīng)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練，有效簡化模型訓(xùn)練過程，提高模型訓(xùn)練效率。最后，為了使模型在決策支持系統(tǒng)中存儲、使用和擴(kuò)展，使用知識元理論對所提取的模糊規(guī)則進(jìn)行了結(jié)構(gòu)化的表示。所提取的知識元將作為與診斷過程相關(guān)的先驗(yàn)知識在決策支持系統(tǒng)中存儲和使用。
　　本文使用國家臨床醫(yī)學(xué)科學(xué)數(shù)據(jù)中心