核logistic神經(jīng)網(wǎng)絡(luò)分類器及在血液透析診斷中的應(yīng)用.pdf

1、核logistic神經(jīng)網(wǎng)絡(luò)分類器，一方面結(jié)合了核logistic回歸的非線性特征處理能力和概率描述能力，保證了模型的泛化性能；另一方面又對(duì)模型的網(wǎng)絡(luò)結(jié)構(gòu)做出了創(chuàng)新和改進(jìn)，使模型結(jié)構(gòu)更加優(yōu)化。模型使用受限玻爾茲曼機(jī)進(jìn)行預(yù)訓(xùn)練，能夠得到較好的網(wǎng)絡(luò)參數(shù)初始值。本文分別探討了基于受限玻爾茲曼機(jī)的核 logistic神經(jīng)網(wǎng)絡(luò)二分類模型和多分類模型，并將其應(yīng)用到血液透析診斷中，建立血液透析評(píng)價(jià)模型。本文的主要工作如下：
　　首先提出了一種基于

2、受限玻爾茲曼機(jī)的核 logistic神經(jīng)網(wǎng)絡(luò)二分類模型。該模型將核 logistic回歸與人工神經(jīng)網(wǎng)絡(luò)相結(jié)合，使模型既具有自主學(xué)習(xí)能力，又能處理線性不可分問(wèn)題。網(wǎng)絡(luò)先通過(guò)受限玻爾茲曼機(jī)的無(wú)監(jiān)督訓(xùn)練進(jìn)行特征學(xué)習(xí)，獲得待辨識(shí)參數(shù)的初始值，減小了初始參數(shù)的隨機(jī)性帶來(lái)的影響。采用帶伸縮因子的變論域?qū)W習(xí)率對(duì)待辨識(shí)參數(shù)進(jìn)行學(xué)習(xí)，并通過(guò)學(xué)習(xí)率的動(dòng)態(tài)調(diào)節(jié)提高模型收斂速度。數(shù)值仿真表明，對(duì)UCI數(shù)據(jù)集和實(shí)測(cè)醫(yī)療數(shù)據(jù)集而言，本文提出的二分類模型相比其它分類

3、算法能得到更高的分類精度。
　　其次本文在二分類模型的基礎(chǔ)上提出了核 logistic神經(jīng)網(wǎng)絡(luò)多分類模型，用于處理多分類問(wèn)題。模型采用“一對(duì)多”思想的多分類算法將模型劃分為多個(gè)二分類器，輸出結(jié)果采用最大值策略，選擇輸出概率最大的類標(biāo)號(hào)作為最終類別。數(shù)值仿真采用交叉驗(yàn)證的方法，取多次仿真結(jié)果的平均值，UCI數(shù)據(jù)集和實(shí)測(cè)醫(yī)療數(shù)據(jù)集仿真結(jié)果表明，提出的多分類模型相比其它多分類方法能取得更加準(zhǔn)確的分類結(jié)果。
　　最后針對(duì)血液透析關(guān)鍵