融合知識的GMM-SAFNN模型及其在疾病診斷中的應用.pdf

1、模糊神經(jīng)網(wǎng)絡方法是近年來被廣泛應用的數(shù)據(jù)挖掘方法，相對于人工神經(jīng)網(wǎng)絡的黑盒模型，模糊神經(jīng)網(wǎng)絡可以利用對實際數(shù)據(jù)的訓練，能夠將模型表示為一系列易于理解的模糊規(guī)則，這些模糊規(guī)則對指導實際問題決策具有很大的幫助。模糊神經(jīng)網(wǎng)絡的這一特點使其在信息抽取、知識發(fā)現(xiàn)領域得到廣泛應用。
　　本文研究了模糊神經(jīng)網(wǎng)絡模型在實際的預測和模糊規(guī)則提取中的應用問題。針對模糊神經(jīng)網(wǎng)絡方法在實際規(guī)則提取和知識發(fā)現(xiàn)工作中所存在的不足，提出了GMM-結構自適應模糊

2、神經(jīng)網(wǎng)絡方法，對傳統(tǒng)方法進行了以下方面的改進：第一，針對模糊神經(jīng)網(wǎng)絡模型的準確性易受初始參數(shù)影響的局限，從提升模型準確性入手，提出使用高斯混合模型(GMM)對模糊神經(jīng)網(wǎng)絡初始隸屬度函數(shù)中參數(shù)進行訓練，以優(yōu)化后的參數(shù)代替隨機初始化的參數(shù)，提高模型的準確性；第二，針對模糊神經(jīng)網(wǎng)絡所提取的規(guī)則可解釋性差的問題，提出結構自適應模糊神經(jīng)網(wǎng)絡方法，通過改進損失函數(shù)，在訓練中控制相似隸屬度函數(shù)的合并，實現(xiàn)模糊神經(jīng)網(wǎng)絡模型結構自適應調整，減少模糊規(guī)則數(shù)

3、量，在保證診斷準確性情況下，提取出容易理解的可解釋性規(guī)則。第三，針對BP算法在模型訓練時計算復雜，收斂較慢的問題，采用粒子群優(yōu)化（PSO）算法進行GMM-結構自適應神經(jīng)網(wǎng)絡模型訓練，有效簡化模型訓練過程，提高模型訓練效率。最后，為了使模型在決策支持系統(tǒng)中存儲、使用和擴展，使用知識元理論對所提取的模糊規(guī)則進行了結構化的表示。所提取的知識元將作為與診斷過程相關的先驗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)學科學數(shù)據(jù)中心