[發(fā)明專利]一種基于數(shù)據(jù)融合的分類預測方法、裝置及存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 201911170348.4
• 申請日: 2019-11-26
• 公開（公告）號: CN111028945B
• 公開（公告）日: 2023-08-11
• 發(fā)明（設計）人: 劉靜;張志飛;張君
• 申請（專利權）人: 佛山科學技術學院
• 主分類號: G16H50/30
• 分類號: G16H50/30;G06F18/214;G06F18/241
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 蔡偉杰

1.一種基于數(shù)據(jù)融合的分類預測方法，其特征在于，包括：

將采集的樣本數(shù)據(jù)標記為惡性樣本或良性樣本，將標記后的樣本數(shù)據(jù)構建為樣本數(shù)據(jù)集，所述樣本數(shù)據(jù)為乳腺腫塊細胞核數(shù)據(jù)；

對樣本數(shù)據(jù)集進行預處理和歸一化，得到歸一化數(shù)據(jù)集，將所述歸一化數(shù)據(jù)集分為訓練集和測試集；

采用多個神經(jīng)網(wǎng)絡對歸一化數(shù)據(jù)集進行訓練，并通過AdaBoost算法集成三網(wǎng)生成集成分類器；

實時獲取測試數(shù)據(jù)，將所述測試數(shù)據(jù)輸入集成分類器得到診斷結果；

其中，所述惡性樣本的觀測標簽為1，良性樣本的觀測標簽為-1；

所述對樣本數(shù)據(jù)集進行預處理和歸一化，得到歸一化數(shù)據(jù)集，具體為：

根據(jù)標記將樣本數(shù)據(jù)集劃分為惡性樣本集和良性樣本集；

利用逐步回歸法對樣本數(shù)據(jù)集進行預處理，得到降維后的數(shù)據(jù)集；

分別對惡性樣本集和良性樣本集進行數(shù)據(jù)歸一化，得到歸一化數(shù)據(jù)集，其中，惡性樣本集的特征值取值范圍在0到1之間，良性樣本集的特征值在-1到0之間；

所述采用多個神經(jīng)網(wǎng)絡對歸一化數(shù)據(jù)集進行訓練，并通過AdaBoost算法集成三網(wǎng)生成集成分類器，具體包括：

將歸一化數(shù)據(jù)集輸入多個神經(jīng)網(wǎng)絡進行訓練，每個神經(jīng)網(wǎng)絡得到一組弱分類器，每組弱分類器包含多個弱分類器，每個弱分類器具有各自的權重；

將測試集輸入每組弱分類器，得到測試結果，測試結果包括判斷錯誤和判斷正確；

根據(jù)測試結果將訓練集劃分為測試錯誤集和測試正確集；

獲取全部的弱分類器，以及每個弱分類器的權重；

根據(jù)每個神經(jīng)網(wǎng)絡的弱分類器得到該神經(jīng)網(wǎng)絡的強分類器；

通過以下公式計算每組神經(jīng)網(wǎng)絡的強分類器H_k：

其中，H_k表示編號為k的神經(jīng)網(wǎng)絡的強分類器，T_k表示每個神經(jīng)網(wǎng)絡中弱分類器的總數(shù)量，g_ki表示弱分類器，α_ki為弱分類器g_ki的權重，k表示神經(jīng)網(wǎng)絡的編號，i表示編號為k的神經(jīng)網(wǎng)絡中弱分類器的編號；

根據(jù)各個強分類器得到集成分類器；其中，集成分類器S即為分類結果的判定規(guī)則，計算公式如下：

2.根據(jù)權利要求1所述的一種基于數(shù)據(jù)融合的分類預測方法，其特征在于，所述多個神經(jīng)網(wǎng)絡包括BP神經(jīng)網(wǎng)絡、RBF神經(jīng)網(wǎng)絡和Naive?Bayes神經(jīng)網(wǎng)絡，每個所述神經(jīng)網(wǎng)絡均得到各自的多個弱分類器。

3.一種基于數(shù)據(jù)融合的分類預測裝置，其特征在于，包括：

至少一個處理器；

至少一個存儲器，用于存儲至少一個程序；

當所述至少一個程序被所述至少一個處理器執(zhí)行，使得所述至少一個處理器實現(xiàn)如權利要求1-2任一項所述一種基于數(shù)據(jù)融合的分類預測方法。

4.一種存儲介質(zhì)，其中存儲有處理器可執(zhí)行的指令，其特征在于，所述處理器可執(zhí)行的指令在由處理器執(zhí)行時用于執(zhí)行如權利要求1-2任一項所述一種基于數(shù)據(jù)融合的分類預測方法。