[發(fā)明專利]一種基于主動(dòng)學(xué)習(xí)結(jié)合PNN的異常識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011247601.4
• 申請(qǐng)日: 2020-11-10
• 公開（公告）號(hào): CN112309568A
• 公開（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 周孟然;胡鋒;卞凱;曹珍貫;凌六一;梁?jiǎn)?/a>;閆鵬程
• 申請(qǐng)（專利權(quán)）人: 安徽理工大學(xué)
• 主分類號(hào): G16H50/20
• 分類號(hào): G16H50/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安銘澤知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61223
• 代理人: 吳林

1.一種基于主動(dòng)學(xué)習(xí)結(jié)合PNN的異常識(shí)別方法，其特征在于，包括以下步驟：

S1：搭建體征分析系統(tǒng)；

S2：采集體征數(shù)據(jù)導(dǎo)入體征分析系統(tǒng)；

S3：對(duì)采集到的體征數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗；

S4：將清洗后的體征數(shù)據(jù)按一定的比例隨機(jī)劃分成訓(xùn)練集和測(cè)試集；

S5：根據(jù)主動(dòng)學(xué)習(xí)算法策略標(biāo)注體征數(shù)據(jù)，并建立PNN異常體征識(shí)別模型，對(duì)異常體征進(jìn)行識(shí)別。

2.如權(quán)利要求1所述的一種基于主動(dòng)學(xué)習(xí)結(jié)合PNN的異常識(shí)別方法，其特征在于，所述步驟S1中的體征分析系統(tǒng)包括中控模塊、體溫檢測(cè)模塊、脈搏檢測(cè)模塊、呼吸檢測(cè)模塊、血壓檢測(cè)模塊、血液檢測(cè)模塊和心率檢測(cè)模塊，所述體溫檢測(cè)模塊、脈搏檢測(cè)模塊、呼吸檢測(cè)模塊、血壓檢測(cè)模塊、血液檢測(cè)模塊和心率檢測(cè)模塊均電連接在所述中控模塊的輸入端。

3.如權(quán)利要求1所述的一種基于主動(dòng)學(xué)習(xí)結(jié)合PNN的異常識(shí)別方法，其特征在于，所述步驟S2中的體征數(shù)據(jù)包括體溫、脈搏、呼吸率、血壓、血氧飽和度和心率。

4.如權(quán)利要求1所述的一種基于主動(dòng)學(xué)習(xí)結(jié)合PNN的異常識(shí)別方法，其特征在于，所述步驟S3中數(shù)據(jù)清洗的具體步驟如下：

S31：將小于Q_L-1.5IQR或大于Q_U+1.5IQR的值，劃分為異常值，其中，Q_L為下四分位數(shù)，表示全部觀察值中有四分之一的數(shù)據(jù)取值比它小，Q_U為上四分位數(shù)，表示全部觀察值中有四分之一的數(shù)據(jù)取值比它大，IQR＝Q_U-Q_L為四分位數(shù)間距，是上四分位數(shù)Q_U與下四分位數(shù)Q_L的差值，包含了全部觀察值的一半；

S32：對(duì)異常數(shù)據(jù)采用箱型圖進(jìn)行分析；

S33：處理清除體征分析系統(tǒng)采集的對(duì)識(shí)別結(jié)果造成影響的異常值，保留可靠數(shù)據(jù)。

5.如權(quán)利要求1所述的一種基于主動(dòng)學(xué)習(xí)結(jié)合PNN的異常識(shí)別方法，其特征在于，所述步驟S4中，按照7∶3的比例將體征數(shù)據(jù)隨機(jī)劃分成訓(xùn)練集和測(cè)試集，對(duì)測(cè)試集數(shù)據(jù)進(jìn)行人工標(biāo)注，訓(xùn)練集為未標(biāo)注數(shù)據(jù)。

6.如權(quán)利要求1所述的一種基于主動(dòng)學(xué)習(xí)結(jié)合PNN的異常識(shí)別方法，其特征在于，所述步驟S5中的主動(dòng)學(xué)習(xí)算法主要由五部分組成：

M＝(C，Q，S，L，U)

其中，C為分類器；Q為查詢函數(shù)，可查詢未標(biāo)注礦工體征樣本中信息量大的樣本；U為未標(biāo)注的樣本集合；S為專家，擁有對(duì)未標(biāo)注的樣本進(jìn)行標(biāo)注的權(quán)利；L為初始標(biāo)記樣本；

標(biāo)注體征數(shù)據(jù)的方法為：學(xué)習(xí)者利用少量初始標(biāo)記樣本L開始學(xué)習(xí)，通過查詢函數(shù)Q選擇出一個(gè)或一批最有用的樣本，并向?qū)＜襍詢問標(biāo)簽，從未標(biāo)注的樣本集合U中選擇為一定數(shù)量的樣本進(jìn)行標(biāo)注，加入到訓(xùn)練樣本集中，然后利用獲得的新知識(shí)來訓(xùn)練分類器和進(jìn)行下一輪查詢。

7.如權(quán)利要求6所述的一種基于主動(dòng)學(xué)習(xí)結(jié)合PNN的異常識(shí)別方法，其特征在于，所述步驟S5中主動(dòng)學(xué)習(xí)結(jié)合PNN模型識(shí)別的步驟如下所示：

S51：從訓(xùn)練集中隨機(jī)選取k個(gè)樣本，由專家S進(jìn)行標(biāo)注，標(biāo)注的樣本集合為L(zhǎng)＝{χ₁，χ₂，…，χ_k}，剩余的樣本為未標(biāo)注的樣本，未標(biāo)注的樣本集合為U＝{χ₁，χ₂，…，χ_n-k}；

S52：將標(biāo)注好的樣本作輸入至PNN分類器中進(jìn)行訓(xùn)練，建立初始的異常體征識(shí)別模型；

S53：專家S從未標(biāo)注的樣本集U中，以主動(dòng)學(xué)習(xí)策略的查詢準(zhǔn)則Q標(biāo)注H個(gè)未標(biāo)注的樣本；

S54：將標(biāo)注好的H個(gè)樣本加入訓(xùn)練樣本集L中，返回步驟S51重新建立異常體征識(shí)別模型，不斷迭代，直到滿足迭代的終止條件為止；

S55：以測(cè)試集異常特征的識(shí)別準(zhǔn)確率取到的最大值作為訓(xùn)練停止的標(biāo)準(zhǔn)，并綜合識(shí)別準(zhǔn)確率和訓(xùn)練時(shí)間這兩項(xiàng)評(píng)價(jià)指標(biāo)，對(duì)體征數(shù)據(jù)進(jìn)行分析。