一種基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類方法和裝置，包括確定模糊神經(jīng)網(wǎng)絡(luò)模型；對模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類處理；對聚類處理后的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。因此，本發(fā)明所述的基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類方法和裝置能夠精準(zhǔn)的分類出脈象的信號。
【專利說明】一種基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類方法和裝置

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息處理領(lǐng)域，特別是指一種基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類方法 和裝置。

【背景技術(shù)】
[0002] 當(dāng)前，人體脈象本身具有很大程度的模糊性，這是由于中醫(yī)脈象中的"兼脈"、"并 脈"或稱"復(fù)合脈"很多。也就是說，脈象本身就是模糊的、不精確的事件。因此，急切需要 一種能夠精準(zhǔn)分類脈象信號的方法和裝置。


【發(fā)明內(nèi)容】

[0003] 有鑒于此，本發(fā)明的目的在于提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類方法和 裝置，能夠精準(zhǔn)的分類出脈象的信號。
[0004] 基于上述目的本發(fā)明提供的一種基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類方法，包括步 驟：
[0005] 確定模糊神經(jīng)網(wǎng)絡(luò)模型；
[0006] 對模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類處理；
[0007] 對聚類處理后的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。
[0008] 可選地，所述的模糊神經(jīng)網(wǎng)絡(luò)包括五層：
[0009] 層1 :輸入層代表輸入變量，這一層沒有計算，每一個結(jié)點(diǎn)對應(yīng)一個輸入變量，僅 直接傳送輸入變量到下一層，層1的連接權(quán)值是單位值；
[0010] 層2 :模糊化層，每一個結(jié)點(diǎn)對應(yīng)一個語言標(biāo)識到層1的一個輸入變量，在層2中 計算；
[0011] 層3 :規(guī)則前置層，這一層的結(jié)點(diǎn)代表了規(guī)則的前置部分；
[0012] 層4:規(guī)則后繼層，第四層神經(jīng)元代表輸出變量的模糊量化；這層結(jié)點(diǎn)有兩個任 務(wù)：綜合進(jìn)入的規(guī)則前繼和決定他們屬于輸出語言表示程度；
[0013] 層5 :模糊綜合層，第五層代表模糊輸出綜合的結(jié)果，輸出變量可以是模糊綜合的 可信度結(jié)果。
[0014] 進(jìn)一步地，所述模糊神經(jīng)網(wǎng)絡(luò)聚類采用模糊C均值聚類算法FCM，用于對輸入變量 數(shù)據(jù)進(jìn)行模糊論域的確定：
[0015] FCM把η個向量xji = 1，2, ···，]!)分為C個模糊組，并求每組的聚類中心，使得非 相似性指標(biāo)的價值函數(shù)達(dá)到最小；FCM采用模糊劃分，使得每個給定數(shù)據(jù)點(diǎn)用值在0和1間 的隸屬度來確定其屬于各個組的程度；與引入模糊劃分相適應(yīng)，隸屬矩陣U允許有取值在0 和1間的元素，進(jìn)行歸一化后一個數(shù)據(jù)集的隸屬度的和總等于1 : c
[0016] =iyj = \,···,η i=l
[0017] 相應(yīng)FCM的價值函數(shù)（或目標(biāo)函數(shù)）就是上式的一般化形式：
[0018]
[0019] 這里Uij介于0和1間；Ci為模糊組i的聚類中心，扎=I I Ci-Xj I I為第i個聚類 中心與第j個數(shù)據(jù)點(diǎn)間的歐幾里德距離；m e [1，00 )是一個加權(quán)指數(shù)；
[0020] 構(gòu)造如下新的目標(biāo)函數(shù)，可求得使上式達(dá)到最小值的必要條件： J {U, Cj,..., Cj., /ij,..., /in) - J {U, CjCf

【權(quán)利要求】
1. 一種基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類方法，其特征在于，包括步驟： 確定模糊神經(jīng)網(wǎng)絡(luò)模型； 對模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行聚類處理； 對聚類處理后的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述的模糊神經(jīng)網(wǎng)絡(luò)包括五層： 層1 :輸入層代表輸入變量，這一層沒有計算，每一個結(jié)點(diǎn)對應(yīng)一個輸入變量，僅直接 傳送輸入變量到下一層，層1的連接權(quán)值是單位值； 層2 :模糊化層，每一個結(jié)點(diǎn)對應(yīng)一個語言標(biāo)識到層1的一個輸入變量，在層2中計算； 層3 :規(guī)則前置層，這一層的結(jié)點(diǎn)代表了規(guī)則的前置部分； 層4 :規(guī)則后繼層，第四層神經(jīng)元代表輸出變量的模糊量化；這層結(jié)點(diǎn)有兩個任務(wù)：綜 合進(jìn)入的規(guī)則前繼和決定他們屬于輸出語言表示程度； 層5 :模糊綜合層，第五層代表模糊輸出綜合的結(jié)果，輸出變量可以是模糊綜合的可信 度結(jié)果。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述模糊神經(jīng)網(wǎng)絡(luò)聚類采用模糊C均值聚 類算法FCM，用于對輸入變量數(shù)據(jù)進(jìn)行模糊論域的確定： FCM把η個向量xji = 1，2, ···，]!)分為C個模糊組，并求每組的聚類中心，使得非相似 性指標(biāo)的價值函數(shù)達(dá)到最小；FCM采用模糊劃分，使得每個給定數(shù)據(jù)點(diǎn)用值在0和1間的隸 屬度來確定其屬于各個組的程度；與引入模糊劃分相適應(yīng)，隸屬矩陣U允許有取值在0和1 間的元素，進(jìn)行歸一化后一個數(shù)據(jù)集的隸屬度的和總等于1 :
相應(yīng)FCM的價值函數(shù)（或目標(biāo)函數(shù)）就是上式的一般化形式： ，…,cc)=
這里&介于0和1間；q為模糊組i的聚類中心，& = | | q-Xj | |為第i個聚類中心 與第j個數(shù)據(jù)點(diǎn)間的歐幾里德距離；m e [1，…）是一個加權(quán)指數(shù)； 構(gòu)造如下新的目標(biāo)函數(shù)，可求得使上式達(dá)到最小值的必要條件： J(U,ct λη) = J{U,...,cr)

這里= 1到n，是式的n個約束使的拉各朗日乘子。對所有輸入?yún)⒘壳髮?dǎo)，使式 達(dá)到最小的必要條件為：
由上述兩個必要條件，模糊C均值聚類算法是一個簡單的迭代過程。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于，所述FCM確定聚類中心Ci和隸屬矩陣U : 步驟1 :用值在〇和1間的隨機(jī)數(shù)初始化隸屬矩陣U，使其滿足式= 1，V/ = 1，···，"中 z'-l 的約束條件； 步驟2 :用式c
計算c個聚類中心q，i = 1，…，cQ 步驟3 :根據(jù)式A
計算價值函數(shù)，如果它小于某個確定 的閥值，或它相對上次價值函數(shù)值的改變量小于某個閥值，則算法停止； 步驟4 :計算新的U陣，返回步驟2。
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于，所述通過FCM確定的聚類中心和隸屬矩 陣，具體方法如下： 任務(wù)：設(shè)模糊變量X的論域?yàn)椋篬XI，Χ2, Χ3]，模糊值[XI，Χ2, Χ3]分別對應(yīng)[小，中，大] 語義。我們需要根據(jù)模糊變量Α的樣本數(shù)據(jù)集，確定模糊值[XI，Χ2，Χ3]的支撐范圍和理想 隸屬函數(shù)； 實(shí)現(xiàn)：根據(jù)經(jīng)驗(yàn)初步確定模糊值[XI，Χ2，Χ3]的中心左為聚類中心，采用FCM完成聚類 數(shù)目為3的聚類過程；由Ci數(shù)組可知，模糊值[XI，Χ2, Χ3]的準(zhǔn)確聚類中心對應(yīng)[Cl, c2, c3]; 由隸屬矩陣U，可以確定聚類中心Ci對應(yīng)的數(shù)據(jù)范圍^Hhu即在此 Ci對應(yīng)的數(shù)據(jù)范圍中 的點(diǎn)，隸屬值大于給定閥值thu。
6. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化是對模糊識 別推理規(guī)則進(jìn)行加權(quán)優(yōu)化。
7. 根據(jù)權(quán)利要求6所述的方法，其特征在于，所述模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化包括全局反 傳學(xué)習(xí)算法和局部進(jìn)化學(xué)習(xí)算法，所述局部進(jìn)化學(xué)習(xí)基于：（1)局部元素調(diào)節(jié)（2) -個或多 個規(guī)則推理，對于規(guī)則結(jié)點(diǎn)激活基于贏者代表所有規(guī)則（3) -次訓(xùn)練（4)基于實(shí)例的學(xué)習(xí) 和推理（5)動態(tài)結(jié)構(gòu)； 所述全局反傳算法基于：（1)全局優(yōu)化技術(shù)（2)互相作用的多規(guī)則模糊推理，基于所有 規(guī)則的激活（3)多次重復(fù)訓(xùn)練，通過使用修正的梯度下降反傳算法（4)混合局部的分布連 接學(xué)習(xí)和推理（5)固定的結(jié)構(gòu)。
8. 根據(jù)權(quán)利要求7所述的方法，其特征在于，所述模糊神經(jīng)網(wǎng)絡(luò)優(yōu)化還包括對全局反 傳學(xué)習(xí)算法和局部進(jìn)化學(xué)習(xí)算法兩種方法的識別結(jié)果準(zhǔn)確性進(jìn)行評價的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算 法誤差分析，能夠通過根平方誤差和非分維誤差進(jìn)行評價。
9. 一種基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分類裝置，其特征在于，根據(jù)權(quán)利要求1-8任意 一項(xiàng)所述的基于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號方法得到所述的于模糊神經(jīng)網(wǎng)絡(luò)的脈象信號分 類裝置包括：模糊神經(jīng)網(wǎng)絡(luò)模型單元，能夠確定模糊神經(jīng)網(wǎng)絡(luò)模型；聚類處理單元，與所述 模糊神經(jīng)網(wǎng)絡(luò)模型單元相連，能夠?qū)δ：窠?jīng)網(wǎng)絡(luò)進(jìn)行聚類處理；優(yōu)化單元，與所述聚類處 理單元相連，對聚類處理后的模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。
【文檔編號】G06K9/62GK104102918SQ201410321203
【公開日】2014年10月15日 申請日期:2014年7月7日 優(yōu)先權(quán)日:2014年7月7日
【發(fā)明者】王燕, 李晉堯, 李光, 楊梅, 房瑞明 申請人:北京印刷學(xué)院