CN105469140A - 一种心音小波神经网络的构造方法 - Google Patents

Abstract

本发明公开了一种心音小波神经网络的构造方法，将心音特征优化抽取和心音识别融合在一个针对心音的分类网络中进行处理，通过在隐含层引入心音小波作为激活函数的神经网络结构，把心音的针对性学习和心音识别技术高度融合，也就是利用心音小波神经网络识别系统的有针对性的层次化的架构，将心音特征抽取、心音分类识别实现有针对性的表达，以解决复杂条件下的心音分类识别问题。本发明的心音小波基转换为激活函数的方法；给出了构造心音小波神经网络的具体步骤；根据心音的特点构造小波神经网络和训练方法，获得了一种在处理心音信号方面呈现出更多优势的小波神经网络，为小波神经网络的工程应用提供了一种行之有效的方法。

Description

一种心音小波神经网络的构造方法

技术领域

本发明涉及一种心音小波神经网络的构造方法。

背景技术

小波神经网络是一种基于小波基作为神经元非线性激励函数的网络模型，它集小波变换的时频局部特性、聚焦特性的优点与神经网络的自学习、自适应、鲁棒性、容错性的优点为一体，可以使网络从根本上避免局部最优，并且加快了收敛速度，具有很强的学习和泛化能力，在图像处理、模式识别等领域有着广泛的应用。

发明内容

发明目的：本发明的目的是构造一种新的心音小波神经网络,通过在神经网络结构的隐含层中引入心音小波作为激活函数,把心音的针对性学习和心音识别技术高度融合，从而获得一种新的心音小波神经网络。

技术方案：为了上述目的，本发明采用的技术方案为：一种心音小波神经网络的构造方法，将心音特征优化抽取和心音识别融合在一个针对心音的分类网络中进行处理，通过在隐含层引入心音小波作为激活函数的神经网络结构，把心音的针对性学习和心音识别技术高度融合，也就是利用心音小波神经网络识别系统的有针对性的层次化的架构，将心音特征抽取、心音分类识别实现有针对性的表达，以解决复杂条件下的心音分类识别问题。

构造心音小波神经网络的具体步骤：

Step1构造心音小波基函数；

Step2求得心音小波系数的时域化表达式；

Step3将心音小波基替代神经网络中的激活函数，可实现心音小波神经网络的构造。

本发明同时公开了一种心音小波神经网络(HSWNN)的训练方法，神经网络的训练实际就是要获得隐含层到输出层的权值，在心音小波神经网络(HSWNN)中，样本维数比较大，求解的代价也会变得很大，根据心音的特点定义一个最小化误差函数从而得到权值w_kp的唯一解。根据心音的特点构造小波神经网络和训练方法，获得了一种在处理心音信号方面呈现出更多优势的小波神经网络，为小波神经网络的工程应用提供了一种行之有效的方法。

有益效果：本发明所构建的一种心音小波神经网络，与morlet小波神经网络和Mexican-hat小波神经网络相比较，心音小波神经网络在收敛性、算法速度上呈现明显的优越性。

附图说明

图1是心音小波神经网络识别系统结构图。

图2是小波基构造流程。

图3是小波神经网络模型结构图。

图4是心音小波神经网络模型结构图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步详细阐述。

1、小波神经网络的构成原理

小波神经网络的构成原理是将神经网络隐层节点的激活函数由小波函数代替，相应的输入层到隐含层的权值由小波函数的尺度伸缩因子a代替，隐含层到输出层的权值由平移因子b代替，所以小波神经网络的构造实际上就是激活函数的构造。小波与神经网络目前的“融合”主要有如下三种方式：

(1)用连续参数的小波作为神经网络的隐层函数；

(2)用多分辨率的小波作为神经网络的隐层函数；

(3)用正交基作为神经网络的隐层函数。

因为激活函数可以引入非线性因素，解决线性模型所不能解决的问题。所以激活函数的选择无论对于识别率或收敛速度都有显著的影响。常用的激活函数包括阈值型、分阶段性函数以及sigmoid函数等形式。

图1为心音小波神经网络识别系统的结构示意图，这是一种通过有针对性的限制条件提升心音识别效果的方法。

采用心音小波神经网络识别技术，一方面，将心音特征的优化技术和心音生理特性结合一体，获取有生理意义的心音特征；另一方面，将心音特征优化抽取和心音识别融合在一个针对心音的分类网络中进行处理，通过在隐含层引入心音小波作为激活函数的神经网络结构，把心音的针对性学习和心音识别技术高度融合，也就是利用心音小波神经网络识别系统的有针对性的层次化的架构，将心音特征抽取、心音分类识别实现有针对性的表达，以解决复杂条件下的心音分类识别问题。

2、心音小波神经网络(HSWNN)的训练方法

神经网络的训练实际就是要获得隐含层到输出层的权值。在心音小波神经网络(HSWNN)中，样本维数比较大，求解的代价也会变得很大，所以可以根据心音的特点定义一个最小化误差函数从而得到权值w_kp的唯一解。

一、构造心音小波神经网络的步骤如下：

Step1构造心音小波基函数。

根据构造流程图2所示。首先设计小波尺度滤波器函数H(w)，其次设计尺度滤波器h(n)和然后尺度空间正交化，最后可获取小波基函数。

令滤波器长度为10，消失距为5时，可得到心音小波基的一组实数解：

再根据可求得对应的心音小波滤波器g(n)和为：

Step2心音小波系数的时域化表达式。

将(1)、(2)式的解代入(3)式的双尺度方程中：

令N＝10，可获得心音小波基的时域解析形式，同时也是神经网络的隐层函数。

Step3将心音小波基替代神经网络中的激活函数，可实现心音小波神经网络的构造。

其中，x_i(i＝1,2,...,m)为输入层第i个样本输入，y_k(k＝1,2,...,n)为输出层第k个样本的输出，Z(x)＝(z₁,z₂,...,z_f)为小波函数，输入层与隐含层的连接权值为w1_ij；隐含层与输出层的连接权值为w2_jk。则隐含层神经元的输入为：

将隐层神经元的输入代入小波函数中，得到隐层神经元的输出：

联立(4)和(5)式，则小波神经网络模型输出可以表示为：

其中θ代表偏移值，又叫阈值。

一段长度为N的正常心音信号模型可描述为：

其中,s₁、s₂分别为第一、第二心音信号；s₃、s₄分别为第三、第四心音，其信号强度较弱，一般不予讨论^]；s₅表示心音中的杂音成分；k_i(i＝1,2,3,4,5)表示合成系数。

再将(3)和(7)式代入(6)式的小波神经网络模型中，可构造出一种心音小波神经网络，其模型结构图如图4所示。该心音小波神经网络的输出为：

二、心音小波神经网络(HSWNN)的训练算法如下：

神经网络的训练实际就是要获得隐含层到输出层的权值。在心音小波神经网络(HSWNN)中，样本维数比较大，求解的代价也会变得很大，所以可以根据心音的特点定义一个最小化误差函数从而得到权值w_kp的唯一解。

设第n个样本心音信号为HS_n，对其进行特征提取得到m个特征值HS_n＝[hs₁(n),hs₂(n),....,hs_m-1(n),hs_m(n)]，定义HSWNN训练误差为：

其中：y为期望输出，为网络实际输出，N为样本总数。那么，HSWNN的训练算法为：

其中：l为迭代次数，λ为迭代步长，g_k(X_n)为样本n在第N个隐含层节点的输出。

该心音小波神经网络最小化误差训练算法以误差为指导，不断对参数进行修改，使误差往小的方向发展，目的性很强，不像一般搜索算法那么盲目和难以预测，收敛速度明显具有优势。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内；本发明未涉及的技术均可通过现有技术加以实现。

Claims (8)

1.一种心音小波神经网络构造方法，其特征在于：将心音特征优化抽取和心音识别融合在一个针对心音的分类网络中进行处理，通过在隐含层引入心音小波作为激活函数的神经网络结构,把心音的针对性学习和心音识别技术高度融合，也就是利用心音小波神经网络识别系统的有针对性的层次化的架构，将心音特征抽取、心音分类识别实现有针对性的表达，以解决复杂条件下的心音分类识别问题。

2.根据权利要求1所述的构造方法，其特征在于，

构造心音小波神经网络的步骤如下：

Step1构造心音小波基函数；

Step2求得心音小波系数的时域化表达式；

Step3将心音小波基替代神经网络中的激活函数，可实现心音小波神经网络的构造。

3.根据权利要求2所述的构造方法，其特征在于，步骤Step1中：

首先设计小波尺度滤波器函数H(w)，其次设计尺度滤波器h(n)和然后尺度空间正交化，最后可获取小波基函数；

令滤波器长度为10，消失距为5时，可得到心音小波基的一组实数解：

再根据可求得对应的心音小波滤波器g(n)和为：

4.根据权利要求3所述的构造方法，其特征在于，步骤Step2中：

将步骤Step1中的(1)、(2)式的解代入(3)式的双尺度方程中：

令N＝10，可获得心音小波基的时域解析形式，同时也是神经网络的隐层函数。

5.根据权利要求4所述的构造方法，其特征在于，步骤Step3中：

以下式中，x_i(i＝1,2,...,m)为输入层第i个样本输入，y_k(k＝1,2,...,n)为输出层第k个样本的输出，Z(x)＝(z₁,z₂,...,z_f)为小波函数，输入层与隐含层的连接权值为w1_ij；隐含层与输出层的连接权值为w2_jk；则隐含层神经元的输入为：

将隐层神经元的输入代入小波函数中，得到隐层神经元的输出：

联立(4)和(5)式，则小波神经网络模型输出可以表示为：

其中θ代表偏移值，又叫阈值；

一段长度为N的正常心音信号模型可描述为：

其中,s₁、s₂分别为第一、第二心音信号；s₃、s₄分别为第三、第四心音；s₅表示心音中的杂音成分；k_i(i＝1,2,3,4,5)表示合成系数；

再将步骤Step2中的(3)式和步骤Step3中的(7)式代入(6)式的小波神经网络模型中，可构造出一种心音小波神经网络。

6.根据权利要求5所述的构造方法，其特征在于，心音小波神经网络的输出为：

7.一种心音小波神经网络(HSWNN)的训练方法，根据权利要求6所述的方法构造心音小波神经网络，其特征在于：神经网络的训练实际就是要获得隐含层到输出层的权值，在心音小波神经网络(HSWNN)中，样本维数比较大，求解的代价也会变得很大，根据心音的特点定义一个最小化误差函数从而得到权值w_kp的唯一解。

8.根据权利要求7所述的训练方法，其特征在于：

设第n个样本心音信号为HS_n，对其进行特征提取得到m个特征值HS_n＝[hs₁(n),hs₂(n),....,hs_m-1(n),hs_m(n)]，定义HSWNN训练误差为：

其中：y为期望输出，为网络实际输出，N为样本总数，训练方法为：

其中：l为迭代次数，λ为迭代步长，g_k(X_n)为样本n在第N个隐含层节点的输出。