CN110838364A - 一种基于深度学习混合模型的克罗恩病预测方法及装置 - Google Patents
一种基于深度学习混合模型的克罗恩病预测方法及装置 Download PDFInfo
- Publication number
- CN110838364A CN110838364A CN201911044509.5A CN201911044509A CN110838364A CN 110838364 A CN110838364 A CN 110838364A CN 201911044509 A CN201911044509 A CN 201911044509A CN 110838364 A CN110838364 A CN 110838364A
- Authority
- CN
- China
- Prior art keywords
- encoder
- model
- sparse self
- term memory
- crohn
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习混合模型的克罗恩病预测方法及装置,对样本数据进行预处理,将预处理后的数据分为训练集、验证集和测试集,通过训练集、验证集和测试集上的损失值选择最佳稀疏自编码器架构,提取稀疏自编码器隐藏层的特征;然后将提取的稀疏自编码器隐藏层的特征输入长短期记忆网络模型,通过网格搜索出使长短期记忆网络模型精度更高的超参数,得到训练好的长短期记忆网络模型;最后利用选择的稀疏自编码器和训练好的长短期记忆网络模型,预测样本的克罗恩病概率。本发明采用了深度学习混合模型从大量肠道菌群中自动学习特征,对肠道菌群数据有更强的适应能力,可以得到更准确的检测结果。
Description
技术领域
本发明属于深度学习预测技术领域,具体来讲涉及一种基于深度学习混合模型的克罗恩病预测方法及装置。
背景技术
随着时代的进步,现代医学也在快速地发展,我国的肠道菌群领域积累了大量数据,随着测序成本的降低,肠道菌群的研究越来越普及。利用深度学习有效的确诊克罗恩病是一个重要的研究方向。
深度学习通过提供强大的策略来提取传统方法难以控制的抽象非线性特征,从而彻底改变了各个领域。另一方面,分析时态数据的强大方法是递归神经网络(RNN)。RNN已经在不同领域取得了成功,例如自然语言处理和语音识别。虽然从理论上讲,RNN可以从遥远事件中学习依赖表示,但由于梯度消失的问题,它在实践中失败了。幸运的是,长期短期记忆(LSTM)网络是RNN的修改变体,能够学习时间序列事件的时间行为并克服标准RNN中梯度消失的问题。
分析肠道菌群数据的特性及克罗恩病预测模型相关研究情况,目前工作还存在一些问题有待研究,主要体现在以下三个方面:
1)、样本采集时间可变;
2)、受试者的样本数量不均匀;
3)、采用传统的机器学习算法处理样本数据的效率极低;
4)、肠道菌群特征通常由数百或数千个特征组成。
鉴于此,如何提取有意义的特征以增加模型预测能力,得到更准确的检测结果,是亟需解决的技术问题。
发明内容
本申请的目的是提供一种基于深度学习混合模型的克罗恩病预测方法及装置,以提取有意义的特征来增加模型预测能力,得到更准确的检测结果。
为了实现上述目的,本发明技术方案如下:
一种基于深度学习混合模型的克罗恩病预测方法,包括:
对样本数据进行预处理,将预处理过后的数据划分为训练集、验证集和测试集;
通过训练集、验证集和测试集上的损失值选择最佳稀疏自编码器架构,提取稀疏自编码器隐藏层的特征;
将提取的稀疏自编码器隐藏层的特征输入长短期记忆网络模型,通过网格搜索找出使长短期记忆网络模型精度更高的超参数,得到训练好的长短期记忆网络模型;
利用选择的稀疏自编码器和训练好的长短期记忆网络模型,预测样本的克罗恩病概率。
进一步的,所述通过训练集、验证集和测试集上的损失值选择最佳稀疏自编码器架构,包括:
自定义输入层、隐藏层、输出层的神经元个数构造多个稀疏自编码器架构;
将训练集的数据输入到构造的稀疏自编码器中进行训练,训练好后使用验证集的数据进行验证,保存在验证集上损失最小的模型;
选择使用最少的输出层、隐藏层、输出层神经元个数时在测试集上产生最小的损耗的稀疏自编码器作为采用的稀疏自编码器。
进一步的,所述稀疏自编码器的损失函数为:
其中,x表示输入,x′表示重构输入,n是输入层神经元数量,λ表示L1正则化参数,wj表示权重参数,m表示层数,β是控制稀疏性惩罚因子的权重,k表示隐藏层上的神经元数量,ρ表示稀疏性参数,ρ′j表示隐藏层中神经元j的平均活跃度。
进一步的,所述通过网格搜索找出使长短期记忆网络模型精度更高的超参数,包括:
将样本数据中训练集和验证集的样本数据用来执行K折交叉验证,依次将每次迭代的样本数据输入到稀疏自编码器,提取稀疏自编码器隐藏层的特征输入到长短期记忆网络模型进行训练,采用训练K次的结果的均值作为对模型精度的估计;
根据网格搜索所穷举的超参数对应的模型精度的估计,选择出使长短期记忆网络模型精度更高的超参数。
本申请还提出了一种基于深度学习混合模型的克罗恩病预测装置,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现上述方法的步骤。
本申请提出的一种基于深度学习混合模型的克罗恩病预测方法及装置,采用了深度学习混合模型从大量肠道菌群中自动学习特征,对肠道菌群数据有更强的适应能力,可以得到更准确的检测结果。
附图说明
图1为本申请基于深度学习混合模型的克罗恩病预测方法的流程图;
图2为稀疏自编码器的基本结构图;
图3为本申请基于深度学习混合模型的克罗恩病预测方法的框架。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
稀疏自编码器是一种无监督机器学习算法,通过计算自编码的输出与原输入的误差,不断调节自编码器的参数,最终训练出模型。因此,稀疏自编码器可以用于压缩输入信息,提取有用的输入特征。
在一个实施例中,如图1所示,提供了一种基于深度学习混合模型的克罗恩病预测方法,包括:
步骤S1、对样本数据进行预处理,将预处理过后的数据分为训练集、验证集和测试集。
本申请通过预处理不同的样本数据,来得到各个样本的分类和功能概况,使得后续预测的步骤中的深度学习方法能获得更好的效果。通过使用宏基因组测序对每个样本中提取的DNA进行测序得到每个样本的元基因组,独立处理每个样本的元基因组,通过分类学分析构建每个样本的元基因组的分类组成。在本申请后续描述中,都是针对已经预处理过的样本数据进行操作,以下不再赘述。
本申请将预处理后的数据划分为训练集、验证集和测试集,本申请不限于各个数据集合所占的比例,例如,测试集占30%,而训练集和验证即合起来占70%,这里不再赘述。
步骤S2、通过训练集、验证集和测试集上的损失值选择最佳稀疏自编码器架构,提取稀疏自编码器隐藏层的特征。
稀疏自编码器通过如下式(1)将输入x进行编码,得到新的特征y:
y=f(wx+b) (1)
其中,w为权重矩阵,b为偏差值。
通过如下式(2)利用新的特征y,可以对输入x重构:
x′=f(w′y+b′) (2)
其中w′为权重矩阵,b′为偏差值。
为了希望重构出的x′和x尽可能一致,可以采用如下式(3)的损失函数来训练稀疏自编码器模型:
其中x表示输入,x′表示重构输入,n是输入层神经元数量,λ表示L1正则化参数,wj表示权重参数,m表示层数,β是控制稀疏性惩罚因子的权重,k表示隐藏层上的神经元数量,ρ表示稀疏性参数,ρ′j表示隐藏层中神经元j的平均活跃度。
初始化稀疏自编码器模型参数,采用Adam优化器,使用线性整流函数(ReLU)作为激励函数。如图2所示,自定义输入层、隐藏层、输出层的神经元个数构造多个稀疏自编码器架构,选择实际数据集最合适的稀疏自编码器架构。将训练集的数据输入到构造的稀疏自编码器中进行训练,训练好后使用验证集的数据进行验证,保存在验证集上损失最小的模型。
然后在测试集上进行测试,选择使用最少的输出层、隐藏层、输出层神经元个数时在测试集上产生最小的损耗的稀疏自编码器作为本申请采用的稀疏自编码器。
基于选择好的最佳稀疏自编码器,该稀疏自编码器基本结构如图2所示,具体结构根据实施例而定。在本申请的具体实验中为了防止过拟合,使用正则化参数λ将L1正则化添加到损失函数。训练完成后,提取隐藏层的特征,以提高后续步骤中长短期记忆网络模型的预测能力。
步骤S3、将提取的稀疏自编码器隐藏层的特征输入长短期记忆网络模型,通过网格搜索找出使长短期记忆网络模型精度更高的超参数,生成预测模型。
本实施例采用网格搜索来寻找使长短期记忆网络模型精度更高的超参数,针对长短期记忆网络中的时期(epoch)、批尺寸(batch_size)等超参数,采用网格搜索对超参数进行优化,通过在指定范围内的穷举来逐一训练模型,最终得到模型精度表现最优时的超参数值。例如优化时期和批尺寸,时期范围为[10,50,100],批尺寸范围为[10,20,40,60,80,100],最后输出模型精度最优时的时期和批尺寸。
本申请采用K折交叉验证来获取长短期记忆网络模型的参数,K折交叉验证常用于模型调优,找到使得模型泛化性能最优的参数值。找到后,在全部训练集上重新训练模型,并使用独立测试集对模型性能做出最终评价。K折交叉验证使用了无重复抽样技术的好处,每次迭代过程中每个样本点只有一次被划入训练集或测试集的机会。
本实施例将样本数据中训练集和验证集的样本数据用来执行K折交叉验证,对长短期记忆网络模型调优。即将样本数据中的训练集和验证集数据用来执行K折交叉验证,依次将每次迭代的样本数据输入到稀疏自编码器,提取稀疏自编码器隐藏层的特征输入到长短期记忆网络模型进行训练,采用训练K次的结果的均值作为对模型精度的估计。
例如,将样本数据的30%作为测试集,剩余的70%就是训练集和验证集的样本数据。本实施例将剩余的70%数据分成10份,轮流将其中9份作为训练集,1份作为验证集,依次输入到稀疏自编码器,提取稀疏自编码器隐藏层的特征输入到长短期记忆网络模型,采用训练10次的结果的均值作为对模型精度的估计。
然后根据网格搜索所穷举的超参数对应的模型精度的估计,选择出使长短期记忆网络模型精度更高的超参数,得到训练好的长短期记忆网络模型。
本实施例长短期记忆网络模型采用遗忘门、输入门、输出门的结构,遗忘门(ft):通过分析当前输入xt和上一个隐藏状态ht-1来控制应该从上一个单元状态Ct-1忘记的信息量。公式如下:
ft=σ(wf·[ht-1,xt]+bf)
其中wf为权重矩阵,bf为偏差值,σ表示为sigmod函数。
输入门(it):控制当前时刻的候选状态有多少信息需要保留。实现这一步需要通过sigmod层决定哪些信息需要更新;一个tanh层生成一个向量。最后把两部分联合起来,对长短期记忆网络模型内部状态Ct进行一个更新。公式如下:
it=sigmod(wi·[ht-1,xt]+bi)
其中wi,wc为权重矩阵,bi,bc为偏差值。
输出门(ot):确定当前时刻的内部状态Ct输出的信息量,公式如下:
Ot=sigmod(wo[ht-1,xt]+bo)
ht=Ot·tanh(Ct)
其中wo为权重矩阵,bo为偏差值。
本申请长短期记忆网络模型训练基于Adam优化器,在构造损失函数时可以使用目标yt和预测目标之间的交叉熵,为了防止过拟合可以使用L1正则化。损失函数公式如下:
其中N表示研究对象的数量,λ为L1正则化参数,J∈{f,i,c,o,z}。
步骤S4、利用选择的稀疏自编码器和训练好的长短期记忆网络模型,预测样本的克罗恩病概率。
本实施例采用所选择的稀疏自编码器和训练得到的长短期记忆网络模型预测样本的克罗恩病概率,在具体实施中,将样本数据输入到稀疏自编码器,提取稀疏自编码器隐藏层的特征输入长短期记忆网络模型进行预测,可以采用softmax函数,将输出值压缩在[0,1]之间,实现分类操作,输出克罗恩病分类结果。
本申请提供了一种基于深度学习混合模型的克罗恩病预测方法,能使计算机更高效准确地预测克罗恩病,稀疏自编码器的隐藏层学习样本微生物特征,最后把学习到的隐藏层特征带入长短期记忆网络进行训练,得到更准确的预测效果。本发明采用了深度学习的方法,所涉及的深度学习混合模型能从大量肠道菌群中自动学习特征,对肠道菌群数据有更强的适应能力,可以得到更准确的检测结果。
如图3所示,本申请提供了一种基于深度学习混合模型的克罗恩病预测方法框架,在这个框架中,t表示一个对象的各个时间点,n表示一个对象的样本数量,用稀疏自编码器来进行特征提取,稀疏自编码器隐藏层的特征为特征表示,隐藏层的特征输入到长短期记忆网路(LSTM)中进行预测。本申请使用每个对象直至时间点t的所有历史样本来预测时间点t是否患有克罗恩病。如图3所示,它由两个主要模块组成,特征提取和长短期记忆网路(LSTM)。特征提取模块输入的是每个样本的元基因组的分类组成,然后通过稀疏自编码器提取稀疏自编码器隐藏层的特征,传递到长短期记忆网路(LSTM),以分析具有不同时间点样本的对象。随后,将长短期记忆网路(LSTM)的最后一个单元的输出通过softmax函数来预测是否患有克罗恩病。
在一个实施例中,本申请还提供了一种基于深度学习混合模型的克罗恩病预测装置,包括处理器以及存储有若干计算机指令的存储器,所述计算机指令被处理器执行时实现上述基于深度学习混合模型的克罗恩病预测方法的步骤。
关于基于深度学习混合模型的克罗恩病预测装置的具体限定可以参见上文中对于基于深度学习混合模型的克罗恩病预测方法的限定,在此不再赘述。上述基于深度学习混合模型的克罗恩病预测装置可全部或部分通过软件、硬件及其组合来实现。可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行对应的操作。
存储器和处理器之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序,所述处理器通过运行存储在存储器内的计算机程序,从而实现本发明实施例中的网络拓扑布局方法。
其中,所述存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-OnlyMemory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。其中,存储器用于存储程序,所述处理器在接收到执行指令后,执行所述程序。
所述处理器可能是一种集成电路芯片,具有数据的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(NetworkProcessor,NP)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于深度学习混合模型的克罗恩病预测方法,其特征在于,所述基于深度学习混合模型的克罗恩病预测方法,包括:
对样本数据进行预处理,将预处理后的数据划分为训练集、验证集和测试集;
通过训练集、验证集和测试集上的损失值选择最佳稀疏自编码器架构,提取稀疏自编码器隐藏层的特征;
将提取的稀疏自编码器隐藏层的特征输入长短期记忆网络模型,通过网格搜索找出使长短期记忆网络模型精度更高的超参数,得到训练好的长短期记忆网络模型;
利用选择的稀疏自编码器和训练好的长短期记忆网络模型,预测样本的克罗恩病概率。
2.根据权利要求1所述的基于深度学习混合模型的克罗恩病预测方法,其特征在于,所述通过训练集、验证集和测试集上的损失值选择最佳稀疏自编码器架构,包括:
自定义输入层、隐藏层、输出层的神经元个数构造多个稀疏自编码器架构;
将训练集的数据输入到构造的稀疏自编码器中进行训练,训练好后使用验证集的数据进行验证,保存在验证集上损失最小的模型;
选择使用最少的输入层、隐藏层、输出层神经元个数时在测试集上产生最小的损耗的稀疏自编码器作为采用的稀疏自编码器架构。
4.根据权利要求1所述的基于深度学习混合模型的克罗恩病预测方法,其特征在于,所述通过网格搜索找出使长短期记忆网络模型精度更高的超参数,包括:
将样本数据中训练集和验证集的数据用来执行K折交叉验证,依次将每次迭代的样本数据输入到稀疏自编码器,提取稀疏自编码器隐藏层的特征输入到长短期记忆网络模型进行训练,采用训练K次的结果的均值作为对模型精度的估计;
根据网格搜索所穷举的超参数对应的模型精度的估计,选择出使长短期记忆网络模型精度更高的超参数。
5.一种基于深度学习混合模型的克罗恩病预测装置,包括处理器以及存储有若干计算机指令的存储器,其特征在于,所述计算机指令被处理器执行时实现权利要求1至权利要求4中任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044509.5A CN110838364A (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习混合模型的克罗恩病预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911044509.5A CN110838364A (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习混合模型的克罗恩病预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110838364A true CN110838364A (zh) | 2020-02-25 |
Family
ID=69575887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911044509.5A Pending CN110838364A (zh) | 2019-10-30 | 2019-10-30 | 一种基于深度学习混合模型的克罗恩病预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110838364A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111584069A (zh) * | 2020-05-07 | 2020-08-25 | 成都兰途网络科技有限公司 | 基于语音深-浅特征堆栈稀疏自动编码的精神病识别系统 |
CN111709754A (zh) * | 2020-06-12 | 2020-09-25 | 中国建设银行股份有限公司 | 一种用户行为特征提取方法、装置、设备及系统 |
CN113517066A (zh) * | 2020-08-03 | 2021-10-19 | 东南大学 | 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统 |
CN114496277A (zh) * | 2022-01-12 | 2022-05-13 | 广州保量医疗科技有限公司 | 肠道菌群配型的多组学数据优化方法、系统、设备及介质 |
CN115148361A (zh) * | 2022-07-15 | 2022-10-04 | 深圳大学 | 疾病亚型确定系统及方法 |
-
2019
- 2019-10-30 CN CN201911044509.5A patent/CN110838364A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111584069A (zh) * | 2020-05-07 | 2020-08-25 | 成都兰途网络科技有限公司 | 基于语音深-浅特征堆栈稀疏自动编码的精神病识别系统 |
CN111584069B (zh) * | 2020-05-07 | 2023-04-18 | 成都兰途网络科技有限公司 | 基于语音深-浅特征堆栈稀疏自动编码的精神病识别系统 |
CN111709754A (zh) * | 2020-06-12 | 2020-09-25 | 中国建设银行股份有限公司 | 一种用户行为特征提取方法、装置、设备及系统 |
CN111709754B (zh) * | 2020-06-12 | 2023-08-25 | 中国建设银行股份有限公司 | 一种用户行为特征提取方法、装置、设备及系统 |
CN113517066A (zh) * | 2020-08-03 | 2021-10-19 | 东南大学 | 基于候选基因甲基化测序和深度学习的抑郁症评估方法及系统 |
CN114496277A (zh) * | 2022-01-12 | 2022-05-13 | 广州保量医疗科技有限公司 | 肠道菌群配型的多组学数据优化方法、系统、设备及介质 |
CN114496277B (zh) * | 2022-01-12 | 2022-07-26 | 广州保量医疗科技有限公司 | 肠道菌群配型的多组学数据优化方法、系统、设备及介质 |
CN115148361A (zh) * | 2022-07-15 | 2022-10-04 | 深圳大学 | 疾病亚型确定系统及方法 |
CN115148361B (zh) * | 2022-07-15 | 2023-10-10 | 深圳大学 | 疾病亚型确定系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110838364A (zh) | 一种基于深度学习混合模型的克罗恩病预测方法及装置 | |
CN109659033B (zh) | 一种基于循环神经网络的慢性疾病病情变化事件预测装置 | |
Bukharov et al. | Development of a decision support system based on neural networks and a genetic algorithm | |
CN103714261B (zh) | 二阶段混合模型的智能辅助医疗决策支持方法 | |
CN113762486B (zh) | 换流阀故障诊断模型的构建方法、装置和计算机设备 | |
CN113642231A (zh) | 一种基于压缩激励网络的cnn-gru滑坡位移预测方法及应用 | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
Biswas et al. | Hybrid expert system using case based reasoning and neural network for classification | |
Chen et al. | Costly features classification using monte carlo tree search | |
CN115983087A (zh) | 一种注意力机制与lstm结合检测时序数据异常方法及终端机 | |
CN113449919A (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
Das et al. | Deep recurrent architecture with attention for remaining useful life estimation | |
Zekany et al. | CrystalBall: Statically analyzing runtime behavior via deep sequence learning | |
Huang et al. | Differential evolution-based convolutional neural networks: An automatic architecture design method for intrusion detection in industrial control systems | |
Pandi et al. | Improvement of Classification Accuracy in Machine Learning Algorithm by Hyper-Parameter Optimization | |
Tian et al. | A novel sensor-based human activity recognition method based on hybrid feature selection and combinational optimization | |
Koskela | Neural network methods in analysing and modelling time varying processes | |
Weerakody et al. | Policy gradient empowered LSTM with dynamic skips for irregular time series data | |
CN114897274A (zh) | 一种提升时间序列预测效果的方法和系统 | |
Reddy et al. | AdaBoost for Parkinson's disease detection using robust scaler and SFS from acoustic features | |
Baratchi et al. | Automated machine learning: past, present and future | |
Christodoulou et al. | Improving the performance of classification models with fuzzy cognitive maps | |
Amutha et al. | A Survey on Machine Learning Algorithms for Cardiovascular Diseases Predic-tion | |
Khudhur et al. | Comparative Evaluation for Humidity Forecasting Using Deep Learning | |
Usha et al. | Feature Selection Techniques in Learning Algorithms to Predict Truthful Data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200225 |
|
WD01 | Invention patent application deemed withdrawn after publication |