CN111078891B - 一种基于粒子群算法的医学特征识别方法及装置 - Google Patents
一种基于粒子群算法的医学特征识别方法及装置 Download PDFInfo
- Publication number
- CN111078891B CN111078891B CN201911151079.7A CN201911151079A CN111078891B CN 111078891 B CN111078891 B CN 111078891B CN 201911151079 A CN201911151079 A CN 201911151079A CN 111078891 B CN111078891 B CN 111078891B
- Authority
- CN
- China
- Prior art keywords
- particle
- preset
- particle swarm
- swarm algorithm
- dimensional state
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 304
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims description 21
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 201000010099 disease Diseases 0.000 claims description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 8
- 206010037660 Pyrexia Diseases 0.000 claims description 7
- 206010011224 Cough Diseases 0.000 claims description 6
- 208000002173 dizziness Diseases 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011423 initialization method Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种基于粒子群算法的医学特征识别方法及装置。所述方法包括从知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量;在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率,本发明实施例通过构建由特征数据的权重变量组成的一维状态变量,并通过粒子群算法得到所述一维状态变量的优化解,从而能够提高基于所述知识图谱得到识别结果的准确率。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种基于粒子群算法的医学特征识别方法及装置。
背景技术
基于医学特征知识图谱的医学特征识别系统利用专家整理的特征数据对特定结果进行识别,因特征数据本身的不确定性且构建知识图谱需要专家评估量化特征数据到识别结果的权重,以表示每个特征数据指向识别结果的概率,后续会利用权重对识别结果进行推理,因此权重作为识别结果的重要因素且本身无法量化,优化权重也成为提高识别系统准确率的重要手段。
现有通过专家直接提供的权重不够精确,无法保证知识图谱中数据的可靠性。
发明内容
由于现有方法存在上述问题,本发明实施例提供一种基于粒子群算法的医学特征识别方法及装置。
第一方面,本发明实施例提供了一种基于粒子群算法的医学特征识别方法,包括:
从医学特征知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量,所述特征数据为临床特征,包括咳嗽、发烧和头晕中的至少两种;
在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率,所述识别结果为区分不同疾病的特征数据。
进一步地,所述在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解,具体包括:
根据预设的粒子群算法,在所述预设的解空间中,构建预设粒子数的粒子群,并对所述粒子群进行初始化;其中,所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子;
根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新,并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置,以每个粒子在各迭代更新中适应度最大的位置作为所述粒子最优位置;
在满足预设的结束条件时,将当前的全局最优位置作为所述一维状态变量的优化解。
进一步地,所述粒子群算法的迭代公式如下:
v′i=ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi),
x′i=xi+v′i,
其中,v′i是粒子i迭代更新后的速度,vi是粒子i当前的速度,x′i是粒子i迭代更新后的位置,xi是粒子i当前的位置,i=1,2…N,所述N为所述预设粒子数,c1和c2为学习因子,rand()是介于(0,1)的随机数,pbest是所述粒子最优位置,gbest是全局最优位置,ω惯性因子。
进一步地,所述ω惯性因子采用线性递减权值策略,由如下公式得到:
其中,Gk为预设最大迭代次数,ωini为预设初始惯性权值,ωend为迭代更新次数达到最大迭代次数时预设的最终惯性权值,g为当前迭代更新次数。
进一步地,所述的基于粒子群算法的医学特征识别方法还包括:
若所述粒子在迭代更新后的速度超过预设的速度最大值,则所述粒子在迭代更新后的速度设为所述速度最大值。
第二方面,本发明实施例提供了一种基于粒子群算法的医学特征识别装置,包括:
特征提取模块,用于从知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量;
权重优化模块,用于在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。
进一步地,所述权重优化模块具体包括:
粒子群初始化模块,用于根据预设的粒子群算法,在所述预设的解空间中,构建预设粒子数的粒子群,并对所述粒子群进行初始化;其中,所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子;
迭代更新模块,用于根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新,并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置,以每个粒子在各迭代更新中适应度最大的位置作为所述粒子最优位置;
结果输出模块,用于在满足预设的结束条件时,将当前的全局最优位置作为所述一维状态变量的优化解。
进一步地,所述粒子群算法的迭代公式如下:
v′i=ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi),
x′i=xi+v′i,
其中,v′i是粒子i迭代更新后的速度,vi是粒子i当前的速度,x′i是粒子i迭代更新后的位置,xi是粒子i当前的位置,i=1,2…N,所述N为所述预设粒子数,c1和c2为学习因子,rand()是介于(0,1)的随机数,pbest是所述粒子最优位置,gbest是全局最优位置,ω惯性因子。
第三方面,本发明实施例还提供了一种电子设备,包括:
处理器、存储器、通信接口和通信总线;其中,
所述处理器、存储器、通信接口通过所述通信总线完成相互间的通信;
所述通信接口用于该电子设备的通信设备之间的信息传输;
所述存储器存储有可被所述处理器执行的计算机程序指令,所述处理器调用所述程序指令能够执行如下方法:
从知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量;
在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。
第四方面,本发明实施例还提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如下方法:
从知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量;
在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。
本发明实施例提供的基于粒子群算法的医学特征识别方法及装置,通过构建由特征数据的权重变量组成的一维状态变量,并通过粒子群算法得到所述一维状态变量的优化解,从而能够提高医学特征识别结果的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的基于粒子群算法的医学特征识别方法流程图;
图2为本发明实施例的另一基于粒子群算法的医学特征识别方法流程图;
图3为本发明实施例的基于粒子群算法的医学特征识别装置结构示意图;
图4为本发明实施例的另一基于粒子群算法的医学特征识别装置结构示意图;
图5示例了一种电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例的基于粒子群算法的医学特征识别方法流程图,如图1所示,所述方法包括:
步骤S01、从医学特征知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量,所述特征数据为临床特征,包括咳嗽、发烧和头晕中的至少两种;
步骤S02、在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率,所述识别结果为区分不同疾病的特征数据。
本发明实施例所述的知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形,从中可以显示出所述知识图谱包含的各种不同的特征数据之间的对应关系,并且利用所述知识图谱,根据预先输入的多个特征数据指向某一特定的结果。
例如,对于网络推荐知识图谱而言,所述特征数据可以用户历史搜索信息和浏览信息中的特征词,以及每个网页或商品对应的特征词,然后根据不同的用户对应的特征词,从而向该用户推荐特定的网页或商品。
又例如,对于社交网络知识图谱而言,所述特征数据可以是与特定人群相关的行为特征,从而可以根据获取的行为特征确定对应的对方所属的特定人群。
为了能够进一步合理得构建知识图谱中各特征数据与识别结果间的对应关系,可通过优化各个特征数据所对应的权重来优化所述知识图谱。通过对权重的优化,从而提高了通过特征数据来得以识别结果的正确率。
首先,从所述知识图谱中提取出所有特征数据,将他们对应的权重变量,编码成一维状态变量。
所述预设的解空间包括对各个权重变量设定的阈值范围,包括了对于所述一维状态变量的所有可能的解,例如,可设置每个权重变量的阈值范围为[0,6]。在所有可能的解中,采用预设的粒子群算法,来得到所述一维状态变量的优化解。
所述预设的粒子群算法的适应度函数用于根据各粒子当前的位置,计算所述知识图谱得到的识别结果的准确率。其中,所述位置为所述一维状态变量在所述解空间中的状态。
本发明实施例通过构建由特征数据的权重变量组成的一维状态变量,并通过粒子群算法得到所述一维状态变量的优化解,从而能够提高基于所述知识图谱得到识别结果的准确率。
图2为本发明实施例的另一基于粒子群算法的医学特征识别方法流程图,如图2所示,所述步骤S02具体包括:
步骤S021、根据预设的粒子群算法,在所述预设的解空间中,构建预设粒子数的粒子群,并对所述粒子群进行初始化;其中,所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子。
在执行粒子群算法时,需要先设定粒子群算法的包括所述解空间和预设粒子数的相关算法参数,用于构建粒子群。所述粒子群包括预设粒子数的粒子,例如,20个。并且在粒子群算法开始时,对所述粒子群进行初始化。具体的初始化方法可以是在所述解空间中,随机获取预设粒子数的所述一维状态变量的随机状态。而对于其中的一个粒子的初始化,则由所述知识图谱中预设的各特征数据的初始权重组成。
例如,对于医学知识图谱而言,所述特征数据可以为与疾病诊断相关的临床特征,例如,咳嗽、发烧、头晕等,而为了更进一步得区分对于不同疾病的特征数据,因此,可以将所述特征数据进一步进行细分,例如,感冒-咳嗽,感冒-发烧、感冒-头晕、发炎-发烧等,而医学专家会根据自身的医学知识为每个特征数据分别预先设定初始权重,从而可根据该初始权重组成一个初始化的粒子。
可见,初始化的粒子群包括预设粒子数的初始化粒子,具体包括:一个是由初始权重组成的粒子,和其它是一维状态变量的随机状态的粒子。
步骤S022、根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新,并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置,以每个粒子在各迭代更新中适应度最大的位置作为粒子最优位置。
根据所述粒子群算法中预设的迭代公式,对所述粒子群中每个粒子的速度和位置进行迭代更新,并且在迭代过程中更新全局最优位置和粒子最优位置。
所述粒子最优位置是一个粒子在迭代更新过程中,比较各迭代更新得到的位置对应的适应度,将适应度最大的位置作为所述粒子最优位置。具体地,可以在对粒子进行初始化后,先将初始化的位置作为粒子最优位置,然后在每次迭代更新后,将粒子迭代更新后的位置的适应度值和粒子最优位置的适应度值进行比较,若迭代更新后的位置的适应度值更大,则用所述迭代更新的位置更新所述粒子最优位置,直到粒子群算法结束为止。
所述全局最优位置是所有粒子在迭代更新过程中,比较各迭代更新得到的所有粒子的位置对应的适应度,将适应度最大的位置作为所述全局最优位置。具体地,可以在对粒子群进行初始化后,先比较各粒子初始化的位置对应的适应度,将适应度最大的位置作为全局最优位置。然后在每次迭代更新后,将各粒子迭代更新后的位置的适应度值和全局最优位置的适应度值进行比较,若迭代更新后的位置的适应度值更大,则用所述迭代更新的位置更新所述全局最优位置,直到粒子群算法结束为止。
进一步地,所述粒子群算法的迭代公式如下:
v′i=ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi),
x′i=xi+v′i,
其中,v′i是粒子i迭代更新后的速度,vi是粒子i当前的速度,x′i是粒子i迭代更新后的位置,xi是粒子i当前的位置,i=1,2…N,所述N为所述预设粒子数,c1和c2为学习因子,rand()是介于(0,1)的随机数,pbest是所述粒子最优位置,gbest是全局最优位置,ω惯性因子。
本发明实施例对于粒子群算法的迭代公式给出了其中的一种举例说明,由上述公式可见,每次迭代更新过程需要根据每个粒子i当前的速度vi,当前的位置xi,以及当前的该粒子i的粒子最优位置pbest和粒子群的全局最优位置gbest,来计算每个粒子i对应的迭代更新后的速度v′i,并且根据该迭代更新后的速度v′i来计算粒子i对应的迭代更新后的位置。
所述学习因子c1和c2的值可根据实际的需要来进行设置,例如,c1=c2=2。
进一步地,所述ω惯性因子采用线性递减权值策略,由如下公式得到:
其中,Gk为预设最大迭代次数,ωini为预设初始惯性权值,ωend为迭代更新次数达到最大迭代次数时预设的最终惯性权值,g为当前迭代更新次数。
所述迭代公式中的惯性因子ω的值超大,所述粒子群算法的全局寻优能力就越强,值越小,局部寻优能力越强。惯性因子ω可以是一个预设的固定常数,也可以实际的需要进行动态设定,本发明实施例仅给出了其中的一种动态设定方法。其中,对初始惯性权值ωini和最终惯性权值ωend的大小可以根据实际的需要来进行设定,例如,可设置为:ωini=0.9,ωend=0.4。可见,所述惯性因子ω将会随着迭代更新次数g的增加而逐步由初始惯性权值ωini减小到最终惯性权值ωend。
进一步地,所述的基于粒子群算法的医学特征识别方法还包括:
若所述粒子在迭代更新后的速度超过预设的速度最大值,则所述粒子在迭代更新后的速度设为所述速度最大值。
为了防止每个粒子在一次迭代更新过程中位移过大,预先设置了速度最大值vmax,在对所述粒子群进行迭代更新的过程中,若迭代更新后得到的v′i超过了所述速度最大值vmax,则将所述速度最大值作为本次迭代更新后得到的v′i,用于更新本次迭代更新后得到的粒子的位置x′i=xi+vmax。
步骤S023、在满足预设的结束条件时,将当前的全局最优位置作为所述一维状态变量的优化解。
在满足预设的结束条件时,所述粒子群算法结束,并且将当前的全局最优位置作为所述一维状态变量的优化解。将该优化解应用于所述知识图谱中,从而,可以增加所述知识图谱得到识别结果的准确率。
所述预设的结束条件可以根据实际的需要来进行设定,在此不作具体地限定,例如,可以预先设置最大迭代次数,在对粒子群进行迭代更新的次数达到所述最大迭代次数时,判定本次粒子群算法结束。
在实际的应用过程中,可以多次执行粒子群算法,从而在每次得到的优化解中,比较得到适应度最大的优化解,来作为最终的结果。并且在每次执行粒子群算法时,还可以预先对算法参数进行适应性地调整。
粒子群算法相对于其他算法,没有交叉和变异运算,在迭代进化中只有最优的粒子信息传给其他粒子,搜索速度快。粒子群算法具有记忆性,粒子群体的历史最好位置可以记忆并传递给其它粒子。相对于其他优化算法,该算法需要调整的参数较少,结构简单,易于工程实现。根据个体的适配信息进行搜索,因此不受函数约束条件的限制,如连续性、可导性等。该算法适应于样本量较小,且变量数目中等的场景。
本发明实施例通过预先设置所述粒子群算法的各个算法参数,充分利用现有的知识图谱有数据样本,使用专家提供的初始权重,有效提高疾病诊断准确率,以及算法的收敛速度。
图3为本发明实施例的基于粒子群算法的医学特征识别装置结构示意图,如图3所示,所述装置包括:特征提取模块10和权重优化模块11;其中,
特征提取模块10用于从知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量;权重优化模块11用于在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率。具体地:
本发明实施例所述的知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形,从中可以显示出所述知识图谱包含的各种不同的特征数据之间的对应关系,并且利用所述知识图谱,根据预先输入的多个特征数据指向某一特定的结果。
为了能够进一步合理得构建知识图谱中各特征数据与识别结果间的对应关系,可通过优化各个特征数据所对应的权重来优化所述知识图谱。通过对权重的优化,从而提高了通过特征数据来得以识别结果的正确率。
首先,由所述特征提取模块10从所述知识图谱中提取出所有特征数据,将他们对应的权重变量,编码成一维状态变量。
所述权重优化模块11预设的解空间包括对各个权重变量设定的阈值范围,包括了对于所述一维状态变量的所有可能的解。在所有可能的解中,权重优化模块11采用预设的粒子群算法,来得到所述一维状态变量的优化解。
所述预设的粒子群算法的适应度函数用于根据各粒子当前的位置,计算所述知识图谱得到的识别结果的准确率。其中,所述位置为所述一维状态变量在所述解空间中的状态。
本发明实施例提供的装置用于执行上述方法,其功能具体参考上述方法实施例,其具体方法流程在此处不再赘述。
本发明实施例通过构建由特征数据的权重变量组成的一维状态变量,并通过粒子群算法得到所述一维状态变量的优化解,从而能够提高基于所述知识图谱得到识别结果的准确率。
图4为本发明实施例的另一基于粒子群算法的医学特征识别装置结构示意图,如图4所示,所述装置包括:所述装置包括:特征提取模块10和权重优化模块11,所述权重优化模块11包括:粒子群初始化模块110、迭代更新模块111和结果输出模块112;其中,
所述粒子群初始化模块110用于根据预设的粒子群算法,在所述预设的解空间中,构建预设粒子数的粒子群,并对所述粒子群进行初始化;其中,所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子;所述迭代更新模块111用于根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新,并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置,以每个粒子在各迭代更新中适应度最大的位置作为所述粒子最优位置;所述结果输出模块112用于在满足预设的结束条件时,将当前的全局最优位置作为所述一维状态变量的优化解。具体地:
在执行粒子群算法时,需要粒子群初始化模块110先设定粒子群算法的包括所述解空间和预设粒子数的相关算法参数,用于构建粒子群。所述粒子群包括预设粒子数的粒子。并且在粒子群算法开始时,粒子群初始化模块110对所述粒子群进行初始化。具体的初始化方法可以是在所述解空间中,随机获取预设粒子数的所述一维状态变量的随机状态。而对于其中的一个粒子的初始化,则由所述知识图谱中预设的各特征数据的初始权重组成。
可见,经过粒子群初始化模块110初始化的粒子群包括预设粒子数的初始化粒子,具体包括:一个是由初始权重组成的粒子,和其它是一维状态变量的随机状态的粒子。
根据所述粒子群算法中预设的迭代公式,迭代更新模块111对所述粒子群中每个粒子的速度和位置进行迭代更新,并且在迭代过程中更新全局最优位置和粒子最优位置。
所述粒子最优位置是一个粒子在迭代更新过程中,比较各迭代更新得到的位置对应的适应度,将适应度最大的位置作为所述粒子最优位置。具体地,可以在对粒子进行初始化后,迭代更新模块111先将初始化的位置作为粒子最优位置,然后在每次迭代更新后,将粒子迭代更新后的位置的适应度值和粒子最优位置的适应度值进行比较,若迭代更新后的位置的适应度值更大,则用所述迭代更新的位置更新所述粒子最优位置,直到粒子群算法结束为止。
所述全局最优位置是所有粒子在迭代更新过程中,比较各迭代更新得到的所有粒子的位置对应的适应度,将适应度最大的位置作为所述全局最优位置。具体地,迭代更新模块111可以在对粒子群进行初始化后,先比较各粒子初始化的位置对应的适应度,将适应度最大的位置作为全局最优位置。然后在每次迭代更新后,将各粒子迭代更新后的位置的适应度值和全局最优位置的适应度值进行比较,若迭代更新后的位置的适应度值更大,则用所述迭代更新的位置更新所述全局最优位置,直到粒子群算法结束为止。
进一步地,所述粒子群算法的迭代公式如下:
v′i=ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi),
x′i=xi+v′i,
其中,v′i是粒子i迭代更新后的速度,vi是粒子i当前的速度,x′i是粒子i迭代更新后的位置,xi是粒子i当前的位置,i=1,2…N,所述N为所述预设粒子数,c1和c2为学习因子,rand()是介于(0,1)的随机数,pbest是所述粒子最优位置,gbest是全局最优位置,ω惯性因子。
本发明实施例对于粒子群算法的迭代公式给出了其中的一种举例说明,由上述公式可见,每次迭代更新过程需要根据每个粒子i当前的速度vi,当前的位置xi,以及当前的该粒子i的粒子最优位置pbest和粒子群的全局最优位置gbest,来计算每个粒子i对应的迭代更新后的速度v′i,并且根据该迭代更新后的速度v′i来计算粒子i对应的迭代更新后的位置。
所述学习因子c1和c2的值可根据实际的需要来进行设置,例如,c1=c2=2。
进一步地,所述ω惯性因子采用线性递减权值策略,由如下公式得到:
其中,Gk为预设最大迭代次数,ωini为预设初始惯性权值,ωend为迭代更新次数达到最大迭代次数时预设的最终惯性权值,g为当前迭代更新次数。
所述迭代公式中的惯性因子ω的值超大,所述粒子群算法的全局寻优能力就越强,值越小,局部寻优能力越强。惯性因子ω可以是一个预设的固定常数,也可以实际的需要进行动态设定,本发明实施例仅给出了其中的一种动态设定方法。其中,对初始惯性权值ωini和最终惯性权值ωend的大小可以根据实际的需要来进行设定,例如,可设置为:ωini=0.9,ωend=0.4。可见,所述惯性因子ω将会随着迭代更新次数g的增加而逐步由初始惯性权值ωini减小到最终惯性权值ωend。
进一步地,所述的基于粒子群算法的医学特征识别方法还包括:
若所述粒子在迭代更新后的速度超过预设的速度最大值,则所述粒子在迭代更新后的速度设为所述速度最大值。
为了防止每个粒子在一次迭代更新过程中位移过大,迭代更新模块111预先设置了速度最大值vmax,在对所述粒子群进行迭代更新的过程中,若迭代更新后得到的v′i超过了所述速度最大值vmax,则将所述速度最大值作为本次迭代更新后得到的v′i,用于更新本次迭代更新后得到的粒子的位置x′i=xi+vmax。
在满足预设的结束条件时,结果输出模块112判定所述粒子群算法结束,并且将当前的全局最优位置作为所述一维状态变量的优化解。将该优化解应用于所述知识图谱中,从而,可以增加所述知识图谱得到识别结果的准确率。
所述预设的结束条件可以根据实际的需要来进行设定,在此不作具体地限定,例如,可以预先设置最大迭代次数,在对粒子群进行迭代更新的次数达到所述最大迭代次数时,结果输出模块112判定本次粒子群算法结束。
在实际的应用过程中,可以多次执行粒子群算法,从而在每次得到的优化解中,比较得到适应度最大的优化解,来作为最终的结果。并且在每次执行粒子群算法时,还可以预先对算法参数进行适应性地调整。
粒子群算法相对于其他算法,没有交叉和变异运算,在迭代进化中只有最优的粒子信息传给其他粒子,搜索速度快。粒子群算法具有记忆性,粒子群体的历史最好位置可以记忆并传递给其它粒子。相对于其他优化算法,该算法需要调整的参数较少,结构简单,易于工程实现。根据个体的适配信息进行搜索,因此不受函数约束条件的限制,如连续性、可导性等。该算法适应于样本量较小,且变量数目中等的场景。
本发明实施例提供的装置用于执行上述方法,其功能具体参考上述方法实施例,其具体方法流程在此处不再赘述。
本发明实施例通过预先设置所述粒子群算法的各个算法参数,充分利用现有的知识图谱有数据样本,使用专家提供的初始权重,有效提高疾病诊断准确率,以及算法的收敛速度。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)503、存储器(memory)502和通信总线504,其中,处理器501,通信接口503,存储器502通过通信总线504完成相互间的通信。处理器501可以调用存储器502中的逻辑指令,以执行上述方法。
进一步地,本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法。
进一步地,本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法。
本领域普通技术人员可以理解:此外,上述的存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于粒子群算法的医学特征识别方法,其特征在于,包括:
从医学特征知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量,所述特征数据为临床特征,包括咳嗽、发烧和头晕中的至少两种;
在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率,所述识别结果为区分不同疾病的特征数据;
所述在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解,具体包括:
根据预设的粒子群算法,在所述预设的解空间中,构建预设粒子数的粒子群,并对所述粒子群进行初始化;其中,所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子和其它是一维状态变量的随机状态的粒子;
根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新,并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置,以每个粒子在各迭代更新中适应度最大的位置作为粒子最优位置;
在满足预设的结束条件时,将当前的全局最优位置作为所述一维状态变量的优化解;
所述粒子群算法的迭代公式如下:
v′i=ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi),
x′i=xi+v′i,
其中,v′i是粒子i迭代更新后的速度,vi是粒子i当前的速度,x′i是粒子i迭代更新后的位置,xi是粒子i当前的位置,i=1,2…N,所述N为所述预设粒子数,c1和c2为学习因子,rand()是介于(0,1)的随机数,pbest是所述粒子最优位置,gbest是全局最优位置,ω惯性因子。
2.根据权利要求1所述的基于粒子群算法的医学特征识别方法,其特征在于,所述ω惯性因子采用线性递减权值策略,由如下公式得到:
其中,Gk为预设最大迭代次数,ωini为预设初始惯性权值,ωend为迭代更新次数达到最大迭代次数时预设的最终惯性权值,g为当前迭代更新次数。
3.根据权利要求2所述的基于粒子群算法的医学特征识别方法,其特征在于,所述的基于粒子群算法的医学特征识别方法还包括:
若所述粒子在迭代更新后的速度超过预设的速度最大值,则所述粒子在迭代更新后的速度设为所述速度最大值。
4.一种基于粒子群算法的医学特征识别装置,其特征在于,包括:
特征提取模块,用于从医学特征知识图谱中提取特征数据,根据各特征数据对应的权重变量组成一维状态变量,所述特征数据为临床特征,包括咳嗽、发烧和头晕中的至少两种;
权重优化模块,用于在预设解空间中,根据预设的粒子群算法,得到所述一维状态变量的优化解;其中,所述预设的粒子群算法的适应度函数为根据所述知识图谱得到的识别结果的准确率,所述识别结果为区分不同疾病的特征数据;所述权重优化模块具体包括:
粒子群初始化模块,用于根据预设的粒子群算法,在所述预设的解空间中,构建预设粒子数的粒子群,并对所述粒子群进行初始化;其中,所述初始化的粒子群包括由各特征数据预设的初始权重组成的一个粒子和其它是一维状态变量的随机状态的粒子;
迭代更新模块,用于根据所述粒子群算法的迭代公式对所述粒子群中每个粒子的速度和位置进行迭代更新,并以各迭代更新得到的粒子群中适应度最大的粒子的位置作为全局最优位置,以每个粒子在各迭代更新中适应度最大的位置作为粒子最优位置;
结果输出模块,用于在满足预设的结束条件时,将当前的全局最优位置作为所述一维状态变量的优化解;
所述粒子群算法的迭代公式如下:
v′i=ω*vi+c1*rand()*(pbest-xi)+c2*rand()*(gbest-xi),
x′i=xi+v′i,
其中,v′i是粒子i迭代更新后的速度,vi是粒子i当前的速度,x′i是粒子i迭代更新后的位置,xi是粒子i当前的位置,i=1,2…N,所述N为所述预设粒子数,c1和c2为学习因子,rand()是介于(0,1)的随机数,pbest是所述粒子最优位置,gbest是全局最优位置,ω惯性因子。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述基于粒子群算法的医学特征识别方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至3任一项所述基于粒子群算法的医学特征识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911151079.7A CN111078891B (zh) | 2019-11-21 | 2019-11-21 | 一种基于粒子群算法的医学特征识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911151079.7A CN111078891B (zh) | 2019-11-21 | 2019-11-21 | 一种基于粒子群算法的医学特征识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111078891A CN111078891A (zh) | 2020-04-28 |
CN111078891B true CN111078891B (zh) | 2024-05-07 |
Family
ID=70311591
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911151079.7A Active CN111078891B (zh) | 2019-11-21 | 2019-11-21 | 一种基于粒子群算法的医学特征识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111078891B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194771A (zh) * | 2023-08-01 | 2023-12-08 | 广东工业大学 | 一种图模型表征学习的动态知识图谱服务推荐方法 |
CN117077780A (zh) * | 2023-10-19 | 2023-11-17 | 国网四川省电力公司信息通信公司 | 基于粒子群算法和知识图谱优化通信专网故障的测评方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679139A (zh) * | 2013-11-26 | 2014-03-26 | 闻泰通讯股份有限公司 | 基于粒子群优化bp网络的人脸识别方法 |
CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
CN108038507A (zh) * | 2017-12-13 | 2018-05-15 | 太原理工大学 | 基于粒子群优化的局部感受野极限学习机图像分类方法 |
CN108537005A (zh) * | 2018-04-03 | 2018-09-14 | 福州大学 | 一种基于BPSO-KNN模型的关键lncRNA预测方法 |
CN109544511A (zh) * | 2018-10-25 | 2019-03-29 | 广州大学 | 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 |
-
2019
- 2019-11-21 CN CN201911151079.7A patent/CN111078891B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679139A (zh) * | 2013-11-26 | 2014-03-26 | 闻泰通讯股份有限公司 | 基于粒子群优化bp网络的人脸识别方法 |
CN107944349A (zh) * | 2017-11-07 | 2018-04-20 | 武汉大学 | 基于粒子群‑支持向量机的gis局部放电类型模式识别方法 |
CN108038507A (zh) * | 2017-12-13 | 2018-05-15 | 太原理工大学 | 基于粒子群优化的局部感受野极限学习机图像分类方法 |
CN108537005A (zh) * | 2018-04-03 | 2018-09-14 | 福州大学 | 一种基于BPSO-KNN模型的关键lncRNA预测方法 |
CN109544511A (zh) * | 2018-10-25 | 2019-03-29 | 广州大学 | 基于粒子群算法优化的卷积神经网络对肺结节识别的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111078891A (zh) | 2020-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109685116B (zh) | 图像描述信息生成方法和装置及电子装置 | |
JP7202465B2 (ja) | エンティティ意味関係分類 | |
TWI769754B (zh) | 基於隱私保護確定目標業務模型的方法及裝置 | |
CN107358293B (zh) | 一种神经网络训练方法及装置 | |
CN110135681B (zh) | 风险用户识别方法、装置、可读存储介质及终端设备 | |
CN113705811B (zh) | 模型训练方法、装置、计算机程序产品及设备 | |
CN111078891B (zh) | 一种基于粒子群算法的医学特征识别方法及装置 | |
CN111870959B (zh) | 一种游戏中的资源推荐方法及装置 | |
CN112348079A (zh) | 数据降维处理方法、装置、计算机设备及存储介质 | |
CN115860100A (zh) | 一种神经网络模型训练方法、装置及计算设备 | |
CN111767985B (zh) | 一种神经网络的训练方法、视频识别方法及装置 | |
CN111260056B (zh) | 一种网络模型蒸馏方法及装置 | |
CN111368552B (zh) | 一种面向特定领域的网络用户群组划分方法及装置 | |
CN110276283B (zh) | 图片识别方法、目标识别模型训练方法及装置 | |
CN114490618B (zh) | 基于蚁狮算法的数据填补方法、装置、设备及存储介质 | |
US20230104345A1 (en) | Image attack detection method and apparatus, and image attack detection model training method and apparatus | |
CN112307243A (zh) | 用于检索图像的方法和装置 | |
CN115907775A (zh) | 基于深度学习的个人征信评级方法及其应用 | |
CN113762019B (zh) | 特征提取网络的训练方法、人脸识别方法和装置 | |
CN113705589A (zh) | 数据处理方法、装置及设备 | |
CN114780863A (zh) | 基于人工智能的项目推荐方法、装置、计算机设备及介质 | |
CN114528491A (zh) | 信息处理方法、装置、计算机设备和存储介质 | |
CN111461228A (zh) | 图像推荐方法和装置及存储介质 | |
CN111143641A (zh) | 深度学习模型的训练方法、装置及电子设备 | |
CN113838527B (zh) | 一种靶基因预测模型的生成方法及装置、存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |