CN113707320A - 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 - Google Patents

一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 Download PDF

Info

Publication number
CN113707320A
CN113707320A CN202111005792.8A CN202111005792A CN113707320A CN 113707320 A CN113707320 A CN 113707320A CN 202111005792 A CN202111005792 A CN 202111005792A CN 113707320 A CN113707320 A CN 113707320A
Authority
CN
China
Prior art keywords
sign
data
mpa
svm
miner
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.)
Granted
Application number
CN202111005792.8A
Other languages
English (en)
Other versions
CN113707320B (zh
Inventor
卞凯
周孟然
胡锋
来文豪
戴荣英
胡天羽
孔茜茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Science and Technology
Original Assignee
Anhui University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anhui University of Science and Technology filed Critical Anhui University of Science and Technology
Priority to CN202111005792.8A priority Critical patent/CN113707320B/zh
Publication of CN113707320A publication Critical patent/CN113707320A/zh
Application granted granted Critical
Publication of CN113707320B publication Critical patent/CN113707320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • 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
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Epidemiology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于相关性分析的EN结合MPA‑SVM的异常体征矿工判别方法，包括以下步骤：(1)收集矿工职业健康体检数据，构造矿工体征参数数据集合；(2)将矿工体征数据随机划分成训练集和预测集；(3)将训练集和预测集数据进行归一化处理；(4)采用皮尔逊相关系数分析并删除相关性较高的体征数据；(5)利用EN去除冗余体征信息；(6)建立MPA‑SVM矿工异常体征判别模型，预测集数据的评价指标用于模型性能的分析与评估。本发明将相关性分析的EN结合MPA‑SVM用于异常体征矿工的辨识，为矿工职业病和疑似职业病的检测做到前期精准筛查目的，适用于职业健康辅助诊断领域。

Description

一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别 方法
技术领域
本发明涉及职业健康辅助诊断领域，具体是一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法。
背景技术
井下开采是非常重要煤矿开采方式，受到煤矿井下环境与设备的制约，井下作业矿工的身体健康状况不容忽视。煤矿工作环境中的粉尘、化学毒物、有害物理因素都会影响矿工的身体健康。人体各种体征参数之间是相互依存的，当人体的基本体征参数发生异常时，人体的体征状态肯定发生了变化，这些异常的体征都将会是患职业病的前兆。只有综合多种体征参数，才能对人体的健康状态做出准确的判断。
随着诊断的效率与准确率要求不断提高，人工智能算法已应用于体检报告的分析与评估，在健康管理与疾病的辅助诊断方面都有着广泛的应用。然而，常规的人工智能算法大都建立在全属性的数据集上，数据中往往包含冗余且无用的信息，这些信息都会影响最终的判别结果，造成诊断效率低、诊断精度不高的情况。
发明内容
为了克服上述现有技术的缺点，本发明的目的是提供一种基于相关性分析的弹性网络(EN)结合海洋捕食者算法优化支持向量机(MPA-SVM)的异常体征矿工判别方法，该方法能够从数据中深度挖掘体征之间的关联度，减少冗余信息对判别结果的影响与干扰，降低数据的复杂程度，并结合群智能优化算法有效提升模型的判别精度。
本发明实现发明目的采用如下技术方案：
一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，包括以下步骤：
(1)数据采集：收集矿工职业健康体检数据，构造矿工体征参数数据集合；
(2)样本集划分：将矿工体征数据按一定比例随机划分成训练集和预测集；
(3)归一化处理：将训练集和预测集数据归一化到一定的区间范围内；
(4)体征相关性分析：采用皮尔逊相关系数对数据不同体征进行相关性分析，并删除相关性较高的体征数据；
(5)EN关键体征选择：利用EN去除冗余体征信息，选择出关键体征数据；
(6)MPA-SVM模型构建：将EN选择出的关键体征作为MPA-SVM的输入，建立矿工异常体征判别模型，预测集数据的评价指标用于模型性能的分析与评估。
作为优选，所述的步骤(1)中，以矿工的身体体征作为研究对象，收集医院的矿工职业健康检查表，并构造矿工体征参数数据集合，打上诊断结果标签，共包含异常体征和目前所检项目未见异常两种诊断情况。
作为优选，所述的步骤(2)中，矿工体征数据随机划分成训练集和预测集的比例为4:1。
作为优选，所述的步骤(3)中，将训练集和预测集数据归一化[0,1]区间范围内，消除特征之间量纲的影响，归一化公式如下：
Figure BDA0003237186460000021
式中，x为原始数据，xmin为原始数据的最小值，xmax为原始数据的最大值。
作为优选，所述的步骤(4)中，采用皮尔逊相关系数对数据不同体征进行相关性分析，并删除相关性较高的体征数据，其具体步骤如下：
(41)根据样本数据生成的矩阵为B(m×n)，m为样本个数，n为体征的个数，即式：
Figure BDA0003237186460000022
式中，B为体征数据矩阵，b11，b12，…，bmn为样本的数据；
(42)体征之间的皮尔逊相关系数r，其式为：
Figure BDA0003237186460000023
式中，Bij和Bvz为两列不同的体征向量，
Figure BDA0003237186460000024
和
Figure BDA0003237186460000025
分别为对应列的平均值；
(43)设置一个阈值为N，如果体征之间的r大于这个阈值，则他们具有明显的线性关系，则删掉与标签的r较小的那个体征。
作为优选，所述的步骤(5)中，利用EN对皮尔逊相关系数选择出的重要体征数据进行精简，去除冗余体征信息，选择出关键体征数据，其具体步骤如下：
(51)设多变量回归模型为：
L＝BW+ε
式中，X＝[b1,b2,…,bm]T(X∈Rm×n)为体征变量，L＝[l1,l2,…,lm]T(L∈Rm×1)为判别标签，ε∈Rm×1为随机误差，W＝[ω1,ω2,…,ωn]T(ω∈Rn×1)为回归系数向量；
(52)可根据优化函数Q(ω)调节参数α，以实现目标变量的稀疏降维，优化函数表达式为：
Q(ω)＝arg min{||L-Xω||2+λ1|ω|+λ2||ω||2}
式中，λ1和λ2为惩罚系数，令α＝λ1/λ1+λ2，λ＝λ1+λ2，得到下式：
Q(ω)＝arg min{||L-Xω||2+λ[α|ω|+(1-α)||ω||2]}；
(53)删掉回归系数为0所对应的体征向量，保留剩余的关键的体征。
作为优选，所述的步骤(6)中，将EN选择出的关键体征作为MPA-SVM的输入，MPA搜索最优惩罚系数C和核函数参数γ，建立矿工异常体征判别模型，预测集数据用于模型性能的分析与评估，其具体步骤如下：
(61)选择径向基函数(RBF)作为支持向量机(SVM)的核函数，RBF的表达式如下：
Figure BDA0003237186460000031
其中，
Figure BDA0003237186460000032
表示两个体征向量之间的平方欧几里得距离，Bij *为核函数的中心，σ为函数的宽度参数；
(62)惩罚系数C和核函数参数γ设定在[k1,k2]区间范围内；
(63)在搜索空间范围内随机初始化猎物的位置，表达式为：
D0＝rand(Dmax-Dmin)+Dmin
其中，Dmax为最大搜索空间，Dmin为最小搜索空间，rand为随机数；
(64)计算适应度值，搜索最优位置，优化过程如下式所示：
算法在空间内挖掘：
Figure BDA0003237186460000041
Figure BDA0003237186460000042
其中，
Figure BDA0003237186460000043
为该阶段的移动步长，
Figure BDA0003237186460000044
为莱维分布的运动随机向量，
Figure BDA0003237186460000045
为顶级捕食者构成的精英矩阵，
Figure BDA0003237186460000046
为与精英矩阵维度相同的猎物矩阵；
算法在空间内搜索：
Figure BDA0003237186460000047
Figure BDA0003237186460000048
Figure BDA0003237186460000049
为正态分布的运动随机向量，
Figure BDA00032371864600000410
为捕食者步长的自适应参数；
(65)更新捕食者位置与最优位置；
(66)如果迭代次数达到最大值，则终止MPA的寻优过程，输出SVM参数C和γ的最优解，否则继续从步骤(64)执行；
(67)根据预测集矿工体征的判别结果构造混淆矩阵，依据分类准确率、精确度、召回率和F1分数来综合分析与评估所建立模型的判别性能和泛化能力。
有益效果：
本发明与现有技术相比，其有益效果体现在：
全属性的数据集上建立判别模型，冗余的数据会对模型判别性能产生干扰与不理影响。较单一的特征选择和特征提取方法，基于相关性分析的EN能够最大程度精简数据的特征个数，消除数据中存在的冗余信息，利用较少的特征就能反映出原始数据的关键信息。MPA-SVM用于异常体征矿工判别，可以弥补判别精度不高的问题，有效提升模型的判别性能，泛化性能强。基于相关性分析的EN结合MPA-SVM方法能够为矿工职业病和疑似职业病的检测做到前期精准筛查目的，适用于职业健康辅助诊断领域。
附图说明
图1是本发明的工作流程图；
图2是本发明的MPA优化SVM的算法流程图；
图3是本发明的混淆矩阵图。
具体实施方式
以下通过具体实施例对本发明做进一步解释说明。
本发明研发了一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法。先对收集到的矿工体征数据进行归一化处理并划分训练集和预测集，利用相关性分析初步删掉冗余的体征数据，保留重要体征信息，再采用EN算法筛选出关键的体征数据，最大程度精简数据的维数，消除冗余数据的干扰，最后将相关性分析的EN选择出的数据用于判别模型的建立，根据预测集数据评估判别结果。
本发明在相关性分析与EN结合MPA-SVM的技术情况下研究出一种异常体征矿工判别方法，具体步骤如下：
(1)数据采集：收集医院的矿工职业健康检查表，构造矿工体征参数数据集合，并打上异常体征和目前所检项目未见异常两种诊断结果的标签。
(2)样本集划分：将矿工体征数据按4:1比例随机划分成训练集和预测集。
(3)归一化处理：将训练集和预测集数据归一化[0,1]区间范围内，消除特征之间量纲的影响，归一化公式如下：
Figure BDA0003237186460000051
式中，x为原始数据，xmin为原始数据的最小值，xmax为原始数据的最大值。
(4)体征相关性分析：采用皮尔逊相关系数对数据不同体征进行相关性分析，并删除相关性较高的体征数据，其具体步骤如下：
(41)根据样本数据生成的矩阵为B(m×n)，m为样本个数，n为体征的个数，即式：
Figure BDA0003237186460000052
式中，B为体征数据矩阵，b11，b12，…，bmn为样本的数据；
(42)体征之间的皮尔逊相关系数r，其式为：
Figure BDA0003237186460000053
式中，Bij和Bvz为两列不同的体征向量，
Figure BDA0003237186460000054
和
Figure BDA0003237186460000055
分别为对应列的平均值；
(43)设置一个阈值为0.8，如果体征之间的r大于阈值0.8，则他们具有明显的线性关系，则删掉与标签的r较小的那个体征。
(5)EN关键体征选择：
利用EN对皮尔逊相关系数选择出的重要体征数据进行精简，去除冗余体征信息，选择出关键体征数据，其具体步骤如下：
(51)设多变量回归模型为：
L＝BW+ε
式中，X＝[b1,b2,…,bm]T(X∈Rm×n)为体征变量，L＝[l1,l2,…,lm]T(L∈Rm×1)为判别标签，ε∈Rm×1为随机误差，W＝[ω1,ω2,…,ωn]T(ω∈Rn×1)为回归系数向量；
(52)可根据优化函数Q(ω)调节参数α，以实现目标变量的稀疏降维，优化函数表达式为：
Q(ω)＝arg min{||L-Xω||2+λ1|ω|+λ2||ω||2}
式中，λ1和λ2为惩罚系数，令α＝λ1/λ1+λ2，λ＝λ1+λ2，得到下式：
Q(ω)＝arg min{||L-Xω||2+λ[α|ω|+(1-α)||ω||2]}；
(53)删掉回归系数为0所对应的体征向量，保留剩余的关键的体征。
(6)MPA-SVM模型构建：将EN选择出的关键体征作为MPA-SVM的输入，建立矿工异常体征判别模型，预测集数据用于模型性能的分析与评估，其具体步骤如下：
(61)选择径向基函数(RBF)作为支持向量机(SVM)的核函数，RBF的表达式如下：
Figure BDA0003237186460000061
其中，
Figure BDA0003237186460000062
表示两个体征向量之间的平方欧几里得距离，Bij *为核函数的中心，σ为函数的宽度参数；
(62)惩罚系数C和核函数参数γ设定在[0,100]区间范围内；
(63)在搜索空间范围内随机初始化猎物的位置，表达式为：
D0＝rand(Dmax-Dmin)+Dmin
其中，Dmax为最大搜索空间，Dmin为最小搜索空间，rand为随机数；
(64)计算适应度值，搜索最优位置，优化过程如下式所示：
算法在空间内挖掘：
Figure BDA0003237186460000063
Figure BDA0003237186460000071
其中，
Figure BDA0003237186460000072
为该阶段的移动步长，
Figure BDA0003237186460000073
为莱维分布的运动随机向量，
Figure BDA0003237186460000074
为顶级捕食者构成的精英矩阵，
Figure BDA0003237186460000075
为与精英矩阵维度相同的猎物矩阵；
算法在空间内搜索：
Figure BDA0003237186460000076
Figure BDA0003237186460000077
Figure BDA0003237186460000078
为正态分布的运动随机向量，
Figure BDA0003237186460000079
为捕食者步长的自适应参数；
(65)更新捕食者位置与最优位置；
(66)如果迭代次数达到最大值，则终止MPA的寻优过程，输出SVM参数C和γ的最优解，否则继续从步骤(64)执行；
(67)根据预测集矿工体征的判别结果构造混淆矩阵，依据分类准确率、精确度、召回率和F1分数来综合分析与评估所建立模型的判别性能和泛化能力。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (7)

1.一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，其特征在于：包括以下步骤：
(1)数据采集：收集矿工职业健康体检数据，构造矿工体征参数数据集合；
(2)样本集划分：将矿工体征数据按一定比例随机划分成训练集和预测集；
(3)归一化处理：将训练集和预测集数据归一化到一定的区间范围内；
(4)体征相关性分析：采用皮尔逊相关系数对数据不同体征进行相关性分析，并删除相关性较高的体征数据；
(5)EN关键体征选择：利用EN去除冗余体征信息，选择出关键体征数据；
(6)MPA-SVM模型构建：将EN选择出的关键体征作为MPA-SVM的输入，建立矿工异常体征判别模型，预测集数据的评价指标用于模型性能的分析与评估。
2.根据权利要求1所述的一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，其特征在于：所述的步骤(1)中，以矿工的身体体征作为研究对象，收集医院的矿工职业健康检查表，并构造矿工体征参数数据集合，打上诊断结果标签，共包含异常体征和目前所检项目未见异常两种诊断情况。
3.根据权利要求1所述的一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，其特征在于：所述的步骤(2)中，矿工体征数据随机划分成训练集和预测集的比例为4:1。
4.根据权利要求1所述的一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，其特征在于：所述的步骤(3)中，将训练集和预测集数据归一化[0,1]区间范围内，消除特征之间量纲的影响，归一化公式如下：
Figure FDA0003237186450000011
式中，x为原始数据，xmin为原始数据的最小值，xmax为原始数据的最大值。
5.根据权利要求1所述的一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，其特征在于：所述的步骤(4)中，采用皮尔逊相关系数对数据不同体征进行相关性分析，并删除相关性较高的体征数据，其具体步骤如下：
(41)根据样本数据生成的矩阵为B(m×n)，m为样本个数，n为体征的个数，即式：
Figure FDA0003237186450000021
式中，B为体征数据矩阵，b11，b12，…，bmn为样本的数据；
(42)体征之间的皮尔逊相关系数r，其式为：
Figure FDA0003237186450000022
式中，Bij和Bvz为两列不同的体征向量，
Figure FDA0003237186450000023
和
Figure FDA0003237186450000024
分别为对应列的平均值；
(43)设置一个阈值为N，如果体征之间的r大于这个阈值，则他们具有明显的线性关系，则删掉与标签的r较小的那个体征。
6.根据权利要求1所述的一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，其特征在于：所述的步骤(5)中，利用EN对皮尔逊相关系数选择出的重要体征数据进行精简，去除冗余体征信息，选择出关键体征数据，其具体步骤如下：
(51)设多变量回归模型为：
L＝BW+ε
式中，X＝[b1,b2,…,bm]T(X∈Rm×n)为体征变量，L＝[l1,l2,…,lm]T(L∈Rm×1)为判别标签，ε∈Rm×1为随机误差，W＝[ω1,ω2,…,ωn]T(ω∈Rn×1)为回归系数向量；
(52)可根据优化函数Q(ω)调节参数α，以实现目标变量的稀疏降维，优化函数表达式为：
Q(ω)＝arg min{||L-Xω||2+λ1|ω|+λ2||ω||2}
式中，λ1和λ2为惩罚系数，令α＝λ1/λ1+λ2，λ＝λ1+λ2，得到下式：
Q(ω)＝arg min{||L-Xω||2+λ[α|ω|+(1-α)||ω||2]}；
(53)删掉回归系数为0所对应的体征向量，保留剩余的关键的体征。
7.根据权利要求1所述的一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，其特征在于：所述的步骤(6)中，将EN选择出的关键体征作为MPA-SVM的输入，MPA搜索最优惩罚系数C和核函数参数γ，建立矿工异常体征判别模型，预测集数据用于模型性能的分析与评估，其具体步骤如下：
(61)选择径向基函数(RBF)作为支持向量机(SVM)的核函数，RBF的表达式如下：
Figure FDA0003237186450000031
其中，
Figure FDA0003237186450000032
表示两个体征向量之间的平方欧几里得距离，Bij *为核函数的中心，σ为函数的宽度参数；
(62)惩罚系数C和核函数参数γ设定在[k1,k2]区间范围内；
(63)在搜索空间范围内随机初始化猎物的位置，表达式为：
D0＝rand(Dmax-Dmin)+Dmin
其中，Dmax为最大搜索空间，Dmin为最小搜索空间，rand为随机数；
(64)计算适应度值，搜索最优位置，优化过程如下式所示：
算法在空间内挖掘：
Figure FDA0003237186450000033
Figure FDA0003237186450000034
其中，
Figure FDA0003237186450000035
为该阶段的移动步长，
Figure FDA0003237186450000036
为莱维分布的运动随机向量，
Figure FDA0003237186450000037
为顶级捕食者构成的精英矩阵，
Figure FDA0003237186450000038
为与精英矩阵维度相同的猎物矩阵；
算法在空间内搜索：
Figure FDA0003237186450000039
Figure FDA00032371864500000310
Figure FDA00032371864500000311
为正态分布的运动随机向量，
Figure FDA00032371864500000312
为捕食者步长的自适应参数；
(65)更新捕食者位置与最优位置；
(66)如果迭代次数达到最大值，则终止MPA的寻优过程，输出SVM参数C和γ的最优解，否则继续从步骤(64)执行；
(67)根据预测集矿工体征的判别结果构造混淆矩阵，依据分类准确率、精确度、召回率和F1分数来综合分析与评估所建立模型的判别性能和泛化能力。
CN202111005792.8A 2021-08-30 2021-08-30 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法 Active CN113707320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111005792.8A CN113707320B (zh) 2021-08-30 2021-08-30 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111005792.8A CN113707320B (zh) 2021-08-30 2021-08-30 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法

Publications (2)

Publication Number Publication Date
CN113707320A true CN113707320A (zh) 2021-11-26
CN113707320B CN113707320B (zh) 2023-08-11

Family

ID=78656907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111005792.8A Active CN113707320B (zh) 2021-08-30 2021-08-30 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法

Country Status (1)

Country Link
CN (1) CN113707320B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659249A (zh) * 2022-12-28 2023-01-31 成都大汇物联科技有限公司 一种智能测站控制系统异常检测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200184131A1 (en) * 2018-06-27 2020-06-11 Dalian University Of Technology A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
CN111310122A (zh) * 2020-02-07 2020-06-19 北京鸿天宇科技有限公司 一种模型的数据处理方法、电子设备及存储介质
CN112014785A (zh) * 2020-08-06 2020-12-01 三峡大学 基于弹性网络的空心线圈电流互感器误差补偿方法
CN113034262A (zh) * 2019-12-25 2021-06-25 陕西云基华海信息技术有限公司 一种基于大数据技术的个人信用评价动态集成算法
CN113113148A (zh) * 2021-04-28 2021-07-13 安徽理工大学 一种基于lle结合som的矿工体检情况辨识方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200184131A1 (en) * 2018-06-27 2020-06-11 Dalian University Of Technology A method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction
CN113034262A (zh) * 2019-12-25 2021-06-25 陕西云基华海信息技术有限公司 一种基于大数据技术的个人信用评价动态集成算法
CN111310122A (zh) * 2020-02-07 2020-06-19 北京鸿天宇科技有限公司 一种模型的数据处理方法、电子设备及存储介质
CN112014785A (zh) * 2020-08-06 2020-12-01 三峡大学 基于弹性网络的空心线圈电流互感器误差补偿方法
CN113113148A (zh) * 2021-04-28 2021-07-13 安徽理工大学 一种基于lle结合som的矿工体检情况辨识方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
JIAHUI BU 等: "Analysis on the influencing factors of multiple indicators in the United States based on multiple linear regression model", JOURNAL OF PHYSICS：CONFERENCE SERIES, vol. 1952, pages 1 - 8 *
NHAT-DUC HOANG 等: "Remote Sensing–Based Urban Green Space Detection Using Marine Predators Algorithm Optimized Machine Learning Approach", MATHEMATICAL PROBLEMS IN ENGINEERING, vol. 2021, pages 1 - 22 *
XU CHEN 等: "Fault diagnosis of rolling bearing using marine predators algorithm-based support vector machine and topology learning and out-of-sample embedding", MEASUREMENT, vol. 176, pages 1 - 18 *
李代华 等: "基于PCA-MPA-ANFIS模型的年径流预测研究", 水电能源科学, vol. 38, no. 07, pages 24 - 29 *
胡顺强 等: "基于海洋捕食者算法优化的长短期记忆神经网络径流预测", 中国农村水利水电, no. 2, pages 78 - 82 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115659249A (zh) * 2022-12-28 2023-01-31 成都大汇物联科技有限公司 一种智能测站控制系统异常检测方法
CN115659249B (zh) * 2022-12-28 2023-09-19 成都大汇物联科技有限公司 一种智能测站控制系统异常检测方法

Also Published As

Publication number Publication date
CN113707320B (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
CN111046731B (zh) 基于表面肌电信号进行手势识别的迁移学习方法和识别方法
CN106250442A (zh) 一种网络安全数据的特征选择方法及系统
Rasheed et al. Metagenomic taxonomic classification using extreme learning machines
CN111710364B (zh) 一种菌群标记物的获取方法、装置、终端及存储介质
CN108053885B (zh) 一种出血转化预测系统
US20220254450A1 (en) method for classifying individuals in mixtures of DNA and its deep learning model
Acosta-Mesa et al. Application of time series discretization using evolutionary programming for classification of precancerous cervical lesions
Das et al. Heart disease detection using ml
Brugnone et al. Coarse graining of data via inhomogeneous diffusion condensation
Chakradeo et al. Breast cancer recurrence prediction using machine learning
Geler et al. Impact of the Sakoe-Chiba band on the DTW time series distance measure for k NN classification
CN113707320A (zh) 一种基于相关性分析的en结合mpa-svm的异常体征矿工判别方法
CN113707317B (zh) 一种基于混合模型的疾病危险因素重要性分析方法
Yeh et al. Ego-network transformer for subsequence classification in time series data
CN117152806A (zh) 跨域人脸表情识别方法、系统、设备及存储介质
Batal et al. A concise representation of association rules using minimal predictive rules
Farahdiba et al. Backward elimination for feature selection on breast cancer classification using logistic regression and support vector machine algorithms
CN110265151B (zh) 一种基于ehr中异构时态数据的学习方法
Deng et al. Combining multiple sensor features for stress detection using combinatorial fusion
Rasheed et al. Diversity-based combination of non-parametric classifiers for EMG signal decomposition
Parida et al. Host trait prediction of metagenomic data for topology-based visualization
CN111354415A (zh) 基因增强的骨架粒子群优化特征选择算法的小鼠唐氏综合征关键蛋白质筛选方法
Wang et al. AdaFSNet: Time Series Classification Based on Convolutional Network with a Adaptive and Effective Kernel Size Configuration
CN112885409B (zh) 一种基于特征选择的结直肠癌蛋白标志物选择系统
Ramanujam et al. Genetic time series motif discovery for time series classification

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