基于Hadoop环境BP改进算法的脉象识别应用研究.docVIP

基于Hadoop环境BP改进算法的脉象识别应用研究 　　摘要：目的 分析脉象识别误差大小的影响因素，提高对海量脉诊数据的处理速度，探索减小脉象主观识别误差的方法。方法 运用基于Hadoop环境的MapReduce分布式计算方法改进BP算法，采用改进的BP算法对脉诊样本数据进行自学习，从而减小拟和误差。将中医电子脉诊仪采集的脉诊数据作为神经网络输入层，采用动量-学习率自适应调整快速BP算法对神经网络进行训练。结果 在训练集（75%）768 M共35 890条数据中，单机模式正确预测29 150条，正确率为81.22%；MapRedece并行改进的BP算法模式正确预测35 841条，正确率为99.86%。结论 与传统BP算法相比，基于Hadoop环境的MapReduce分布式计算方法改进的BP算法模型拟合度误差更小，精确度更高。 　　关键词：Hadoop；MapReduce；BP算法；脉象识别 　　DOI：10.3969/j.issn.1005-5304.2018.03.023 　　中图分类号：R2-05；R241.1 文献标识码：A 文章编号：1005-5304（2018）03-0102-05 　　Abstract： Objective To analyze the factors of errors in the pulse recognition； To improve the speed of processing massive data； To explore the method of reducing the subjective errors in pulse recognition. Methods BP algorithm based on distributed MapReduce in Hadoop environment was optimized. Optimized BP algorithm was used to self-learn pulse-sequence data to reduce fitting errors. The pulse-counting data collected by TCM electronic pulse diagnosis instrument were used as input layer of neural network. Momentum-learning rate adaptive fast BP algorithm was adopted to train neural network. Results In the training set （75%） of 768 M， a total of 35 890 data were collected， and 29 150 items were correctly predicted in stand-alone mode， with the correct rate of 81.22%. MapRedece parallel improved BP algorithm model correctly predicted 35 841 items， with the correct rate of 99.86%. Conclusion Compared with traditional BP algorithm， BP algorithm based on distributed MapReduce in Hadoop environment has smaller fitting errors， with higher accuracy. 　　Keywords： Hadoop； MapReduce； BP algorithm； pulse recognition 　　?}诊为中医四诊之一，是辨证论治必不可少的客观依据。传统的诊脉主要通过触觉和压觉，并结合主观判断，故难以形成统一、规范的标准。因此，将中医脉象识别与电子信息技术相结合，对中医脉诊标准化具有重要意义。为提高脉象识别的准确率和可靠性，本研究将基于Hadoop环境优化的BP神经网络算法应用到脉象识别中。 　　随着信息化社会的飞速发展，有研究价值的数据达到了海量级别，而传统BP神经网络的训练环境是单机串行的处理数据集，在处理海量数据集时有较大局限性，如耗时长、运行内存不足导致训练中途停止等[1]。为解决传统BP神经网络训练方法存在的问题，采用并行方式是较优选择，如新兴的云计算[2]平台Hadoop技术为一项非常适合的技术。本研究在开源云计算平台Hadoop[3]环境的基础上，探索基于算法权值改进的BP神经网络MapReduc