基于粒子群优化BP神经网络脉象识别方法.docVIP

基于粒子群优化BP神经网络脉象识别方法 　　摘 要： 针对传统脉诊存在易受主观因素影响、诊断结果可靠性不高等问题，提出基于粒子群优化BP神经网络的脉象识别方法。粒子群算法中评判粒子好坏的适应度函数采用神经网络的输出误差，以此获得最优粒子的位置向量，并把其值作为BP神经网络的初始权值和阈值。在Matlab中建立基于BP算法、PSO?BP算法和GA?BP算法的三种ANN模型用于脉象信号的识别。实验结果表明，在识别脉象时，优化后的算法降低了传统BP神经网络的输出误差，提高了识别精度，PSO?BP算法明显改善了传统BP神经网络的泛化能力。 　　关键词： 脉象识别； 粒子群算法； 输出误差； 误差反向传播算法； 神经网络； 泛化能力 　　中图分类号： TN711?34； TP391 文献标识码： A 文章编号： 1004?373X（2018）03?0096?05 　　Abstract： Since the traditional pulse diagnosis is easily affected by subjective factors， and its result has low reliability， a pulse recognition method based on PSO?BP neural network is put forward. The fitness function judging the particles in PSO algorithm adopts the neural network to output the error， so as to obtain the position vector of the optimal particle. The value of the position vector is taken as the initial weight and threshold of the BP neural network. The ANN model based on BP algorithm， PSO?BP algorithm and GA?BP algorithm was established in Matlab to recognize the pulse signal. The experimental results show that the optimized algorithm can reduce the output error of the traditional BP neural network and improve the recognition accuracy for pulse recognition. The PSO?BP algorithm can improve the generalization ability of the traditional BP neural network significantly. 　　Keywords： pulse recognition； particle swarm optimization； output error； error BP algorithm； neural network； generalization ability 　　0 引 言 　　脉诊是中医看病时主要的四种诊断方法之一，具有重要的临床价值，其诊断过程就是根据不同脉搏信号中包含的信息判断人体的健康状况。传统脉诊是医生根据自己的经验对病情作出诊断，这种方式极易受到医生个人情况等主观因素的影响，对于同一个病人，不同医生的诊断结果可能会有所差异。随着现代医学的发展，传统的中医脉诊开始慢慢受到人们的质疑，脉诊的客观化研究对于中医的发展具有重大意义[1]。 　　针对以上问题，很多学者对脉搏信号的采集、处理、分析分别进行了研究，并取得了一定的成果[2?4]，其中有不少将BP神经网络应用于脉象的识别[5]。然而传统BP神经网络常用的学习方法是梯度下降法，在整个学习过程中，只是根据样本调整网络的初始连接权值，以减小输出误差，初始值的设置是否合适，将直接影响到整个算法的性能，存在容易陷入局部最优解、稳定性不好、泛化能力较差的问题[6?7]。本文提出基于PSO?BP神经网络的脉象识别方法，先计算神经网络的输出误差，然后以此寻找PSO算法中适应度值最小的粒子，得出该粒子的位置矢量，设置为BP神经网络最初的权值和阈值达到优化BP神经网络的目的，降低输出误差，使脉象识别结果更具可靠性。 　　1 脉象信号的采集与特征提取 　　在本文中，需要先采集脉象信号并进行处理，提取特征向量构成建立神经网络模型所需的训练样本集和