基于增强稀疏自编码器与Softmax回归的医学诊断
DOI:
CSTR:
作者:
作者单位:

常州工学院计算机信息工程学院 常州 213032

作者简介:

通讯作者:

中图分类号:

TP391.41

基金项目:

国家自然科学基金(61901063)、教育部人文社会科学研究青年基金(19YJCZH120)、江苏高校“青蓝工程”基金(2020)、常州市科技计划基金项目(CE20205042)资助


Medical Diagnosis based on Enhanced Sparse Autocoder and Softmax Regression
Author:
Affiliation:

School of Computer Information & Engineering, Changzhou Institute of Technology, 213032, China

Fund Project:

  • 摘要
  • |
  • 图/表
  • |
  • 访问统计
  • |
  • 参考文献
  • |
  • 相似文献
  • |
  • 引证文献
  • |
  • 资源附件
  • |
  • 文章评论
    摘要:

    为了提升医学诊断的预测精度,本文设计了增强稀疏自编码器和Softmax回归的特征学习和分类阶段组合方法。在稀疏自编码器(SAE)网络的特征学习中,通过惩罚网络的权重实现稀疏性,结合反向传播学习方法将变化向后传递并迭代优化成本函数。在Softmax回归分类阶段中,利用带动量的小批量梯度下降法来优化Softmax分类器的交叉熵,结合小批数据计算模型误差更新模型参数并实现收敛性。将本文方法用于心脏病、宫颈癌和慢性肾病(CKD)数据集实验,其预测精度分别为91%、97%和98%,并且表现出较高的特征学习和鲁棒的分类性能。

    Abstract:

    In order to improve the prediction accuracy of medical diagnosis, a feature learning and classification stage combination method based on enhanced sparse self encoder and softmax regression is designed. In the feature learning of the sparse self encoder (SAE) network, the sparsity is realized by punishing the weight of the network, and the change is transmitted backward and the cost function is optimized iteratively. In the stage of softmax regression classification, the cross entropy of softmax classifier is optimized by small batch gradient descent method, and the model error is calculated with small batch data, and the model parameters are updated to achieve convergence. The prediction accuracy of the proposed method is 91%, 97% and 98% respectively for heart disease, cervical cancer and chronic kidney disease (CKD) data sets, and shows high feature learning and robust classification performance.

    参考文献
    相似文献
    引证文献
引用本文

孟祥莲,蒋巍,李晓芳.基于增强稀疏自编码器与Softmax回归的医学诊断[J].电子测量技术,2021,44(11):114-119

复制
分享
文章指标
  • 点击次数:
  • 下载次数:
  • HTML阅读次数:
  • 引用次数:
历史
  • 收稿日期:
  • 最后修改日期:
  • 录用日期:
  • 在线发布日期: 2024-09-18
  • 出版日期:
文章二维码
×
《电子测量技术》
财务封账不开票通知