深度學習在預后評估中的應用研究.pdf

1、深度學習(Deep Learning，DL)包含多個隱藏層，是一種模擬人腦機制，將數(shù)據(jù)從底層映射到高層進行特征提取的一個學習過程。由于其在復雜函數(shù)表示和復雜數(shù)據(jù)分類上具有較好的效果和效率，已成功地應用于語言識別、圖像識別等領域。深度學習的學習方法分為有監(jiān)督和無監(jiān)督學習。其中，卷積神經(jīng)網(wǎng)絡屬于有監(jiān)督學習模型;深度置信網(wǎng)絡屬于無監(jiān)督學習模型，它是深度學習中的最經(jīng)典的學習模型，本文主要針對深度置信網(wǎng)絡進行深入研究。
　　傳統(tǒng)的深度置信網(wǎng)

2、絡利用重構誤差作為網(wǎng)絡評價指標。雖然重構誤差能在一定程度上反應網(wǎng)絡對訓練樣本的擬合度，但并不可靠。最大信息系數(shù)(MIC)能用來確定兩個屬性間的相關度，并較穩(wěn)健，不易受異常值的影響，因此可利用MIC作為網(wǎng)絡評價指標。于是，本文提出一種基于MIC的深度置信網(wǎng)絡方法，一方面用MIC對數(shù)據(jù)進行降維預處理，保留相關度較大的屬性，提高數(shù)據(jù)與網(wǎng)絡的擬合度;另一方面將MIC作為網(wǎng)絡評價標準，改進重構誤差的不可靠性。在手寫識別數(shù)據(jù)集MNIST和USPS上

3、進行仿真實驗，實驗結果表明基于MIC的深度置信網(wǎng)絡能有效降低網(wǎng)絡分類誤差。
　　研究中還發(fā)現(xiàn)，深度置信網(wǎng)絡中的網(wǎng)絡參數(shù)，如學習率，較難設定，當值過大時，收斂速度較快但易造成網(wǎng)絡不穩(wěn)定，當值偏小時，雖可避免網(wǎng)絡的不穩(wěn)定性，但收斂速度較慢。因此，在網(wǎng)絡的學習過程中，找到一個適當?shù)膶W習率是非常重要的。傳統(tǒng)方法往往是根據(jù)經(jīng)驗或者多次學習獲得網(wǎng)絡參數(shù)，遺傳算法可以通過其自身全局最優(yōu)解的特性，尋找網(wǎng)絡最佳參數(shù)。因次，本文提出了一種基于遺傳算法

4、的深度置信網(wǎng)絡參數(shù)自尋優(yōu)方法，一方面通過遺傳算法中選擇交叉變異等算子多步迭代找到最佳學習率，提高網(wǎng)絡學習速率以及網(wǎng)絡的精度;另一方面保留能量值最小情況下的網(wǎng)絡參數(shù)，初始化網(wǎng)絡，提高網(wǎng)絡與訓練樣本的擬合度。在手寫識別數(shù)據(jù)集MNIST和USPS上進行仿真實驗，實驗結果表明了基于遺傳算法的深度置信網(wǎng)絡收斂速率較快且精度高。
　　ICU預后評估對于緩解醫(yī)療資源的緊缺，以及在合理分配資源上具有重要的意義。本文將深度置信網(wǎng)絡算法應用于ICU數(shù)