CN118116574B 基于改进的哈里斯鹰优化算法的中医证型分类方法和装置 （湖南中医药大学）

Chinesemedicinesyndromediffere页.基于改进的哈里斯鹰优化算法的中医证型本申请涉及一种基于改进的哈里斯鹰优化算法的中医证型分类方法和装置。所述方法包对参数寻优后的中医证型分类模型重新进行训2获取目标疾病的中医证型数据集，对所述中医证型数据集进行标采用改进的哈里斯鹰优化算法对所述中医证型分类模型的参采用所述训练数据集对参数寻优后的中医证型分类模型重新进行设置种群个数、最大迭代次数以及问题空间维度；其中种群中每个个设置所述中医证型分类模型的参数的取值范围，采用Bernoulli混沌映射和反向学习当所述逃逸能量的绝对值小于1时，则采用加入高斯变异后的开发阶段个体位置更新根据得到的编码结果随机生成若干个个体作为3根据所述适应度函数计算所述初始种群中的每个个体的个体适根据每个个体的适应度函数值采用轮盘赌选择方法进行个体选择，对选将选择的父代染色体的每一个基因位产生一个随机数同变异=a×[1+tx代时采用经典哈里斯鹰算法开发阶段个体位置更新测量得到的哈里斯鹰种群的最优解，τE＝E1xE0采用Bernoulli混沌映射得到混沌序列；X(t)＝Xlb+(Xub_Xlb)xX'48.一种基于改进的哈里斯鹰优化算法的中医证训练数据集确定模块，用于获取目标疾病的中医证型数据特征选择模块，用于根据所述中医证型数据集采用遗传算模型参数优化模块，用于采用改进的哈里斯鹰优化算法对所述中其中，特征选择模块中所述遗传算法的选择算子采用轮盘赌选择方证型分类模型的参数的取值范围，采用Bernoulli混沌映射和反向学习策略初始化哈里斯56表示准确度所占权重和算法选择的特征子集的长度所占的权重；n代表选择的特征子集的[0030]设置中医证型分类模型的参数的取值范围，采用Bernoulli混沌映射和反向学习[0033]当逃逸能量的绝对值小于1时，则采用加入高斯变异后的开发阶段个体位置更新7次迭代时采用经典哈里斯鹰算法开发阶段个体位置更新测量得到的哈里斯鹰种群的最优[0058]中医证型识别模块，用于将待识别的特征输入到训练好[0059]上述基于改进的哈里斯鹰优化算法的中医证型分类8[0060]图1为一个实施例中基于改进的哈里斯鹰优化算法的中医证型分类方法的流程示[0063]图4为一个实施例中基于改进的哈里斯鹰优化算法的中医证型分类装置的结构框[0072]具体的，中医证型分类模型可以是支持向量机(SVM)模型，也可以是随机森林或沌映射生成的初始化哈里斯鹰种群基础上，使用反向学习扩大搜索空间提高种群初期质9高度自适应的方式按顺序训练弱学习器。XGBoost模型的核心思想就是调整错误样本的权置中医证型分类模型的参数的取值范围，采用Bernoulli混沌映射和反向学习策略初始化次迭代时采用经典哈里斯鹰算法开发阶段个体位置更新测量得到的哈里斯鹰种群的最优[0094]针对哈里斯鹰最优位置陷入局部最优解的问题，在哈里斯鹰优化算法(HHO)开发[0110]在整个搜索空间中，在基于Bernoulli混沌映射生成的初始化哈里斯鹰种群基础[0116]经典哈里斯鹰优化算法(HHO)由三个阶段组成，通过多轮次的搜索和开发以此来式快速俯冲的软围攻和渐进式快速俯冲的硬围攻四种攻击策的逃逸能量在不同的开发行为之间进行切换。猎物在逃逸过程中的逃逸能量是不断减少[0149]对改进后的哈里斯鹰算法(BGOHHO)的寻优性能采用如表1所示的4个典型的无约[0166]对于基于XGBoost模型的中医证型分类模型，采用优化后的改进的哈里斯鹰优化而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或[0170]本实施例的数据集选用的2型糖尿病中医证型数据源于湖南省卫健委信息中心平准确率达到了86.6071与此同时，模型相应的精确率为89.1892召回率为90.4110%,同只进行特征选择的GA_FS和只进行参数优化的BGOHHO_SVM进行实验结果比较分析，实验F1值达到了89.1826BGOHHO_SVM的效果排名第二，为88.0929比融合模型低了里斯有优化算法BGOHHO对模型的参数进行优化后，最终模型的分类性能得到了很好的提模型(HHO_GA_SVM)进行了实验对比，BGOHHO_GA_SVM模型(本方法的模型)获得了最佳的实[0185]中医证型识别模块，用于将待识别的特征输入到训练好[0190]在其中一个实施例中，模型参数优化模块中开发阶段的个体位置更新策略如式[0191]在其中一个实施例中，模型参数优化模块中非线性衰减逃逸能量更新策略如式[0194]关于基于改进的哈里斯鹰优化算法的中医证型分类装置的具体限定可以参见上基于改进的哈里斯鹰优化算法的中医证型分类装置中的各