CN119478588A 基于人工智能的眼科疾病预测模型训练方法 （温州医科大学）

基于人工智能的眼科疾病预测模型训练方法重重分配的神经网络算法作为特征提取模型对码神经网络作为特征降维模型对提取特征进行2S2：对标注后的所述数据集采用基于多样本共振优S3：利用基于动态权重重分配的神经网络算法S5：将降维后的眼科疾病的初始低维特征输入到分类S6：将所述数据集输入到训练完成的所述特S202：在对抗训练阶段，采用正负约束机制通过;表示真实数据，zc表示从先验分布中采样的噪声，~表示服从于特定分布，pasta(x.)表示对抗网络的正则化权重系数，是生成对抗网络的正则化项，表示判别生成对抗网络算法的正则化项，通过惩罚判别器输出对输;3采用自适应的生成样本稀疏化策略优化生成样本的分布，稀疏化;;;共振优化函数依赖于生成器的生成样本与共振指标的关系，具误差和来增强生成样本与共振样本之间的相似度，以增加模型对特定数据特征的响应性，;Illl2表示L2范数的平4;Sigmoid激活函数，w"和分别是在训练第t次迭代后的全连接神经网络的权重和偏公式计算全连接神经网络的第I层的动态权重重分配;采用如下公式计算全连接神经网络的第I层的权重调整系数a"：;权重调整系数，sof()为预设的Softmax函数;采用梯度导向自适应特征增强策略，利用反向传播过程中的梯度信息5;;ll1用来增强特征提取模型的泛化能力，Ilw,ll的计算方式表示;采用基于训练误差的自适应调整机制，正则化参数随着迭代进展指数衰经网络的第t次迭代的正则化系数入,(t)的计算方式表示为：;S305：根据损失函数l,计算得到的梯度，通过反向传播算法调整全连接神经网络的参6;是在训练第t次迭代后的全连接神经网络的权重和偏置，和Ab,分别是全连接神经网迭代的全连接神经网络的权重，为第t次迭代的全连接神经网络的偏置，为第;其中，为编码器的权重矩阵，b,为编码器的偏置向量，sigen.()为编码器的多层;;7;n,为所述特征降维模型的学习率，,()为所述;权重wu1由如下公式表示：;;;8;通过逆向校正策略更新隐藏层的权重，更新后隐藏层的权重w"由如下公式表示：;采用模糊逻辑动态调整特征权重：输入到分离器模型调整的特征的动;;;9;;[0004]本发明的目的在于提供一种提高特征提取能力的基于人工智能的眼科疾病预测S4：利用基于特征细化的自编码神经网络作为特征降维模型对提取特征进行降[0006]优选的，步骤S2中采用基于多样本共振优化的生成对抗;其中，V(D.,G.)表示生成对抗网络算法的;稀疏化权重的计算依赖于样本在生成空间的密度估计，其动态调整地方式表示;式中，Kc是稀疏化权重调节因子，d:是测量生成样本与当前生成样本集;;Illl2表示L2范b"：;其中，X,表示输入到全连接神经网络的眼科疾病的训练数据集的特征向量，sig()是Sigmoid激活函数，w"和分别是在训练第t次迭代后的全连接神经网络的;采用如下公式计算全连接神经网络的第I层的权重调整系数a"：;每层的权重调整系数，sof()为预设的Soft;;;稀疏正则项IIW,ll1用来增强特征提取模型的泛化能力，IIW,ll1的计算方式;接神经网络的第t次迭代的正则化系数入,(t)的计算方式表示为：;;分别是在训练第t次迭代后的全连接神经网络的权重和偏置，和Ab,分别是全连接神经网络的权重和偏置的梯度，为第t次迭代的全连接神经网络的权重，为第;;;;n,为所述特征降维模型的学习率，,()为;;;;如下式所示：;其中，Yu为样本的真实标签,sof()为Softmax函数，sof(H)表示利用函数对分通过逆向校正策略更新隐藏层的权重，更新后隐藏层的权重w"由如下公式表;;;;;;;其中，V(D.,G.)表示生成对抗网络算法的;稀疏化权重的计算依赖于样本在生成空间的密度估计，其动态调整地方式表示;式中，Kc是稀疏化权重调节因子，d:是测量生成样本与当前生成样本集;;Illl2表示L2范b"：集的样本数量的维度，randn()函数用于生成具有标准正态分布的随机数，以;其中，X,表示输入到全连接神经网络的眼科疾病的训练数据集的特征向量，sig()是Sigmoid激活函数，w"和分别是在训练第t次迭代后的全连接神经网络的据环境变化的适应，本发明采用动态权重重分配网络调整神经网络中各层权重的重要性，采用如下公式计算全连接神经网络的第I层的动态权重重分配网络;采用如下公式计算全连接神经网络的第I层的权重调整系数a"：;每层的权重调整系数，sof()为预设的Soft;强化特征提取模型中重要的特征表示，从而进一步提升眼科疾病的训练数据集的表达能的计算方式表示为：;;;络的第t次迭代的正则化系数入,(t)的计算方式表示为：;;[0024]S4：利用基于特征细化的自编码神经网络作为特征降维模型对提取特征进行降使得降维后的特征表示在保留数据信息的同时;;;;为所述特征降维模型的学习率，,()为;科疾病的初始低维特征；本实施例中，预设的停止迭代条件为达到预设的最大迭代次;;;如下式所示：;其中，Yu为样本的真实标签,sof()为Softmax函数，sof(H)表示利用函数对分通过逆向校正策略更新隐藏层的权重，更新后隐藏层的权重w"由如下公式表;;