CN119480107A 一种体征数据监测模型的构建方法、装置、介质和设备 （国网安徽省电力有限公司电力科学研究院）

一种体征数据监测模型的构建方法、装置、本发明公开了一种体征数据监测模型的构将极限学习机中损失函数中输出层权重系数的DiTAC激活函数所引入的可训练参数和输出层权2通过将原始极限学习机中隐藏层的Sigmoid激活函数替换为DiTAC激活函数以形成改采集生理体征数据和对应的真实健康状态标签以构建数据集；将态标签和真实健康状态标签的误差最小化为目标函数，以输出层权重系数的L1范数和对优化模型进行求解，获得使得预测健康状态标签和真实健康状态标2.如权利要求1所述的体征数据监测模型的构建方法，其特征在于，所述构建优化模所述通过无导数优化技术中的元启发式群体智能方法是改进阿里巴巴和四十大盗算3通过正态分布函数将时间长度为T的生理体征数据映射到正极限学习机改0进模块，用于通过将原始极限学习机中隐藏层的Sigmoid优化模型构建模块，用于采集生理体征数据和对应的真实健康状态标签以构建数据体征数据监测模型获取模块，用于对优化模型进行求解，和真实健康状态标签误差最小的最优权重系数以及DiTAC激活函数的最优参数；基于最优权重系数以及DiTAC激活函数的最优参数，获得用于将生理体征数据映射为健康状态标签4机程序被处理器执行时实现上述权利要求1～7任一项5造成基于传统极限学习机训练所得到的体征数据监测模型的准确率有[0007]通过将原始极限学习机中隐藏层的Sigmoid激活函数替换为DiTAC激活函数以形成改进隐藏层，所述DiTAC激活函数通过引入可训练参数对输入数据进行非固定的非线性6[0017]所述通过无导数优化技术中的元启发式群体智能方法是改进阿里巴巴和四十大7[0029]基于分数阶对每种散布模式的概率P(πi)进行加权处理，得到分数阶反向散布熵标签和真实健康状态标签误差最小的最优权重系数以及DiTAC激活函数的最优参数；基于最优权重系数以及DiTAC激活函数的最优参数，获得用于将生理体征数据映射为健康状态层的Sigmoid激活函数替换为DiTA数对异常值的敏感度较低，这使得它在数据波动程度大的生理体征数据中表现更加稳定，有助于提高分类器的性能。在训练过程中受DiTAC激活函数所引入的可训练参数和输出层准确的监测结果。8[0046]极限学习机(ExtremeLearningMachine，ELM)是一种单隐层前馈神经网络的学层节点的输出通过随机生成的权重直接连接到输出层，这些权重在训练过程中不再调整。氧饱和度以及脑电波等关键生理数据的分数阶反向散布熵；然后将传统极限学习机中的习能力；同时对隐含层与输出层权重参β数做L1正则化处理；最后使用基于离散分数阶[0048]图1和图2示出了本实施例的体征数据监测模型的构建方法流程。下面结合图1和脑电波等关键生理参数时序数据时，通常会采用一系列先进的算法和技术来进行特征提9[0053](1)时域特征提取方法虽然能够追踪信号随时间的演变，但它们往往无法全面捕信号的频谱分析需要考虑边界效应和截断误差等问题，这些都可能导致分析结果的不精与传统的排列熵(PermutationEntropy,PE)相比，RDE在检测突变信号和噪声鲁棒性测试[0056]反向散布熵(ReverseDispersionEntropy,RDE)是一个在信号处理和非线性动散布熵(DispersionEntropy,DE)和反向排列熵(ReversePermutationEntropy，RPE)的微分同胚的可训练激活函数(Diffeomorphism_basedTrainableActivationFunction，减少了人为干预，使得模型训练更加自动化。即使在随机生成隐层神经元参数的情况下，的表达能力和性能。DiTAC能够学习多种形状的激活函数，这与现有的可训练激活函数相只添加了可以忽略不计的可训练参数。本发明将传统极限学习机中的Sigmoid激活函数替[0079]S4：以所提取的分数阶反向散布熵特征和对应的真实健康状数阶反向散布熵特征所对应的预测健康状态标签和真实健康状态标签的差距最小化为目标函数，以输出层权重系数的L1范数和DiTAC激活函数所引入训练参数的L2范数为约束条类别之间边界的稀疏性，这有助于提高分类器的性能。本发明将传统极限学习机中的Sigmoid激活函数替换为DiTAC激活函数，所以在H为隐含层输出矩阵中引入了可训练参数[0082]在神经网络架构中非线性激活函数的选择至关重要，并严重影响神经网络的性胚的可训练激活函数是一种基于高度表达和高效微分同胚(efficientandhighly_忽略不计的可训练参数，但它的表达能力仍然非常强。这与现有的可训练激活函数(如CPAB变换作为要在DiTAC方法中使用的微分同胚家族的主要原因是它们既具有表达能力又CPAB变换的表达能力。DiTAC的表达能力(和可微性)在每个神经元经历的第一次数据变换可以轻松地作为任何神经网络架构中任何激活函数的替代品。CPAB变换Tθ是在有限区间提出基于微分同胚可训练激活函数的极限学习机(DiTACExtremeLearningMachine，极限学习机中的Sigmoid激活函数替换为DiTAC激活函数，即在H为隐含层输出矩阵中引入[0108]理想状态下，我们希望隐含层输出矩阵H乘以隐含层与输出层权重参数矩阵β,恰L1[0116]S5：使用引入离散分数阶Caputo的阿里巴巴和四十大盗算法对优化模型进行求真实健康状态标签误差最小的最优权重系数以及DiTAC激活函数的最优参数；基于最优权重系数以及DiTAC激活函数的最优参数，获得用于将生理体征数据映射为健康状态标签的[0118]为了对非光滑损失函数进行参数寻优，本发明提出一种新型的无导数优化方用了使用Caputo分数差和算子的分数阶微积分，通过利用分数阶微积分(Fractional_orderCalculus,FC)的历史依赖性来增强传统阿里巴巴和四十大盗算法的探索和开发性[0142]盗贼成员可能会在从某人那获取到的信息的帮助下追踪阿里巴巴，在这种情况里巴巴相对于成员i所在的位置，bestit表示成员i在迭代t次时到目前为止所到达的最佳[0167]为了进一步提高寻优的可行性和探索的准确率，本文还考虑到在其他位置的探[0169]步骤9、检查是否满足达到预设的迭代次数或找到满足目标函数值小于某个阈值[0172](1)针对现有基于时域和频域方法的缺陷，本发明将采用分数阶反向散布熵进行插值能力、通用逼近能力和分类能力。另一方面，DiTAC基于高效的微分同胚变换(称为[0174](3)传统的极限学习机的损失函数为了抑制过拟合，往往对隐含层与输出层权重的Sigmoid激活函数替换为DiTAC激活函数，所以在为隐含层输出矩阵中引入了可训练参[0175](4)为了对非光滑损失函数进行参数寻优，本发明提出一种新型的无导数优化方标签和真实健康状态标签误差最小的最优权重系数以及DiTAC激活函数的最优参数；基于最优权重系数以及DiTAC激活函数的最优参数，获得用于将生理体征数据映射为健康状态[0180]关于体征数据监测模型的构建装置的具体限定可以参