基于增强稀疏自编码器与Softmax回归的医学诊断
为了提升医学诊断的预测精度,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.将所提出方法用于心脏病、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.
稀疏自动编码器;无监督学习;Softmax回归;医学诊断
44
TP391.41(计算技术、计算机技术)
国家自然科学基金;教育部人文社会科学研究青年基金;江苏高校"青蓝工程"基金2020;常州市科技计划基金
2021-09-24（万方平台首次上网日期，不代表论文的发表时间）
共6页
114-119
