申请/专利权人：安徽理工大学

申请日：2021-08-30

公开（公告）日：2023-08-11

公开（公告）号：CN113707320B

主分类号：G16H50/30

分类号：G16H50/30;G16H10/60;G06F18/2411;G06F18/2413

优先权：

专利状态码：有效-授权

法律状态：2023.08.11#授权;2021.12.14#实质审查的生效;2021.11.26#公开

摘要：本发明涉及一种基于相关性分析的EN结合MPA‑SVM的异常体征矿工判别方法，包括以下步骤：1收集矿工职业健康体检数据，构造矿工体征参数数据集合；2将矿工体征数据随机划分成训练集和预测集；3将训练集和预测集数据进行归一化处理；4采用皮尔逊相关系数分析并删除相关性较高的体征数据；5利用EN去除冗余体征信息；6建立MPA‑SVM矿工异常体征判别模型，预测集数据的评价指标用于模型性能的分析与评估。本发明将相关性分析的EN结合MPA‑SVM用于异常体征矿工的辨识，为矿工职业病和疑似职业病的检测做到前期精准筛查目的，适用于职业健康辅助诊断领域。

主权项：1.一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法，其特征在于：包括以下步骤：1数据采集：收集矿工职业健康体检数据，构造矿工体征参数数据集合；2样本集划分：将矿工体征数据按一定比例随机划分成训练集和预测集；3归一化处理：将训练集和预测集数据归一化到一定的区间范围内；4体征相关性分析：采用皮尔逊相关系数对数据不同体征进行相关性分析，并删除相关性较高的体征数据；5EN关键体征选择：利用EN去除冗余体征信息，选择出关键体征数据；其具体步骤如下：51设多变量回归模型为：L＝XW+ε式中，X＝[b1,b2,…,bm]TX∈Rm×n为体征变量，L＝[l1,l2,…,lm]TL∈Rm×1为判别标签，ε∈Rm×1为随机误差，W＝[ω1,ω2,…,ωn]Tω∈Rn×1为回归系数向量；52可根据优化函数Qω调节参数α，以实现目标变量的稀疏降维，优化函数表达式为：Qω＝argmin{||L-Xω||2+λ1|ω|+λ2||ω||2}式中，λ1和λ2为惩罚系数，令α＝λ1λ1+λ2，λ＝λ1+λ2，得到下式：Qω＝argmin{||L-Xω||2+λ[α|ω|+1-α||ω||2]}；53删掉回归系数为0所对应的体征向量，保留剩余的关键的体征；6MPA-SVM模型构建：将EN选择出的关键体征作为MPA-SVM的输入，建立矿工异常体征判别模型，预测集数据的评价指标用于模型性能的分析与评估；其具体步骤如下：61选择径向基函数RBF作为支持向量机SVM的核函数，RBF的表达式如下： 其中，表示两个体征向量之间的平方欧几里得距离，Bij*为核函数的中心，σ为函数的宽度参数；62惩罚系数C和核函数参数γ设定在[k1,k2]区间范围内；63在搜索空间范围内随机初始化猎物的位置，表达式为：D0＝randDmax-Dmin+Dmin其中，Dmax为最大搜索空间，Dmin为最小搜索空间，rand为随机数；64计算适应度值，搜索最优位置，优化过程如下式所示：算法在空间内挖掘： 其中，为当前阶段的移动步长，为莱维分布的运动随机向量，为顶级捕食者构成的精英矩阵，为与精英矩阵维度相同的猎物矩阵；算法在空间内搜索： 为正态分布的运动随机向量，为捕食者步长的自适应参数；65更新捕食者位置与最优位置；66如果迭代次数达到最大值，则终止MPA的寻优过程，输出SVM参数C和γ的最优解，否则继续从步骤64执行；67根据预测集矿工体征的判别结果构造混淆矩阵，依据分类准确率、精确度、召回率和F1分数来综合分析与评估所建立模型的判别性能和泛化能力。

全文数据：

权利要求：

百度查询： 安徽理工大学 一种基于相关性分析的EN结合MPA-SVM的异常体征矿工判别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD