欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022111009305
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 乐器;声学
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,包括如下步骤:获取帕金森氏声音数据;

对帕金森氏声音数据进行特征提取和数据处理,得到处理后的帕金森氏声音数据;

利用超参数优化后的ResNet50网络对处理后的帕金森氏声音数据进行分类,得到帕金森氏声音数据分类结果;

其中,设ResNet50网络中待优化的超参数的一组可行解为一个个体,利用改进的ABC算法优化ResNet50网络的超参数,包括:获取一组历史帕金森氏声音数据,对历史帕金森氏声音数据进行特征提取和数据处理,并分类后得到训练数据集;

利用混合变量编码策略在预设的搜索范围内进行个体随机初始化,得到初始化后的ResNet50网络;

将训练数据集输入到ResNet50网络,得到预测的帕金森氏声音数据分类结果;

根据预测的帕金森氏声音数据分类结果计算当前个体对应的适应度值;

根据适应度值的大小得到局部最优解并进行存储;

执行雇佣蜂、观察蜂、侦察蜂三个阶段,搜索新的个体;

根据更新后的个体重新预测帕金森氏声音数据分类结果,计算更新后的个体对应的适应度值,进而更新局部最优解;

当局部最优解停滞不变时,利用范围剪枝策略和逐维调整策略继续搜索新的个体,更新局部最优解,直至满足迭代终止条件,输出最优的超参数;

根据最优的超参数得到超参数优化后的ResNet50网络。

2.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,对帕金森氏声音数据进行特征提取和数据处理的方法为:通过Mel频率倒谱系数对帕金森氏声音数据进行特征提取,将帕金森氏声音数据转换为Mel频率;

对Mel频率进行倒谱分析,得到Mel倒谱图;

对Mel倒谱图进行归一化处理和尺寸裁剪,得到处理后的帕金森氏声音数据。

3.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,所述改进的ABC算法包括逐维调整策略和范围剪枝策略。

4.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,超参数包括ResNet50网络中优化器的类型、激活函数的类型、池化类型、初始学习率、动量和失活率。

5.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,范围剪枝策略如下:在每一代个体搜索过程中,利用局部最优解目录矩阵记录每一代的局部最优解;

当局部最优解对应的适应度值连续多代没有变化时,根据局部最优解目录矩阵倒叙查找上一个适应度值不同于当前局部最优解的历史局部最优解,将当前局部最优解与历史局部最优解之间的距离设为个体搜索新范围。

6.根据权利要求5所述的基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,逐维调整策略如下:将待优化的ResNet50网络超参数分为整数型超参数和浮点型超参数;

在个体搜索过程中,利用蜜蜂目录矩阵记录每个个体的位置和对应的适应度值;

进行整数型超参数优化,将停滞不前的局部最优解中的浮点型超参数取值保持不变,在范围剪枝策略得到的个体搜索新范围中遍历整数型超参数的每个可行解,利用整数型超参数的每个可行解与浮点型超参数组成一个新的个体;在对新的个体进行适应度评估之前,遍历蜜蜂目录矩阵,如果蜜蜂目录矩阵中存在相同位置的个体,不进行网络训练,直接从蜜蜂目录矩阵中调用该个体对应的适应度值,如果蜜蜂目录矩阵中不存在相同位置的个体,根据新的个体进行网络训练,计算新个体对应的适应度值,更新局部最优解;遍历个体搜索新范围中整数型超参数的所有可行解,得到浮点型超参数取值不变的情况下最优的整数型超参数;

进行浮点型超参数优化,将最优的整数型超参数取值保持不变,利用高斯随机化在范围剪枝策略得到的个体搜索新范围中微调浮点型超参数,更新局部最优解。

7.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,在雇佣蜂阶段,个体更新公式为:;

其中,表示t+1代第i个个体中第j个超参数的值,表示t代第i个个体中第j个超参数的值,表示t代第k个个体中第j个超参数的值,,为随机数,[-1,1]。

8.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,采用帕金森氏声音数据的分类准确率作为适应度值,计算公式如下:;

其中,表示帕金森氏声音数据的分类准确率,TN表示ResNet50网络预测为健康且实际为健康的样本个数,TP表示ResNet50网络预测为帕金森病且实际为帕金森病的样本个数,FP表示ResNet50网络预测为帕金森病但实际为健康的样本个数,FN表示ResNet50网络预测为健康但实际为帕金森病的样本个数。

9.根据权利要求1所述的基于超参数优化的深度学习帕金森氏声音数据分类方法,其特征在于,利用范围剪枝策略和逐维调整策略继续搜索新的个体,更新局部最优解,当局部最优解连续两代没有变化时,迭代终止,根据迭代终止时的局部最优解得到最优的超参数,并输出最大评估次数。