1.一种血糖浓度预测优化方法,其特征在于,包括以下步骤:
S1、构建血糖浓度预测的原始数据集,对所述原始数据集进行单位根检验,若原始数据平稳,则不作处理,否则,对非平稳的原始数据进行一阶差分处理;得到第一数据集;
S2、对所述第一数据集进行归一化处理,通过相关系数将归一化后的第一数据集进行平滑处理得到血糖浓度预测的输入数据集;
S3、对所述输入数据集按时间序列转换成由输入预测点和输出预测值组成的监督型输入数据集,所述监督型输入数据集包括训练集和测试集;
S4、将所述监督型输入数据集输入基于PECO-BP的血糖预测模型,输出血糖浓度实时预测值;所述PECO-BP为利用改进的教育竞争优化算法对BP神经网络预测模型的学习率因子和正则化参数优化,得到最佳学习率因子和正则化参数,将所述最佳学习率因子和最佳正则化参数用于BP神经网络预测模型;其中,改进的教育竞争优化算法(PECO)包括:S41、根据收敛速率以及学生个体与学校个体之间的差异改进小学阶段的位置更新数学模型的步长因子;
S42、根据每个学生个体当前的适应度值与种群个体全局最优解的距离动态改进教育竞争优化算法的耐力因子。
2.根据权利要求1所述的一种血糖浓度预测优化方法,其特征在于,所述构建血糖浓度预测的原始数据集包含血糖浓度(mg/dL)及N1个相关变量的时间序列,其中相关变量的时间序列数据包括:心率(bpm)、体温(℃)、摄食量(卡路里)、血压(mmHg)。
3.根据权利要求2所述的一种血糖浓度预测优化方法,其特征在于,将所述监督型输入数据集输入基于PECO-BP的血糖预测模型,输出血糖浓度实时预测值,包括:监督型输入数据从输入层进入PECO-BP血糖预测模型,经隐藏层传递至输出层,得到血糖浓度实时预测值;将血糖浓度实时预测值与实际值进行比较,通过损失函数计算误差,如果两者之间的误差满足设定的精度要求,则训练过程终止;如果不满足要求,则利用反向传播将误差从输出层经过隐藏层传递至输入层,不断调整血糖预测模型的权值,使血糖预测模型的误差平方和逐渐减小,直到满足设定的精度要求为止;最后,使用测试集数据,利用训练好的基于PECO-BP的血糖预测模型对血糖浓度预测,所述不断调整血糖预测模型的权值,具体为:利用改进的教育竞争优化算法调整学习率因子和正则化参数值,得到最佳学习率因子和正则化参数值,利用最佳学习率因子和正则化参数值调整血糖预测模型的权值和损失函数,重复上述步骤,直到误差值变化小于0.0001。
4.根据权利要求3所述的一种血糖浓度预测优化方法,其特征在于,所述改进的教育竞争优化算法,具体的改进方式包括:根据收敛速率以及学生个体与学校个体之间的差异改进小学阶段的位置更新数学模型的步长因子;
其中,收敛速率使用当前教育竞争优化算法种群多样性量化教育竞争优化算法对BP神经网络预测模型的学习率因子和正则化参数寻优的收敛速率,数学模型为:(3);
式中,iter为当前迭代次数,R(iter)为第iter次迭代的收敛速率值,Hmax为第iter次迭代种群多样性最大值;H(iter)为第iter次迭代种群多样性值,数学模型为:(4);
式中,为第iter次迭代的种群第i个体位置最佳适应度值;N为最大种群规模,其中,种群个体位置包括学生个体位置与学校个体位置;
其中,计算教育竞争优化算法的小学阶段的学生个体位置与学校个体位置之间的差异,数学模型为:(5);
式中,D为问题维度,取值为学习率因子和正则化参数值的数量,为第iter次迭代第个学生个体第j维上的位置值,为第iter次迭代第k个学校个体第j维上的位置值,j=1,2,3,..,D;为第iter次迭代的第个学生个体与第个学校个体之间的差异值;其中,;,为学生个体最大规模,为学校个体最大规模,+=N;
其中,改进的步长因子数学模型为:
(6);
式中,为第iter次迭代第i个个体的改进的步长因子值,所述个体包括学生个体和学校个体,最大值为N;为改进的步长因子值最大值,取值为1,μ为调节差异的幅度值。
5.根据权利要求4所述的一种血糖浓度预测优化方法,其特征在于,所述改进的教育竞争优化算法,包括:根据教育竞争优化算法初中阶段的每个学生个体当前的适应度值与全局最优解的距离动态改进教育竞争优化算法的耐力因子,改进的耐力因子数学模型为:(7);
式中,为第iter次迭代的第个学生个体的适应度值,为种群个体全局最佳适应度值,为第iter次迭代的第个学生个体改进的耐力因子,为调节参数,控制耐力因子陡峭程。
6.根据权利要求5所述的一种血糖浓度预测优化方法,其特征在于,利用改进的教育竞争优化算法优化BP神经网络预测模型的学习率因子和正则化参数,方法为:S31、将学习率因子和正则化参数的空间向量U与改进的教育竞争优化算法的学生个体位置和学校个体位置建立实数映射关系;
S32、初始化改进的教育竞争优化算法的问题维度D、最大种群规模为N、最大迭代次数Tmax、改进的步长因子,改进的耐力因子,适应度函数值最小值,通过混沌映射初始化改进的教育竞争优化算法的位置;
S33、利用适应度函数计算初始化阶段的种群个体适应度值,将适应度值按倒序排列,前50%的适应值对应的种群个体作为学校个体,其余作为学生个体;
S34、判断当前迭代次数iter是否满足iter%3=1,若是,则建立并执行改进的教育竞争优化算法的小学阶段位置更新数学模型;否则,若iter%3=2,则建立并执行改进的教育竞争优化算法的初中阶段位置更新数学模型,否则建立并执行改进的教育竞争优化算法的高中阶段位置更新数学模型;
S35、判断当前第i个种群个体的适应度值属于前50%,则执行学校位置更新数学模型;否则执行学生位置更新数学模型,得到改进的教育竞争优化算法的种群个体位置值;
S36、利用适应度函数计算当前的种群个体适应度值,保留最小适应度值对应的种群个体位置值,即为当前迭代的最佳种群个体位置,与上次迭代的最佳种群个体位置,保留两者中较小的位置值,即为全局最佳种群个体位置值;
S37、当前迭代次数执行iter=iter+1,判断当前迭代iter是否大于最大迭代次数Tmax,若是,则结束优化过程,输出全局最佳种群个体位置值,解析后赋值给学习率因子和正则化参数的空间向量U,得到最佳学习率因子和最佳正则化参数;否则返回执行S33。
7.根据权利要求6所述的一种血糖浓度预测优化方法,其特征在于,所述S37中,最佳学习率因子调整血糖预测模型的权值,数学模型为:(3);
式中,为调整后的血糖预测模型的权值,为调整前的血糖预测模型的权值,为最佳学习率因子,为损失函数关于权重的梯度;
所述最佳正则化参数调整血糖预测模型的损失函数,数学模型为:
(4);
式中,为损失函数,M为血糖浓度预测的输入数据集规模,y为实际血糖浓度,为第t个时间点的血糖浓度,为最佳正则化参数值,Z为血糖预测模型的权值规模,为当前第z个权重的平方。