【技术实现步骤摘要】
更新信息预测网络的网络参数的方法、装置、介质及设备
本公开涉及人工智能
，具体而言，涉及一种更新信息预测网络的网络参数的方法、更新信息预测网络的网络参数的装置、计算机可读存储介质及电子设备。
技术介绍
BP(BackPropagation)神经网络是一种多层的前馈神经网络。其训练过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏置，输入层到隐含层的权重和偏置，训练后的BP神经网络可以用于预测、识别等。通过上述训练过程训练BP网络通常需要多次的前向传播和反向传播，进而通过对权重和偏置等网络参数的多次更新，提升BP神经网络的预测效果或识别准确率，但是，通过上述方式进行网络参数更新会存在效率较低的问题。需要说明的是，在上述
技术介绍
部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
本公开的目的在于提...
【技术保护点】
1.一种更新信息预测网络的网络参数的方法，其特征在于，所述方法包括：/n服务器从样本数据库中采集符合训练要求的样本数据并标注所述样本数据所属的原始类别信息；/n所述服务器通过信息预测网络确定所述样本数据所属的类别信息，并计算所述类别信息与所述原始类别信息之间的损失函数值；/n所述服务器根据所述损失函数值计算所述信息预测网络的网络参数对应的适应度函数值，并对所述适应度函数值进行多次筛选处理，得到目标适应度函数值；/n所述服务器通过所述目标适应度函数值更新所述信息预测网络的网络参数。/n
【技术特征摘要】
1.一种更新信息预测网络的网络参数的方法，其特征在于，所述方法包括：
服务器从样本数据库中采集符合训练要求的样本数据并标注所述样本数据所属的原始类别信息；
所述服务器通过信息预测网络确定所述样本数据所属的类别信息，并计算所述类别信息与所述原始类别信息之间的损失函数值；
所述服务器根据所述损失函数值计算所述信息预测网络的网络参数对应的适应度函数值，并对所述适应度函数值进行多次筛选处理，得到目标适应度函数值；
所述服务器通过所述目标适应度函数值更新所述信息预测网络的网络参数。
2.根据权利要求1所述的方法，其特征在于，所述样本数据包括多个患者分别对应的人口学资料以及疾病史资料中至少一种，所述服务器标注所述样本数据所属的原始类别信息，包括：
所述服务器确定所述多个患者分别对应的病情结果并将所述病情结果分别标注为对应患者的原始类别信息；其中，所述病情结果包括结局事件和结局体征参数中至少一种，所述结局事件包括出院、死亡或转入重症监护室，结局体征参数包括体温、心率、血压、呼吸、血氧饱和度中至少一种。
3.根据权利要求1所述的方法，其特征在于，所述服务器通过信息预测网络确定所述样本数据所属的类别信息之前，所述方法还包括：
所述服务器对所述信息预测网络的网络结构进行初始化，以确定所述网络结构中各层对应的神经元节点数量；其中，所述网络结构包括输入层、隐含层以及输出层。
4.根据权利要求3所述的方法，其特征在于，所述服务器通过信息预测网络确定所述样本数据所属的类别信息，包括：
所述服务器对所述样本数据进行特征提取，得到与所述样本数据对应的特征向量；
所述服务器将所述特征向量输入所述信息预测网络，并确定所述输入层的各神经元节点与所述隐含层的各神经元节点之间的第一权重值；
所述服务器确定所述隐含层的各神经元节点与所述输出层的各神经元节点之间的第二权重值；其中，所述网络参数包括所述第一权重值和所述第二权重值；
所述服务器根据所述第一权重值与所述第一权重值对应的特征向量计算所述隐含层的各神经元节点分别对应的加权和；
所述服务器通过所述隐含层的神经元节点对所述加权和进行特征变换处理，并根据特征变换结果和所述第二权...
【专利技术属性】
技术研发人员：邢金栓，
申请(专利权)人：泰康保险集团股份有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。