一种基于机器学习的儿童成年身高预测方法技术

一种基于机器学习的儿童成年身高预测方法，包括：步骤1粒子群优化迭代，不断迭代移动和更新，逐渐逼近最优解，步骤2改进粒子群中粒子的迭代方式，步骤3将改进的粒子群算法与支持向量机结合，预测儿童成年身高。身高是儿童生长发育的重要指标，在儿童肥胖症、矮小症等生长发育相关疾病发病率不断增长的今天，并且身高预测研究的数据较少，观测验证的时间长，准确度不高等难点，因此如何较为准确地描述儿童青少年的身高增长情况并精准的预测其成年后身高值得深入研究。本发明专利技术在保证精准预测儿童成年身高的同时，还保证其具有较强的普适性。性。性。

【技术实现步骤摘要】
一种基于机器学习的儿童成年身高预测方法


[0001]本专利技术涉及儿童成年身高预测方法。

技术介绍

[0002]近年来，儿童青少年生长发育问题受到广泛关注，尤其是成年后的终身高切实地影响到儿童青少年的未来生活。身高是儿童生长发育的重要指标，在儿童肥胖症、矮小症等生长发育相关疾病发病率不断增长的今天，如何较为准确地描述儿童青少年的身高增长情况并精准的预测其成年后身高值得深入研究。
[0003]随着中国生活水平的提升，儿童青少年的成长环境发生了巨大变化，过去的方法已不适用。并且身高预测研究的数据较少，观测验证的时间长，准确度不高等难点。因此，研究出一个能精准预测儿童成年身高的预测模型是具有重大意义的。本专利技术在保证精准预测儿童成年身高的同时，还保证其具有较强的普适性。

技术实现思路

[0004]本专利技术要克服现有技术的上述缺点，提供一种基于机器学习的儿童成年身高预测方法。本专利技术将基于粒子群优化算法，提出一种儿童成年身高预测方法，能够及时发现儿童的成长问题。
[0005]本专利技术解决技术问题采用如下技术方案：
[0006]一种基于机器学习的儿童成年身高预测方法，包括以下步骤：
[0007]步骤1：粒子群优化迭代，不断迭代移动和更新，逐渐逼近最优解；
[0008]步骤2：改进粒子群中粒子的迭代方式；
[0009]步骤3：将改进的粒子群算法与支持向量机结合，预测儿童成年身高。
[0010]进一步，步骤1具体包括：
[0011]1)初始化粒子群，随机生成一定数量的粒子，并为每个粒子随机分配一定位置和速度。
[0012]2)对于每个粒子，根据其当前位置计算出适应度函数值，如果当前位置的适应度函数值优于其个体历史最优位置，则更新个体历史最优位置。对于所有粒子，如果某个粒子的个体历史最优位置的适应度函数优于全局历史最优位置，则更新全局历史最优位置。
[0013]3)更新粒子速度和位置，对于每个粒子，根据当前速度和全局历史最优位置，更新其速度和位置。粒子速度更新公式如(2
‑
1)所示，粒子位置更新公式如(2
‑
2)所示。
[0014][0015][0016]其中w为惯性权重，d表示求解问题的维度，k表示当前迭代次数，c1和c2为加速因子，r1和r2为分布于[0,1]的随机数；表示第k次迭代时粒子的迭代速度；表示粒子第k次迭代后的位置，表示第k次迭代粒子的个体极值，表示第k次迭代种群的全局极值；
[0017]进一步，步骤2具体包括：
[0018]1)传统粒子群优化算法的速度变化中的权重通常是固定的，在寻优过程中会存在容易陷入局部最优和收敛速度较慢等问题，其算法的效率较难保证。因此，引入粒子自适应惯性权重系数，使得粒子惯性权重能随着算法迭代代数增加而发生改变。自适应惯性权重系数公式如(3
‑
1)所示。
[0019][0020]其中w表示当前迭代次数下的惯性权重系数，w
max
和w
min
分别表示惯性权重系数的最大值和最小值，iter表示当前迭代次数，max_iter表示总的迭代次数。
[0021]进一步，步骤3将改进的粒子群算法与支持向量机结合，预测儿童成年身高，具体包括：
[0022]Step 1初始化粒子群，随机给定一系列粒子的初始位置和初始速度；
[0023]Step 2给定适应度函数，计算每个粒子的适应值Fitness；
[0024]Step 3由公式(3
‑
1)确定每次迭代惯性权重值；
[0025]Step 4对于每个粒子，比较它的适应值和之前最好位置的适应值，如果更好，则进行位置更新；
[0026]Step 5对于每个粒子，与种群中最好位置的适应值进行比较，如果更好，则进行位置更新；
[0027]Step 6根据公式(2
‑
1)和(2
‑
2)对粒子进行位置和速度的更新；
[0028]Step 7判断是否满足停止要求，如达到最好的位置、迭代次数达到等，若满足条件，则输出最优值，反之转到Step2继续运行直到满足条件。
[0029]本专利技术具有如下有益效果：
[0030](1)可以使粒子群灵活地适应搜索空间的特点，提高搜索效率和精度。
[0031](2)可以提高对于儿童成年身高预测的准确度。
附图说明
[0032]图1是本专利技术方法的流程图。
具体实施方式
[0033]下面结合附图对本专利技术的技术方案作进一步阐述。
[0034]一种基于机器学习的儿童成年身高预测方法，包括如下步骤：
[0035]步骤1：粒子群优化迭代，不断迭代移动和更新，逐渐逼近最优解；
[0036]步骤2：改进粒子群中粒子的迭代方式；
[0037]步骤3：将改进的粒子群算法与支持向量机结合，预测儿童成年身高。
[0038]步骤1具体包括：
[0039]1)初始化粒子群，随机生成一定数量的粒子，并为每个粒子随机分配一定位置和速度。
[0040]2)对于每个粒子，根据其当前位置计算出适应度函数值，如果当前位置的适应度函数值优于其个体历史最优位置，则更新个体历史最优位置。对于所有粒子，如果某个粒子
的个体历史最优位置的适应度函数优于全局历史最优位置，则更新全局历史最优位置。
[0041]3)更新粒子速度和位置，对于每个粒子，根据当前速度和全局历史最优位置，更新其速度和位置。粒子速度更新公式如(2
‑
1)所示，粒子位置更新公式如(2
‑
2)所示。
[0042][0043][0044]其中w为惯性权重，d表示求解问题的维度，k表示当前迭代次数，c1和c2为加速因子，r1和r2为分布于[0,1]的随机数；表示第k次迭代时粒子的迭代速度；表示粒子第k次迭代后的位置，表示第k次迭代粒子的个体极值，表示第k次迭代种群的全局极值；
[0045]步骤2具体包括：
[0046]1)传统粒子群优化算法的速度变化中的权重通常是固定的，在寻优过程中会存在容易陷入局部最优和收敛速度较慢等问题，其算法的效率较难保证。因此，引入粒子自适应惯性权重系数，使得粒子惯性权重能随着算法迭代代数增加而发生改变。自适应惯性权重系数公式如(3
‑
1)所示。
[0047][0048]其中w表示当前迭代次数下的惯性权重系数，w
max
和w
min
分别表示惯性权重系数的最大值和最小值，iter表示当前迭代次数，max_iter表示总的迭代次数。
[0049]步骤3将改进的粒子群算法与支持向量机结合，预测儿童成年身高，具体包括：
[0050]Step 1初始化粒子群，随机给定一系列粒子的初始位置和初始速度；
[0051]Step 2给定适应度函数，计算每个粒子的适应值F本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的儿童成年身高预测方法，其包括以下步骤：步骤1：粒子群优化迭代，不断迭代移动和更新，逐渐逼近最优解；步骤2：改进粒子群中粒子的迭代方式；步骤3：将改进的粒子群算法与支持向量机结合，预测儿童成年身高。2.根据权利要求1所述的一种基于机器学习的儿童成年身高预测方法，其特征在于：所述的步骤1具体包括：11)初始化粒子群，随机生成一定数量的粒子，并为每个粒子随机分配一定位置和速度；12)对于每个粒子，根据其当前位置计算出适应度函数值，如果当前位置的适应度函数值优于其个体历史最优位置，则更新个体历史最优位置；对于所有粒子，如果某个粒子的个体历史最优位置的适应度函数优于全局历史最优位置，则更新全局历史最优位置；13)更新粒子速度和位置，对于每个粒子，根据当前速度和全局历史最优位置，更新其速度和位置；粒子速度更新公式如(2
‑
1)所示，粒子位置更新公式如(2
‑
2)所示；2)所示；其中w为惯性权重，d表示求解问题的维度，k表示当前迭代次数，c1和c2为加速因子，r1和r2为分布于[0,1]的随机数；表示第k次迭代时粒子的迭代速度；表示粒子第k次迭代后的位置，表示第k次迭代粒子的个体极值，表示第k次迭代种群的全局极值。3.根据权利要求1所述的一种基于机器学习的儿童成年身高预测方法，其特征在于：所述的步骤2具体包...

【专利技术属性】
技术研发人员：毛科技，毛严，武佳男，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：