System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及自动化实验,为一种实验数据建模评测方法,具体为一种实验数据建模评测方法及系统。
技术介绍
1、适应性评测系统针对大量已有的实验数据进行分析挖掘,提炼出实验的关键特性、实验成熟度和实验完整度等参数。在现有技术中,针对于实验过程以及结果的评测采用最大似然估计等算法,计算出实验的关键特性、实验成熟度和实验完整度,如此循环往复,直到评估结果稳定为止。但针对于此方法,需要大量的数据进行模型的搭建,并且其评测结果具有不稳定性。
2、针对于此现有技术问题,需要提供一种不需要大量数据以及评测结果稳定的实验评测模型。
技术实现思路
1、为了解决以上的技术问题,本申请实施例提供一种呼吸系统患者监护方法、装置及设备,通过将与呼吸系统疾病强关联特征进行特征融合,并基于融合的特征通过自动化预测模型实现呼吸系统患者临床状态的预测。
2、为了达到上述目的,本申请实施例采用的技术方案如下:
3、第一方面,提供一种实验数据建模评测方法,所述方法应用于生物实验系统,所述生物实验系统用于记录实验过程中的生物数据,所述方法包括:获取实验过程中的多组所述生物数据,并对所述生物数据进行处理得到对应的数据矩阵,基于所述数据矩阵构建基础评测网络;基于递归正则化算法对所述基础评测网络进行优化,得到优化后的目标评测网络。
4、进一步的,所述基础评测网络由多层基础评测子网络、损失函数层和全连接层构成,所述基于递归正则化算法对所述基础评测网络进行优化,得到优化后的目标评测网络,包
5、,其中在矩阵中相同行数与列数的元素表示为,其中为每层基础调控子网络的邻接矩阵,在矩阵中不同行数与列数的元素表示为,其中是不同层评测网络层与层之间节点相互连接的邻接矩阵,是 n个变量、m个样本的生物数据,为对进行差分的数据。
6、进一步的,所述基于递归正则化算法对所述基础评测网络进行优化,包括:基于下式对所述基础评测网络进行迭代更新,直至收敛:
7、,其中为正则化参数,为是一个对角矩阵,它的对角元是a,为第j个生物数据,且为第i个生物数据,表示的转置矩阵,表示的转置矩阵,为的转置矩阵。
8、进一步的,对所述基础评测网络进行迭代更新,直至收敛,包括:对所述基础评测网络中每列进行迭代得到迭代后的单列评测网络。
9、进一步的,在所述迭代更新过程中设置网络每列的四分之一分位数为该列控制更新强度的阈值,并将评测网络每列的四分之一分位数以下的变量间的调控关系设置为零,在一个迭代周期结束之后下一个步迭代中重新估计非零的变量间的调控关系。
10、进一步的,所述迭代更新还包括基于上述处理过程对所述基础评测网络中每列进行迭代更新,直至每列呈收敛状态,得到整合多组数据重构的多层评测网络。
11、进一步的,所述多层评测网络表示为以下分块邻接矩阵:
12、,其中矩阵中相同行数与列数的元素表示为相同的,表示同一组实验数据构建评测网络变量之间的关系;矩阵中不同行数与列数的元素表示为,表示不同的多组实验数据构建的多层评测网络层间的变量的关系。
13、第二方面,提供一种实验数据建模评测系统,所述系统包括:构建装置,基于获取实验过程获取的多组所述生物数据,并对所述生物数据进行处理得到对应的数据矩阵,基于所述数据矩阵构建基础评测网络;优化装置,用于基于递归正则化算法对所述基础评测网络进行优化,得到优化后的目标评测网络。
14、进一步的,所述基础评测网络由多层基础评测子网络、损失函数层和全连接层构成。
15、第三方面,提供一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述的实验数据建模评测方法。
16、第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的实验数据建模评测方法。
17、本申请实施例提供的技术方案中,构建基础评测网络,并通过递归正则化算法对所述基础评测网络进行优化,得到优化后的目标评测网络。其中针对于基础评测网络由多层基础评测子网络、损失函数层和全连接层构成,通过对多层基础评测子网络进行优化,并将优化后的多层基础评测子网络与损失函数层和全连接层连接组成最终的目标评测网络。本专利技术通过构建的多层基础评测子网络,实现对于实验数据的评测结果获得,与现有技术相比,本专利技术不依赖大量数据进行构建,并且具有较高的评测结果。
本文档来自技高网...【技术保护点】
1.一种实验数据建模评测方法,其特征在于,所述方法应用于生物实验系统,所述生物实验系统用于记录实验过程中的生物数据,所述方法包括:
2.根据权利要求1所述的实验数据建模评测方法,其特征在于,所述基础评测网络由多层基础评测子网络、损失函数层和全连接层构成,所述基于递归正则化算法对所述基础评测网络进行优化,得到优化后的目标评测网络,包括对多数多层基础评测子网络进行优化;所述基础评测网络基于下式进行表示:
3.根据权利要求2所述的实验数据建模评测方法,其特征在于,所述基于递归正则化算法对所述基础评测网络进行优化,包括:基于下式对所述基础评测网络进行迭代更新,直至收敛:
4.根据权利要求3所述的实验数据建模评测方法,其特征在于,所述对角矩阵基于下式表示:
5.根据权利要求4所述的实验数据建模评测方法,其特征在于,对所述基础评测网络进行迭代更新,直至收敛,包括:对所述基础评测网络中每列进行迭代得到迭代后的单列评测网络。
6.根据权利要求5所述的实验数据建模评测方法,其特征在于,在所述迭代更新过程中设置网络每列的四分之一分位数为该列
7.根据权利要求6所述的实验数据建模评测方法,其特征在于,所述迭代更新还包括对所述基础评测网络中每列进行迭代更新,直至每列呈收敛状态,得到整合多组数据重构的多层评测网络。
8.根据权利要求7所述的实验数据建模评测方法,其特征在于,所述多层评测网络表示为以下分块邻接矩阵:
9.一种实验数据建模评测系统,其特征在于,所述系统包括:
10.根据权利要求9所述的实验数据建模评测系统,其特征在于,所述基础评测网络由多层基础评测子网络、损失函数层和全连接层构成。
...【技术特征摘要】
1.一种实验数据建模评测方法,其特征在于,所述方法应用于生物实验系统,所述生物实验系统用于记录实验过程中的生物数据,所述方法包括:
2.根据权利要求1所述的实验数据建模评测方法,其特征在于,所述基础评测网络由多层基础评测子网络、损失函数层和全连接层构成,所述基于递归正则化算法对所述基础评测网络进行优化,得到优化后的目标评测网络,包括对多数多层基础评测子网络进行优化;所述基础评测网络基于下式进行表示:
3.根据权利要求2所述的实验数据建模评测方法,其特征在于,所述基于递归正则化算法对所述基础评测网络进行优化,包括:基于下式对所述基础评测网络进行迭代更新,直至收敛:
4.根据权利要求3所述的实验数据建模评测方法,其特征在于,所述对角矩阵基于下式表示:
5.根据权利要求4所述的实验数据建模评测方法,其特征在于,对所述基础评测网络进行迭代更新,直至收敛,包括:对所述基础评测...
【专利技术属性】
技术研发人员:叶璐,吕琳,彭振翔,余柯岐,苏建淋,
申请(专利权)人:四川鸿霖科技有限公司,
类型:发明
国别省市:
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。