基于ACC-RBF網(wǎng)絡(luò)的脈象信號研究.pdf

1、現(xiàn)代脈象研究證實，脈象的形成，主要取決于心臟的功能、血管的機(jī)能、血液的質(zhì)和量，脈象首先可顯示這三方面因素的病變，其次可據(jù)其推斷其他的病變。顯然，脈象是有其客觀存在因素的。是以確實可以通過分析脈象信號而達(dá)到辨明人體的病變。但是，脈象學(xué)多年來一直處于依賴語言表述和經(jīng)驗傳授的階段，有待進(jìn)一步的深入研究、規(guī)范和統(tǒng)一，以促進(jìn)其向客觀、準(zhǔn)確、科學(xué)、現(xiàn)代化發(fā)展。本論文在對人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)的基本

2、概念、結(jié)構(gòu)分類、訓(xùn)練函數(shù)和學(xué)習(xí)算法等基本理論進(jìn)行詳細(xì)闡述的基礎(chǔ)上重點(diǎn)討論了徑向基函(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)的相關(guān)性質(zhì)，并使用RBF神經(jīng)網(wǎng)絡(luò)對22個正常人與22個海洛因成癮者的脈象信號進(jìn)行了分析和辨識。
　　徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)（RBF Neural Network，RBFNN）是一種三層前向型神經(jīng)網(wǎng)絡(luò)模型，具有良好的非線性全局逼近能力，而且結(jié)構(gòu)簡單，學(xué)習(xí)速度快，計算量少，目前已成功應(yīng)用于模式識別

3、、系統(tǒng)設(shè)計、函數(shù)逼近、信號處理、自適應(yīng)濾波、非線性時間序列預(yù)測等方面。
　　蟻群聚類（Ant Colony Clustering，ACC）算法與粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法同屬于群智能計算。本文針對ACC經(jīng)典LF算法存在收斂速度慢的缺點(diǎn)，提出了一種改進(jìn)的方法。使用這種方法設(shè)計了用于區(qū)別正常人與海洛因成癮者脈象信號的RBF神經(jīng)網(wǎng)絡(luò)，利用粒子群優(yōu)化算法對網(wǎng)絡(luò)的權(quán)值進(jìn)行優(yōu)化。并且與使用