一種心音小波神經網絡的構造方法
【技術領域】
[0001 ]本發明涉及一種心音小波神經網絡的構造方法。
【背景技術】
[0002] 小波神經網絡是一種基于小波基作為神經元非線性激勵函數的網絡模型，它集小 波變換的時頻局部特性、聚焦特性的優點與神經網絡的自學習、自適應、魯棒性、容錯性的 優點為一體，可以使網絡從根本上避免局部最優，并且加快了收斂速度，具有很強的學習和 泛化能力，在圖像處理、模式識別等領域有著廣泛的應用。

【發明內容】

[0003] 發明目的：本發明的目的是構造一種新的心音小波神經網絡，通過在神經網絡結 構的隱含層中引入心音小波作為激活函數，把心音的針對性學習和心音識別技術高度融 合，從而獲得一種新的心音小波神經網絡。
[0004] 技術方案:為了上述目的，本發明采用的技術方案為:一種心音小波神經網絡的構 造方法，將心音特征優化抽取和心音識別融合在一個針對心音的分類網絡中進行處理，通 過在隱含層引入心音小波作為激活函數的神經網絡結構，把心音的針對性學習和心音識別 技術高度融合，也就是利用心音小波神經網絡識別系統的有針對性的層次化的架構，將心 音特征抽取、心音分類識別實現有針對性的表達，以解決復雜條件下的心音分類識別問題。
[0005] 構造心音小波神經網絡的具體步驟：
[0006] Stepl構造心音小波基函數；
[0007] Step2求得心音小波系數的時域化表達式；
[0008] Step3將心音小波基替代神經網絡中的激活函數，可實現心音小波神經網絡的構 造。
[0009] 本發明同時公開了一種心音小波神經網絡(HSWNN)的訓練方法，神經網絡的訓練 實際就是要獲得隱含層到輸出層的權值，在心音小波神經網絡(HSWNN)中，樣本維數比較 大，求解的代價也會變得很大，根據心音的特點定義一個最小化誤差函數從而得到權值w kp 的唯一解。根據心音的特點構造小波神經網絡和訓練方法，獲得了一種在處理心音信號方 面呈現出更多優勢的小波神經網絡，為小波神經網絡的工程應用提供了一種行之有效的方 法。
[0010]有益效果：本發明所構建的一種心音小波神經網絡，與morlet小波神經網絡和 Mexican-hat小波神經網絡相比較，心音小波神經網絡在收斂性、算法速度上呈現明顯的優 越性。
【附圖說明】
[0011] 圖1是心音小波神經網絡識別系統結構圖。
[0012] 圖2是小波基構造流程。
[0013] 圖3是小波神經網絡模型結構圖。
[0014] 圖4是心音小波神經網絡模型結構圖。
【具體實施方式】
[0015] 以下結合附圖和具體實施例對本發明作進一步詳細闡述。
[0016] 1、小波神經網絡的構成原理
[0017] 小波神經網絡的構成原理是將神經網絡隱層節點的激活函數由小波函數代替，相 應的輸入層到隱含層的權值由小波函數的尺度伸縮因子a代替，隱含層到輸出層的權值由 平移因子b代替，所以小波神經網絡的構造實際上就是激活函數的構造。小波與神經網絡目 前的"融合"主要有如下三種方式：
[0018] (1)用連續參數的小波作為神經網絡的隱層函數；
[0019] (2)用多分辨率的小波作為神經網絡的隱層函數；
[0020] (3)用正交基作為神經網絡的隱層函數。
[0021] 因為激活函數可以引入非線性因素，解決線性模型所不能解決的問題。所以激活 函數的選擇無論對于識別率或收斂速度都有顯著的影響。常用的激活函數包括閾值型、分 階段性函數以及sigmoid函數等形式。
[0022] 圖1為心音小波神經網絡識別系統的結構示意圖，這是一種通過有針對性的限制 條件提升心音識別效果的方法。
[0023]采用心音小波神經網絡識別技術，一方面，將心音特征的優化技術和心音生理特 性結合一體，獲取有生理意義的心音特征;另一方面，將心音特征優化抽取和心音識別融合 在一個針對心音的分類網絡中進行處理，通過在隱含層引入心音小波作為激活函數的神經 網絡結構，把心音的針對性學習和心音識別技術高度融合，也就是利用心音小波神經網絡 識別系統的有針對性的層次化的架構，將心音特征抽取、心音分類識別實現有針對性的表 達，以解決復雜條件下的心音分類識別問題。
[0024] 2、心音小波神經網絡(HSWNN)的訓練方法
[0025] 神經網絡的訓練實際就是要獲得隱含層到輸出層的權值。在心音小波神經網絡 (HSWNN)中，樣本維數比較大，求解的代價也會變得很大，所以可以根據心音的特點定義一 個最小化誤差函數從而得到權值Wk P的唯一解。
[0026] -、構造心音小波神經網絡的步驟如下：
[0027] Stepl構造心音小波基函數。
[0028]根據構造流程圖2所示。首先設計小波尺度濾波器函數H(w)，其次設計尺度濾波器 h(n)和/7(??.然后尺度空間正交化，最后可獲取小波基函數。
[0029]令濾波器長度為10,消失距為5時，可得到心音小波基的一組實數解：
[0030]
[0031] 再根據
?求得對應的心音小波濾波器g (η)和 ?(")為：
[0032]
[0033] Step2心音小波系數的時域化表達式。
[0034]將（1)、（2)式的解代入(3)式的雙尺度方程中：
[0035]
[0036] 令N=10,可獲得心音小波基的時域解析形式，同時也是神經網絡的隱層函數。
[0037] Step3將心音小波基替代神經網絡中的激活函數，可實現心音小波神經網絡的構 造。
[0038] 其中，xi(i = l，2,. . .，m)為輸入層第i個樣本輸入，yk(k=l，2,. . .，n)為輸出層第k 個樣本的輸出，Z(x) = (Z1，Z2,. . .，zf)為小波函數，輸入層與隱含層的連接權值為隱含 層與輸出層的連接權值為w2jk。則隱含層神經元的輸入為：
[0039]
(4)
(5；)
[0040] 將隱層神經元的輸入代入小波函數 和，得到隱層神經元
的輸出：
[0041]
[0042] 聯立(4)和(5)式，則小波神經網絡模型輸出可以表示為：
[0044] 其中Θ代表偏移值，又叫閾值。[0045] -段長度為N的正常心音信號模型可描述為：
[0043] (6)
[0046]
(7)
[0047]其中，S1、S2分別為第一、第二心音信號；S3、 S4分別為第三、第四心音，其信號強度 較弱，一般不予討論];S5表不心音中的雜音成分;ki(i = l，2,3,4,5)表不合成系數。
[0048]再將(3)和(7)式代入(6)式的小波神經網絡模型中，可構造出一種心音小波神經 網絡，其模型結構圖如圖4所示。該心音小波神經網絡的輸出為：
[0049]
(：8)
[0050] 二、心音小波神經網絡(HSWNN)的訓練算法如下：
[0051] 神經網絡的訓練實際就是要獲得隱含層到輸出層的權值。在心音小波神經網絡 (HSWNN)中，樣本維數比較大，求解的代價也會變得很大，所以可以根據心音的特點定義一 個最小化誤差函數從而得到權值Wk P的唯一解。
[0052]設第η個樣本心音信號為HSn，對其進行特