CHENG SHOUHUI (CN)
GUO QIANG (CN)
LI XIN (CN)
CAO GANG (CN)
YIN CONGMING (CN)
WO2014043894A1 | 2014-03-27 |
CN104484562A | 2015-04-01 | |||
CN103976715A | 2014-08-13 | |||
CN102811242A | 2012-12-05 | |||
CN103891253A | 2014-06-25 |
权利要求书 [权利要求 1 ] 一种基于模糊神经网络的体域网健康信息监测、 交互系统, 其特征是 : 包括采集端、 模糊神经网络分析检测系统、 交互模块、 识别单元和 显示单元; 所述采集端包括采集模块、 控制模块, 所述采集模块用于采集家用医 疗设备采集的相关生物数据, 并发送给控制模块, 所述控制模块还用 于控制采集模块进行采集数据; 所述交互模块, 用于建立交互群, 选择交互群大小、 相互进行数据交 互的采集端数目, 建立数据共享; 所述模糊神经网络分析检测系统, 包括模型构建模块、 模糊神经网络 数据分析模块和排序模块, 其中: 所述模型构建模块, 接收交互模块中交互群内传输的生物数据, 并将 其作为输入变量, 通过输入层、 模糊化层模块, 构建生物数据的隶属 度函数; 所述模糊神经网络数据分析模块, 用于通过构建模糊推理层、 归一层 、 去模糊层和输出层模块对生物数据进行处理, 计算输出生物指数值 所述排序模块, 用于根据生物指数值, 在该交互群内进行数据排名; 所述识别单元, 接收排序模块传输的数据, 读取交互模块的交互群, 识别同一交互群内的采集模块、 显示单元, 将生物数据和数据排名通 过显示单元进行显示。 [权利要求 2] 如权利要求 1所述的系统, 其特征是: 所述采集模块, 实时监测通过 家用医疗设备上传的数据, 包括收缩压、 舒张压和心率。 [权利要求 3] 如权利要求 1所述的系统, 其特征是: 所述模型构建模块, 包括输入 层模块和模糊化层模块, 其中, 所述输入层模块为第一层模块, 其输 入值为家用医疗设备测量后上传的数据, 上传的数据包括收缩压 SSY 、 舒张压 SZY和心率 XL ; 仅起到传递的作用, 即将输入数据传递到下 一层模块, 输出值为: 0 SSY(" =SSY, 0 SZY(1) =SZY, 0 XL(» =XL ; 其中, 0 表示第 x层模块的输出的 i值。 [权利要求 4] 如权利要求 3所述的系统, 其特征是: 所述模糊化层模块, 为第二层 模块, 将输入数据划分模糊子集, 收缩压 SSY、 舒张压 SZY和心率 XL的 模糊子集为 {正常 (M), 偏高 (H), 极高 (VH) }, 隶属度分别为 w SSY (M,H,VH)、 μ SZY (M, H, VH)禾卩 XL (M, H,VH)。 [权利要求 5] 如权利要求 4所述的系统, 其特征是: 所述模糊化层模块, 对于 "正 常 (M) " , 采用 Sigmoid函数的对称函数, 隶属度为: = [i + e¾ ( - 糊-1 对于 "极高 (VH) " , 采用 Sigmoid函数, 隶属度为: / - [l + ejEp(-iri( - lf 2¾ ]_i 对于 "偏高 (H) " , 采用高斯型函数, 隶属度为: Wl、 W2为系统, 初始值任意, 通过网络训练和自学习不断调整, 使 网络实际输出值与导师信号误差最小, 该层的节点输出范围在 0〜1 之间; 对语言变量 M和 VH 的隶属度函数, 其中参数 W2 的作用是使隶属度函 数沿水平轴向右移; W1 的作用是调节隶属度函数的形状; 对语言变 量 H的隶属度函数, W2 和 W1 分别表示隶属度函数的中心和宽度, 输入样本越靠近节点的中心, 输出越大; 第二层模块的最终输出为: 式中, y=l,2,3, R取值为 SSY、 SZY、 XL, 分别对应于收缩压、 舒张 压和心率的隶属度函数。 [权利要求 6] 如权利要求 1所述的系统, 其特征是: 块, 包括模糊推理层模块, 设为第三层模块, 用于建立模糊推理规则 库, 其中的语言规则是模糊逻辑推理的依据, 每条模糊推理规则的结 论参数为模糊子集 {健康 (H), 亚健康 (SubH), 不健康 (UnH)}; 由于输 入数据 SSY、 SZY和 XL的模糊集具有 3个模糊标记, 因此模糊神经网络 模型共有推理规则 3X3X3=27条, 即为 27个输出节点; 对于任一组输 入数据, 总可以找到一条与之对应的推理规则; 每条推理规则的适用 度 a( 1)为: : 2 % 式中, a( 1)表示第 1条推理规则的适用度, 1=1, 2— 27; i=l,2,3; J=l 2, 3; k=l, 2, 3; 第三层的输出为: [权利要求 7] 如权利要求 1所述的系统, 其特征是: 所述模糊神经网络数据分析模 块, 包括第四层模块, 即归一层模块, 节点总数与第三层模块相同, 实现对第四层输出的归一化处理, 为解模糊做准备, 其输出为: 1=1 l=! 其中 1=1, 2— 27; 所述模糊神经网络数据分析模块, 还包括去模糊层模块, 用于将经过 模糊推理得到的是对应于不同输出 (H,SubH,UnH) 的不同规则的隶属 度, 通过去模糊的方法得到三种健康状况的隶属度, 该层输出为: 其中, n表示该层输出节点的个数, n=l,2,3; 引入权值 W nl, 通过 它在网络中的变化调整各条模糊推理规则在判别的相对重要性。 [权利要求 8] 如权利要求 1所述的系统, 其特征是: 所述模糊神经网络数据分析模 块, 还包括输出层模块, 为第六层模块, 用于利用面积重心法, 通过 权值 W i ( i=l,2,3) 调整三个输出模糊子集 (H,SubH,UnH) 的相对重 要性, 取 W W 2=0. 5, W =0, 即输出模糊子集中健康 (H) 对健 康指数值的贡献为 1, 亚健康 (SubH) 对健康指数值的贡献为 0. 5, 不 健康 (UnH) 对健康指数值的贡献为 0; 其最终输出健康指数值 P为: [权利要求 9] 如权利要求 1所述的系统, 其特征是: 所述模糊神经网络数据分析模 块, 还包括 BP神经元网络学习训练模块, 用于通过采用附加动量项改 进的 BP 算法对网络进行训练, 利用误差反向传播的梯度下降算法调 整权值, 使权值按沿目标函数梯度变化的反方向进行调整, 确认模糊 神经网络中的参数有 Wl、 W2和 W nl, 先调整 W nl, 然后调整 Wl、 W2 , 最终使网络实际输出与期望输出的误差总均方差最小。 |
发明名称: 一种基于模糊神经网络的体域网健康信息监测 、 交互系 统
技术领域
[0001] 本发明涉及一种基于模糊神经网络的体域网健 康信息监测、 交互系统。
背景技术
[0002] 如今人们生活水平逐渐提高, 家用医疗设备也开始普遍使用, 但测试结果只有 本人或家属知道, 如果遇见突发情况, 没有家属等陪同人员, 医疗工作者无法 及时了解病人的身体状态、 有无病史等信息, 不能很好进行诊断、 及时治疗。 因此, 家用医疗设备的监测数据通过医疗健康平台进 行共享、 存储是十分必要 的。
发明概述
技术问题
[0003] 现有的医疗健康平台存在以下问题:
[0004] ( 1 ) 信息多为一对一交互, 即只有医生和上传者自己能够看到, 许多时候, 在用户同意的情况下, 信息也无法进行共享; 这样存在着许多隐性、 家族遗传 的问题无法发现, 不利于医生了解病人情况;
[0005] ( 2 ) 检查的数据太过专业, 普通用户无法真正了解自身的检查情况是否健 康 或存在问题, 不能生成统一的指标供用户参考;
[0006] ( 3 ) 同一个单位、 公司的员工的身体状况, 领导、 同事无法了解, 在出差、 体力劳动等工作的安排上可能会出现误判, 威胁身体健康; 某些关系好的用户 无法知道自己的健康程度在朋友之间排名如何 , 无法激发用户的积极性, 忽略 关注自身健康问题, 不能按时使用家用医疗设备进行测量。
问题的解决方案
技术解决方案
[0007] 本发明为了解决上述问题, 提出了一种基于模糊神经网络的体域网健康信 息监 测、 交互系统, 该系统利用模糊神经网络算法, 对用户的健康信息及时上传, 在指定范围内进行交互共享, 进行排序, 使得大家关注自身健康, 定期做检查
[0008] 为了实现上述目的, 本发明采用如下技术方案:
[0009] 一种基于模糊神经网络的体域网健康信息监测 、 交互系统, 包括采集端、 模糊 神经网络分析检测系统、 交互模块、 识别单元和显示单元;
[0010] 所述采集端包括采集模块、 控制模块, 所述采集模块用于采集家用医疗设备采 集的相关生物数据, 并发送给控制模块, 所述控制模块还用于控制采集模块进 行采集数据;
[001 1 ] 所述交互模块, 用于建立交互群, 选择交互群大小、 相互进行数据交互的采集 端数目, 建立数据共享;
[0012] 所述模糊神经网络分析检测系统, 包括模型构建模块、 模糊神经网络数据分析 模块和排序模块, 其中:
[0013] 所述模型构建模块, 接收交互模块中交互群内传输的生物数据, 并将其作为输 入变量, 通过输入层、 模糊化层模块, 构建生物数据的隶属度函数;
[0014] 所述模糊神经网络数据分析模块, 用于通过构建模糊推理层、 归一层、 去模糊 层和输出层模块对生物数据进行处理, 计算输出生物指数值;
[0015] 所述排序模块, 用于根据生物指数值, 在该交互群内进行数据排名;
[0016] 所述识别单元, 接收排序模块传输的数据, 读取交互模块的交互群, 识别同一 交互群内的采集模块、 显示单元, 将生物数据和数据排名通过显示单元进行显 示。
[0017] 所述采集模块, 实时监测通过家用医疗设备上传的数据, 包括收缩压、 舒张压 和心率。
[0018] 所述模型构建模块, 包括输入层模块和模糊化层模块, 其中, 所述输入层模块 为第一层模块, 其输入值为家用医疗设备测量后上传的数据, 上传的数据包括 收缩压 SSY、 舒张压 SZY和心率 XL ; 仅起到传递的作用, 即将输入数据传递到下 一层模块, 输出值为: 0 SSY (1 ) =SSY, 0 SZY (1) =SZY, 0 X L(" =XL; 其中, 0 表示 第 X层模块的输出的 i值。 [0019] 所述模糊化层模块, 为第二层模块, 将输入数据划分模糊子集, 收缩压 SSY、 舒张 -压 SZY和心率 XL的模糊子集为 {正常 (M), 偏高 (H), 极高 (VH) }, 隶属度分别 为 SSY (M,H,VH)、 μ SZY (M, H, VH)和 XL (M,H,VH)。
[0020] 所述模糊化 2层模块, 对于 "正常 (M) " , 采用 Sigmoid函数的对称函数, 隶属 度为:
[]
=【1 + esp( (x― ,2 ] -1
[0021] 对于 "极鬲 (VH) " , 米用 Sigmoid函数, 隶属度为:
[] ^ -[! + es¾p《- ,Ι(χ— IF2¾j~ I
[0022] 对于 "偏高 (H) " , 采用高斯型函数, 隶属度为:
[]
[0023] Wl、 W2 为系统 , 初始值任意, 通过网络训练和自学习不断调整, 使网络实际 输出值与导师信号误差最小, 该层的节点输出范围在 0〜1 之间。
[0024] 对语言变量 M和 VH 的隶属度函数, 其中参数 W2 的作用是使隶属度函数沿水平 轴向右移; W1 的作用是调节隶属度函数的形状; 对语言变量 H的隶属度函数, W2和 W1分别表示隶属度函数的中心和宽度, 输入样本越靠近节点的中心, 输 出越大。
[0025] 第二层模块的最终输出为:
[0026] 式中, y=l,2,3, R取值为 SSY、 SZY、 XL, 分别对应于收缩压、 舒张压和心率 的隶属度函数。
[0027] 所述模糊神经网络数据分析模块, 包括模糊推理层模块, 设为第三层模块, 用 于建立模糊推理规则库, 其中的语言规则是模糊逻辑推理的依据, 每条模糊推 理规则的结论参数为模糊子集{健康 (H), 亚健康 (SubH), 不健康 (UnH)} ; 由于 输入数据 SSY、 SZY和 XL的模糊集具有 3个模糊标记, 因此模糊神经网络模型共有 推理规则 3X3X3=27条, 即为 27个输出节点; 对于任一组输入数据, 总可以找 到一条与之对应的推理规则; 每条推理规则的适用度 a( 1)为:
[0028] 式中, a( 1)表示第 1条推理规则的适用度, :1,2,3; j
1,2,3; k=l,2,3。 第三层的输出为:
[0029] 所述模糊神经网络数据分析模块, 包括第四层模块, 即归一层模块, 节点总数 与第三层模块相同, 实现对第四层输出的归一化处理, 为解模糊做准备, 其输 出为:
[0030] 其中 1=1,2— 27。
[0031] 所述模糊神经网络数据分析模块, 还包括去模糊层模块, 用于将经过模糊推理 得到的是对应于不同输出 (H,SubH,UnH) 的不同规则的隶属度, 通过去模糊的 方法得到三种健康状况的隶属度, 该层输出为:
[] [0032] 其中, n表示该层输出节点的个数, n=l, 2, 3; 引入权值 W nl , 通过它在网络 中的变化调整各条模糊推理规则在判别的相对 重要性。
[0033] 权值 W nl 的应用优化了模糊推理规则, 并使模糊推理具有自适应性, 从而提高 模糊神经网络模型的智能化程度。
[0034] 所述模糊神经网络数据分析模块, 还包括输出层模块, 为第六层模块, 用于利 用面积重心法, 通过权值 W i ( i=l,2,3 ) 调整三个输出模糊子集 (H,SubH,UnH) 的相对重要性, 取 W 即输出模糊子集中健康 (H) 对健康 指数值的贡献为 1, 亚健康 (SubH) 对健康指数值的贡献为 0. 5, 不健康 (UnH) 对健康指数值的贡献为 0; 其最终输出健康指数值 P为:
[0035] 所述模糊神经网络数据分析模块, 还包括 BP神经元网络学习训练模块, 用于通 过采用附加动量项改进的 BP 算法对网络进行训练, 利用误差反向传播的梯度 下降算法调整权值, 使权值按沿目标函数梯度变化的反方向进行调 整, 确认模 糊神经网络中的参数有 Wl、 W2和 W nl , 先调整 W nl , 然后调整 Wl、 W2。 最终使 网络实际输出与期望输出的误差总均方差最小 。
[0036] 所述 BP神经元网络学习训练模块网络的误差信号为 e (n) = P e *
-P (n)。 其中 P (n)为第 n次迭代的实际输出, P 为期望输出。 学习训练的目的即 最小化误差函数为
[0037] 为了既能提高学习速度又能保持参数变化的稳 定性, 采用基于广义 delta规则 的梯度下降法, 即 [0038] 其中,
[0039] 式中, β为学习速率, 0〈β〈1, n AW n)为
一般取值 0.9。
[0040] 由此, 权值 W 的调整过程为:
[0041] 求出 AW后, 可得修正后的权值 W nl , 即 W nl (n+l)= W nl (n) +AW
[0042] 采用类似思路推导 Wl、 W2,
[0043] 至此完成 Wl、 W2和 W nl 的优化过程, Wl、 W2表现为隶属函数的自动生成, W nl 的变化表现为相应模糊规则相对重要性的改变 , 通过训练最终提高了网络模糊 推理精度, 使实际输出更接近理想输出。
[0044] 所述排序模块, 读取输出层模块的输出值, 读取该输出值对应的采集模块, 确 认该采集模块通过控制模块在交互模块中所选 择的交互群, 采集交互群内其他 输出层模块的输出值, 在该交互群内进行数据排名。
发明的有益效果
有益效果
[0045] (1) 实现了健康测量数据的及时上传、 可选择范围内的交互, 在保护用户的 隐私、 尊重用户意愿的基础上进行信息的交互;
[0046] (2) 通过模糊逻辑和神经网络相结合的方式, 对体域网中医疗设备输出的各 种健康数据送入模糊神经网络系统模型进行分 析, 得到健康指数值, 并进行健 康排名, 可以激发用户的积极性, 并让他们及时关注自身健康问题, 同时可以 按时使用家用医疗设备进行测量;
[0047] ( 3 ) 系统具有很好的可扩展性, 可以加入更多其他类型的健康数据进行交互
、 综合评测。
对附图的简要说明
附图说明
[0048] 图 1为本发明的结构示意图。
[0049] 图 2为本发明的模糊神经网络模型图。
[0050] 图 3为本发明的隶属度函数图。
发明实施例
本发明的实施方式
[0051] 如图 1所示, 一种基于模糊神经网络的体域网健康信息监测 、 交互系统, 包括 采集端、 模糊神经网络分析检测系统、 交互模块、 识别单元和显示单元;
[0052] 所述采集端包括采集模块、 控制模块, 所述采集模块用于采集家用医疗设备采 集的相关生物数据, 并发送给控制模块, 所述控制模块还用于控制采集模块进 行采集数据;
[0053] 所述交互模块, 用于建立交互群, 选择交互群大小、 相互进行数据交互的采集 端数目, 建立数据共享;
[0054] 所述模糊神经网络分析检测系统, 包括模型构建模块、 模糊神经网络数据分析 模块和排序模块, 其中:
[0055] 所述模型构建模块, 接收交互模块中交互群内传输的生物数据, 并将其作为输 入变量, 通过输入层、 模糊化层模块, 构建生物数据的隶属度函数;
[0056] 所述模糊神经网络数据分析模块, 用于通过构建模糊推理层、 归一层、 去模糊 层和输出层模块对生物数据进行处理, 计算输出生物指数值;
[0057] 所述排序模块, 用于根据生物指数值, 在该交互群内进行数据排名;
[0058] 所述识别单元, 接收排序模块传输的数据, 读取交互模块的交互群, 识别同一 交互群内的采集模块、 显示单元, 将生物数据和数据排名通过显示单元进行显 不。
[0059] 所述采集模块, 实时监测通过家用医疗设备上传的数据, 包括收缩压、 舒张压 和心率。
[0060] 模糊神经网络模型包括输入层、 模糊化层、 模糊推理层、 归一化层、 去模糊层 和输出层, 如图 2所示。 对于每一层的输出变量, 有两个作用, 一个是用于训练 数据的反向输入, 一个是实际输出。 第三层为模糊推理层, 其每一节点代表一 条模糊规则。 因此, 所有的第三层节点组成了模糊规则库。 第二层和第三层之 间的连接作为连接推理机, 避免了模糊蕴涵推理过程。 第二层的连接定义了模 糊规则的前件, 第三层的连接定义了模糊规则的后件。 正常传播方向为从第一 层到第六层, 即从下向上, 在学习训练过程中, 信号是从第六层到第一层传播 的, 即从上向下。 各层的输入输出关系如下 (0(x)表示第 X层的输出) 。
[0061] (1) 第一层为输入层。 输入值为家用医疗设备测量后上传的数据, 上传的数 据包括收缩压 SSY、 舒张压 SZY和心率 XL。 该层仅起到传递的作用, 即将输入数 据传递到下一层, 输出为:
[0063] (2) 第二层为模糊化层。 该层将输入数据划分模糊子集, 收缩压 SSY、 舒张压 SZY和心率 XL的模糊子集为 {正常 (M), 偏高 (H), 极高 (VH)}, 隶属度分别为 W SSi (M,H,VH)、 SZY (M,H,VH)和 μ Χί (Μ,Η,νΗ)。 (本专利实施案例主要针对高血压 人群的健康状况, 这里将低血压、 低心率归于正常范畴)
[0064] 对于 "正常 (Μ) ", 采用 Sigmoid函数的对称函数, 隶属度为:
[]
= [l +€¾ (Ι : ( - ,2朋 _Ι
[0065] 对于 "极高 (VH) ", 采用 Sigmoid函数, 隶属度为:
[]
[0066] 对于 "偏高 (H) ", 采用高斯型函数, 隶属度为: [0067] Wl、 W2 初始值任意, 通过网络训练和自学习不断调整, 使网络实际输出值与 a
导师信号误差最小, 经调整后的权值即可用于实际的健康状况评测 。 节点输出 范围在 0 之间。 对语言变量 M和 VH 的隶属度函数, 其中参数 W2 的作用是使 隶属度函数沿水平轴向右移; W1 的作用是调节隶属度函数的形状, 较大的 W1 使函数逼近阶跃, 较 W1 使函数变得较为平坦。 对语言变量 H的隶属度函数 , W2 和 W1 分别表示隶属度函数的中心和宽度, 输入样本越靠近节点的中心, 输出越大。
[0068] 第二层的最终输出为:
[0069] 式中, y=l,2,3, R取值为 SSY、 SZY、 XL, 分别对应于收缩压、 舒张压和心率的 隶属度函数。
[0070] ( 3) 第三层为模糊推理层。 模糊推理中最重要的过程是建立模糊推理规则 库 , 其中的语言规则是模糊逻辑推理的依据, 每条模糊推理规则的结论参数为模 糊子集 {健康 (H), 亚健康(SubH), 不健康 (UnH) }。 由于输入数据 SSY、 SZY和 XL 的模糊集具有 3个模糊标记, 因此模糊神经网络模型共有推理规则 3 X 3 X 3=27条 。 每条推理规则的适用度 a (l)为:
[0071] 式中, a (l)表示第 1条推理规则的适用度, 1=1, 2— 27 ; i=l,2,3 ; j=l,2,3 ; 表 1所示, 模糊规则用语言变量表述为:
[0073] Rulel : IF SSY is M and SZY is M and XL is M then C is H.
[0074] Rule2 : IF SSY is M and SZY is H and XL is M then C is H.
[0075]
[0076] Rule26: IF SSY is VH and SZY is H and XL is VH then C is UnH.
[0077] Rule27: IF SSY is VH and SZY is VH and XL is VH then C is UnH.
[0078] 其中 C为处于某种健康状况的概率。
[0079] 表 1
[]
[表 1]
[0080] 第三层的输出为:
[0081] ( 4) 第四层为归一化层。 节点总数与第三层相同, 实现对第四层输出的归一 化处理, 为解模糊做准备, 其输出为:
[0082] 其中 1=1, 2···27 ο
[0083] ( 5 ) 第五层为去模糊层。 经过模糊推理得到的是对应于不同输出 (H,SubH,Un H) 的不同规则的隶属度, 还需要通过去模糊的方法得到三种健康状况的 隶属度 , 该层输出为:
[0084] 其中, n表示该层输出节点的个数, n=l,2,3。 引入权值 W nl , 通过它在网络中 的变化调整各条模糊推理规则在判别的相对重 要性。 权值 W nl 的应用优化了模糊 推理规则, 并使模糊推理具有自适应性, 从而提高模糊神经网络模型的智能化
[0085] ( 6 ) 第六层为输出层。 利用面积重心法, 通过权值 W i ( i=l,2,3 ) 调整三个 输出模糊子集 (H, SubH, UnH) 的相对重要性, 取 W W 2 =0. 5, W 3 =0, 即输出 模糊子集中健康 (H) 对健康指数值的贡献为 1, 亚健康 (SubH) 对健康指数值 的贡献为 0. 5, 不健康 (UnH) 对健康指数值的贡献为 0。 其最终输出健康指数值 P为:
[]
[0086] 优选的, 还包括 BP神经元网络的学习训练过程。 模糊神经网络中需要确定的参 数有 Wl、 W2和 W nl 。 采用附加动量项改进的 BP 算法对网络进行训练。 根据规 则学习, 利用误差反向传播的梯度下降算法调整权值, 使权值按沿目标函数梯 度变化的反方向进行调整, 因此, 先调整 W nl , 然后调整 Wl、 W2。 最终使网络 实际输出与期望输出的误差总均方差最小。 具体的网络学习算法运算过程如下
[0087] 网络的误差信号为: e (n) = P e * _P (n)。 其中 P (n)为第 n次迭代的实际输出, P
为期望输出。 学习训练的目的即最小化误差函数为
。 为了既能提高学习速度又能保持参数变化的稳 定性, 采用基于广义 delta规 则的梯度下降法, 即。
。 其中
, 式中 β为学习速率, ο〈β〈1, n A W
(n)为动 项, n为动量系数, ο〈η〈ι, 一般取值 0. 9。 [0088] 由此, 权值 W _^的调整过程为:
[]
Δ (η) = - ^ + (-) = - β ^ + 》
[] ,,
, * _ ρ、 ν / u i
= β ^— ¾ ) + 扁 ― «
[0089] 求出 AW后, 可得修正后的权值 W nl , 即 W nl (n+l)= W nl (n+l)+ AW 1o 采用类 似思路推导 Wl、 W2o
ΔΙΤί(ϊΐ) = -Ρ— - t|A i( )
[0090] 至此完成 Wl、 W2和 W nl 的优化过程, Wl、 W2表现为隶属函数的自动生成, W n] 的变化表现为相应模糊规则相对重要性的改变 , 通过训练最终提高了网络模糊 推理精度, 使实际输出更接近理想输出。
[0091] 本发明的其他实施案例中输入变量还可以为血 氧值、 血糖值等。
[0092] 所述排序模块, 读取输出层模块的输出值, 读取该输出值对应的采集模块, 确 认该采集模块通过控制模块在交互模块中所选 择的交互群, 采集交互群内其他 输出层模块的输出值, 在该交互群内进行数据排名。
[0093] 上述虽然结合附图对本发明的具体实施方式进 行了描述, 但并非对本发明保护 范围的限制, 所属领域技术人员应该明白, 在本发明的技术方案的基础上, 本 领域技术人员不需要付出创造性劳动即可做出 的各种修改或变形仍在本发明的 保护范围以内。