换一批基于粒子群优化SVM的CT医疗影像设备故障分类方法研究
Research on Fault Classification Method of CT Medical Imaging Equipment Based on Particle Swarm Optimization SVM
摘要目的 为解决医疗影像设备故障特征隐蔽性高,单一支持向量机(Support Vector Machine,SVM)方法难以有效提取深层次故障特征,导致故障分类Kappa系数较低的问题,提出基于粒子群优化SVM的CT医疗影像设备故障分类方法.方法 采用多类型传感器实时监测CT医疗影像设备的运行状态信号;通过小波变换对采集到的信号进行处理,以去除噪声并提取有效特征,再将处理后的信号输入到深度置信网络中;深度置信网络通过逐层叠加受限玻尔兹曼机,并经历无监督训练和有监督参数调整2个阶段,以精准捕捉并学习CT医疗影像设备故障的深层次特征;将提取到的故障特征输入到基于粒子群优化SVM的多分类器中,通过训练好的模型实现CT医疗影像设备故障分类.结果 实验结果表明,该方法在深度置信网络层数为4,输入、隐藏、输出层神经元数量分别为80、150、80的情况下,在G2数据集中的F1得分为0.925,Kappa系数为0.895,海明距离低于0.053.结论 本文所提方法可实现CT医疗影像设备故障精准分类,为医疗影像设备的故障诊断和维护提供有力的技术支持.
更多相关知识
关键词
粒子群优化算法支持向量机CT医疗影像设备传感器深度置信网络惯性权重particle swarm optimization algorithmsupport vector machine(SVM)CT medical imaging equipmentsensordeep belief networkinertia weight
栏目名称
DOI
10.3969/j.issn.1674-1633.20241951
发布时间
2025-09-28（万方平台首次上网日期，不代表论文的发表时间）
基金项目
江苏省优势学科建设工程项目（YSHL2103-334）
无锡市科技发展资金项目（Y20212009）
- 浏览5
- 被引0
- 下载1
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
