基于增强稀疏自编码器与Softmax回归的医学诊断

来源：电子测量技术杂志2021年第11期北京时间：

作者：孟祥莲，蒋巍，李晓芳

单位：常州工学院计算机信息工程学院 常州 213032

摘要：为了提升医学诊断的预测精度，本文设计了增强稀疏自编码器和Softmax回归的特征学习和分类阶段组合方法。在稀疏自编码器(SAE)网络的特征学习中，通过惩罚网络的权重实现稀疏性，结合反向传播学习方法将变化向后传递并迭代优化成本函数。在Softmax回归分类阶段中，利用带动量的小批量梯度下降法来优化Softmax分类器的交叉熵，结合小批数据计算模型误差更新模型参数并实现收敛性。将本文方法用于心脏病、宫颈癌和慢性肾病(CKD)数据集实验，其预测精度分别为91%、97%和98%，并且表现出较高的特征学习和鲁棒的分类性能。

关键词：稀疏自动编码器;无监督学习;Softmax回归;医学诊断

基金资助：国家自然科学基金（61901063）、教育部人文社会科学研究青年基金（19YJCZH120）、江苏高校“青蓝工程”基金（2020）、常州市科技计划基金项目（CE20205042）资助