[发明专利]一种自适应PSO-GRNN的胎儿体重预测方法及系统

权利要求书

1.一种自适应PSO-GRNN的胎儿体重预测方法，其特征在于，包括：

对获取的历史数据进行预处理，得到样本数据；

根据所述样本数据对广义回归神经网络的参数进行粒子群算法优化，得到最优参数；

将所述最优参数带入广义回归神经网络，得到广义回归神经网络预测模型；

根据所述广义回归神经网络预测模型对待预测数据进行预测处理，得到胎儿体重。

2.根据权利要求1所述的胎儿体重预测方法，其特征在于，对获取的历史数据进行预处理，得到样本数据，包括：

将获取的孕妇体检数据作为所述历史数据；

按照预设条件对所述历史数据进行筛选，得到筛选数据；

将所述筛选数据和对应的分娩检验数据以及胎儿体重数据整合为样本集合；

对所述样本集合进行归一化处理，得到所述样本数据。

3.根据权利要求2所述的胎儿体重预测方法，其特征在于，根据所述样本数据对广义回归神经网络的参数进行粒子群算法优化，得到最优参数，包括：

将粒子群算法的参数进行初始化，得到初始化参数；

根据所述初始化参数对所述粒子群算法的种群进行初始化，得到初始化种群；

根据所述样本数据和适应度函数对初始化种群进行迭代，得到最优种群；

根据所述适应度函数确定所述最优种群中的所述最优参数。

4.根据权利要求3所述的胎儿体重预测方法，其特征在于，根据所述广义回归神经网络预测模型对待预测数据进行预测处理，得到胎儿体重，包括：

将所述待预测数据进行归一化处理，得到归一化待预测数据；

根据所述广义回归神经网络预测模型对所述归一化待预测数据进行计算，得到胎儿体重。

5.一种自适应PSO-GRNN的胎儿体重预测系统，其特征在于，包括：

数据处理模块，用于对获取的历史数据进行预处理，得到样本数据；

参数优化模块，用于根据所述样本数据对广义回归神经网络的参数进行粒子群算法优化，得到最优参数；

预测模型获取模块，用于将所述最优参数带入广义回归神经网络，得到广义回归神经网络预测模型；

预测处理模块，用于根据所述广义回归神经网络预测模型对待预测数据进行预测处理，得到胎儿体重。

6.根据权利要求5所述的胎儿体重预测系统，其特征在于，所述数据处理模块，包括：

历史数据获取单元，用于将获取的孕妇体检数据作为所述历史数据；

数据筛选单元，用于按照预设条件对所述历史数据进行筛选，得到筛选数据；

样本集合获取单元，用于将所述筛选数据和对应的分娩检验数据以及胎儿体重数据整合为样本集合；

归一化处理单元，用于对所述样本集合进行归一化处理，得到所述样本数据。

7.根据权利要求6所述的胎儿体重预测系统，其特征在于，所述参数优化模块，包括：

初始化单元，用于将粒子群算法的参数进行初始化，得到初始化参数；

种群初始化单元，用于根据所述初始化参数对所述粒子群算法的种群进行初始化，得到初始化种群；

迭代优化单元，用于根据所述样本数据和适应度函数对初始化种群进行迭代，得到最优种群；

最佳参数获取单元，用于根据所述适应度函数确定所述最优种群中的所述最优参数。

8.根据权利要求7所述的胎儿体重预测系统，其特征在于，所述预测处理模块，包括：

归一化处理单元，用于将所述待预测数据进行归一化处理，得到归一化待预测数据；

预测计算单元，用于根据所述广义回归神经网络预测模型对所述归一化待预测数据进行计算，得到胎儿体重。