Page 70 - 《中国医疗器械杂志》2025年第6期

Chinese Journal of Medical Instrumentation 2025年 第49卷 第6期

临 床 医 学 工 程

与故障诊断的有效性。 现良好，主对角线元素数值高，多数类别正确分类
（ 率超过90%。但类别2与类别3之间存在混淆情况，
2）确定BP神经网络的结构。依据系统的输
入与输出变量数量，分别设定输入层和输出层的神 后续可围绕此优化模型，提升分类准确性。训练集
经元个数。在本研究中，输入层和输出层的神经元 混淆矩阵如图5所示。
分别为6个和4个，而隐含层的神经元数量则需进一 测试集的预测结果如图6所示，PSO-BP模型的
步确定。通常，可依据经验式(3)并结合试凑方 准确率为92.307 7%，略低于训练集的表现。从图6
法，通过多次实验确定隐含层的最优神经元数量。 中可以观察到，部分样本的预测结果十分精确，但
0.5
H = (R+C) +r (5) 一些样本的预测值与实际值之间也存在较大差异，
式中：H为隐含层神经元的数量；R为输入层神经 表明该模型的泛化能力仍有进一步提升的空间。

元的数量；C为输出层神经元的数量；r为随机值， BP神经网络 PSO算法
通常取值范围为[0,10]。 开始
（
3）训练参数设定。在开展PSO-BP神经网络
数据预处理，确定训练 初始化粒子群，确定适
训练前，需对相关参数进行初始化配置。其中，学 样本和测试样本数量 应度函数等参数
习率设为0.01，最大迭代次数为1 000次，训练误差
阈值设定为0.000 001，其余参数维持默认设置。上 确定BP神经网络的拓 随机生成初始化种群，
扑结构 限制粒子速度、位置
述配置旨在确保网络在合理的时间范围内完成训
练，达到预期效果，同时避免训练过程过长或陷入 设置初始网络权值和阈值 计算粒子适应度
无限循环。
获取最优权值和阈值 采用自适应权重更新粒
4）粒子群算法优化。在BP神经网络中，初
（ 子位置及速度，重新计
算粒子的适应度
始权重和阈值的设定对训练效果具有关键影响。为 进行神经网络的训练
优化这些初始参数，可将其作为PSO算法的优化目
计算网络输出误差 确定粒子历史个体最优
标。通过PSO算法的迭代机制，持续调整粒子的位 解与全局最优解，更新
最优适应度及迭代次数
置与速度，逐步逼近最优解，从而实现对初始权重 更新权值和阈值
否
与阈值的有效优化。经过多轮迭代后，算法可获得 否
一组性能优良的参数组合，显著提升神经网络的训 是否满足误差精度或 是否满足误差精度或
达到最大迭代次数？
达到最大迭代次数？
练精度与效率。本方法有效规避了传统BP算法中
是 是
随机初始化可能引发的训练不稳定问题，同时兼具
仿真预测、得到结果 输出粒子群最优个体
良好的全局搜索能力与收敛特性。PSO-BP神经网
络算法流程如图2所示。 结束
2.2 CT球管故障诊断结果
图2 PSO-BP神经网络算法流程
粒子群算法最优适应度变化曲线如图3所示。 Fig.2 Algorithm flowchart of PSO-BP neural network
在优化迭代过程中，粒子群的适应度值逐步接近全 −3 模型迭代误差变化
8.5 ×10
局最优。当迭代至约第22次时，最优适应度趋于稳
8.0
定，说明PSO算法在搜索过程中具有较快的收敛速 7.5
度和较高的寻优效率，能够快速逼近最优解。
6.5
本研究在使用PSO-BP神经网络进行CT扫描仪 适应度值 7.0
6.0
球管故障诊断的实验中，获得了多个关键结果数据。 5.5
训练集的预测结果如图4所示，PSO-BP模型的准确 5.0
率达到96.25%。多数样本的预测输出与实际标签 4.5
4.0
高度匹配，只有个别样本存在偏差，说明该模型在 0 5 10 15 20 25 30 35
粒子群迭代次数
训练集上的拟合效果较好，具备较强的学习能力。
图3 粒子群算法最优适应度变化曲线
该混淆矩阵显示，模型对训练数据分类整体表 Fig.3 Variation curve of optimal fitness of particle swarm algorithm

656