Page 71 - 《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

训练集预测结果对比 不过，类别3的正确分类率为82.9% ，提示该模型

准确率=96.25%
4.0 在此类别上的分类效能有提升潜力，未来研究可围
真实值
3.5 预测值 绕该类别特征开展深入分析，以推动模型性能的优
化与精进。
3.0
预测结果 2.5 1 24 2 92.3% 7.7%

2.0
2 1 33 97.1% 2.9%
1.5
1.0 3 3 29 3 82.9% 17.1%
0 50 100 150 200 250
真实类
预测样本
图4 训练集预测结果对比 4 22 100.0%
Fig.4 Comparison of training set prediction results

1 63 100.0% 96.0% 86.8% 100.0% 88.0%
4.0% 13.2% 12.0%
2 2 51 2 92.7% 7.3%
1 2 3 4
预测类
3 4 49 1 90.7% 9.3%
图7 测试集混淆矩阵
真实类 Fig.7 Test set confusion matrix
4 68 100.0%
3 讨论

96.9% 92.7% 100.0% 95.8% 本研究在基于PSO-BP神经网络开展CT扫描仪
3.1% 7.3% 4.2% 球管故障诊断的过程中，对PSO-BP模型在不同数据
1 2 3 4 集上的表现进行了评估。如图8所示，该模型展现出
预测类
良好的性能指标。训练集的相关系数为R=0.970 94，
图5 训练集混淆矩阵 表明该模型能够有效学习训练数据中的模式，实现
Fig.5 Training set confusion matrix
对目标值的精确拟合。在验证集上，相关系数达到

测试集预测结果对比

准确率=92.3077% R=0.952 92，反映出该模型具备较强的泛化能力，
4.0
真实值 能够适应未见样本。测试集相关系数为R=0.894 05，
预测值
3.5 虽略低于前两者，但依然表明该模型具备一定的预
3.0 测效果。从整体上来看，该模型在所有数据集上的
预测结果 2.5 平均相关系数为R=0.956 7，进一步证明其整体性能
较为优越，具有良好的应用潜力。
2.0
训练: R=0.97094

1.2
1.5
Data
Fit
1.0
Y=T
1.0
0 20 40 60 80 100 120 0.8
预测样本
图6 测试集预测结果对比 Output~=0.95×Target+0.013 0.6
Fig.6 Comparison of test set prediction results 0.4
测试集混淆矩阵如图7所示，该混淆矩阵用于 0.2
呈现模型对测试数据的分类结果。PSO-BP模型在 0
类别1、2、4上表现出色，分类准确率分别为92.3%、 −0.2
0 0.5 1.0 1.5
97.1%和100.0%，相应预测类别也有较高准确率。 目标
验证 =0.95292
1.2
657 1.0
Output~=0.94×Target+0.015 0.6
0.8

0.4
0.2

−0.2
0.5 1.0 1.5
目标
测试 =0.89405
1.2
1.0
Output~=0.87×Target+0.033 0.8

0.6
0.4
0.2

−0.2
0.5 1.0 1.5
目标
整体 =0.9567
1.2
1.0
Output~=0.93×Target+0.016 0.8

0.6
0.4
0.2

−0.2
0.5 1.0 1.5
目标