一种改进的灰狼优化算法用于心脏病预测
机器学习
2024-12-24 v1 人工智能
神经与进化计算
摘要
本文通过将自适应曲线灰狼优化（ACGWO）算法融入神经网络反向传播，为医学图像处理中的挑战提供了一种独特的解决方案。神经网络在医学数据中显示出潜力，但由于数据不平衡和稀缺，存在过拟合和缺乏可解释性等问题。传统的灰狼优化（GWO）也有其缺点，如缺乏种群多样性和过早收敛。本文通过引入一种自适应算法来解决这些问题，使用sigmoid函数增强标准GWO。该算法使用六个著名的测试函数与四种领先算法进行了广泛比较，并有效优于它们。此外，通过利用ACGWO，我们提高了神经网络的鲁棒性和泛化能力，从而产生更可解释的预测。应用于公开可访问的克利夫兰心脏病数据集，我们的技术超越了其他十种方法，达到了86.8%的准确率，表明其在临床环境中进行高效心脏病预测的潜力。
引用
@article{arxiv.2401.11669,
title = {An Improved Grey Wolf Optimization Algorithm for Heart Disease Prediction},
author = {Sihan Niu and Yifan Zhou and Zhikai Li and Shuyao Huang and Yujun Zhou},
journal= {arXiv preprint arXiv:2401.11669},
year = {2024}
}