买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉吉林大学申请的专利面向医疗数据的深度卷积模糊神经网络及其训练方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116384450B 。

龙图腾网通过国家知识产权局官网在2025-11-25发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310431951.3，技术领域涉及：G06N3/0464；该发明授权面向医疗数据的深度卷积模糊神经网络及其训练方法是由周文晖;刘晓敏;何丽莉;李熙铭;白洪涛设计研发完成，并于2023-04-21向国家知识产权局提交的专利申请。

本面向医疗数据的深度卷积模糊神经网络及其训练方法在说明书摘要公布了：本发明提供了一种面向医疗数据的深度卷积模糊神经网络及其训练方法，包括基于深度卷积模糊神经网络的医疗数据可解释性预测模型IP‑DCFNNIP‑DCFNN由三个部分组成：模糊逻辑前件部分：模糊逻辑前件部分提取输入数据，输入数据通过模糊逻辑前件部分中的隶属函数的运算从数值转化为一组对于模糊语言标量的隶属度值；深度卷积计算部分：深度卷积部分提取输入规则权重中的隐藏特征，并将隐藏层权重转换为高纬度信息表示；模糊结果表示部分：模糊结果表示部分是用来处理模糊推理中去模糊化的过程。本发明涉及计算机技术技术领域，本发明所述的IP‑DCFNN在模糊推理系统的基础上加入深度卷积神经网络的理念来达到针对医疗数据的可解释性预测能力。

本发明授权面向医疗数据的深度卷积模糊神经网络及其训练方法在权利要求书中公布了：1.一种面向医疗数据的深度卷积模糊神经网络方法，其特征在于：包括基于深度卷积模糊神经网络的医疗数据可解释性预测模型即IP-DCFNN； 所述IP-DCFNN由三个部分组成： 模糊逻辑前件部分：所述模糊逻辑前件部分提取输入数据，所述输入数据通过所述模糊逻辑前件部分中的隶属函数的运算从数值转化为一组对于模糊语言标量的隶属度值； 深度卷积计算部分：所述深度卷积部分提取输入规则权重中的隐藏特征，并将隐藏层权重转换为高纬度信息表示； 模糊结果表示部分：所述模糊结果表示部分是用来处理模糊推理中去模糊化的过程； 所述深度卷积部分将所述模糊逻辑前件部分生成的初始激发强度作为初始输入，并输出最终的激发强度，其与初始激发强度维度相同； 所述深度卷积计算部分主要由卷积层和全连接层组成； 所述卷积层包括一维卷积层、ReLU激活层和最大池化层； 所述全连接层包括Linear线性层和ReLU激活层； 所述初始输入经过卷积处理被一维卷积核扩展到高维，并在所述全连接层中展平到初始维度，其中，表示第层卷积层的中第个数据单元，表示第层卷积核的第权重，表示该层的偏置； 所述卷积层之后所串联的网络层是全连接的，表示第层的每个节点都连接到第层的所有节点，参数代表连接权重，代表节点的偏置，所述神经网络的前馈传播的公式为； 在所述卷积层之后所串联的网络层中，激活函数定义为，采用一维卷积来处理输入的激发强度； 所述模糊结果表示部分对于所述深度卷积计算部分中输出的最终激发强度，使用归一化算法计算归一化权重并表示出每个规则的激活等级； 所述归一化算法的公式为，其中，表示规则的归一化激发强度并且代表该规则对总权重的贡献； 模糊规则的后件部分是输入数据的线性组合，表示为，而即为第条规则的后件参数； 总输出定义为所有规则输出的加权和，具体公式为，其中，每个规则的权重指的是此规则归一化后的激发强度； 对于后续参数的计算，使用最小二乘估计器来获得优化结果，令且，令，并设估计误差为，则可得的修正公式为，其结果的均方误差函数在中定义，其中表示数据集的长度，而表示数据集的第个数据的实际标签，表示来自数据集的第个输入数据； 优化目标为最小化平方误差，当将代入时，可以用LSE拟合数据并得到中的后件参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人吉林大学，其通讯地址为：130000 吉林省长春市前进大街2699号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。