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！

龙图腾网恭喜温州医科大学申请的专利基于人工智能的眼科疾病预测模型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：CN119478588B 。

龙图腾网通过国家知识产权局官网在2025-04-11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：202510046812.8，技术领域涉及：G06V10/774；该发明授权基于人工智能的眼科疾病预测模型训练方法是由颜博怀;苏凌宇;施雯婷;苏跃辉;张羽乐;单明浩;阙浩明;梁馨元;杨宇;徐怀钰;马晨曦;舒莞贻;陈贤亮;汪想想;李观正;张黎微设计研发完成，并于2025-01-13向国家知识产权局提交的专利申请。

本基于人工智能的眼科疾病预测模型训练方法在说明书摘要公布了：本申请涉及医疗保健信息学领域，具体涉及基于人工智能的眼科疾病预测模型训练方法；包括如下依次执行的步骤：S1：获取眼科疾病的数据集，并对所述数据集中的各张图像进行疾病标注；S2：对标注后的所述数据集进行数据扩充，获取眼科疾病的训练数据集；S3：利用基于动态权重重分配的神经网络算法作为特征提取模型对眼科疾病的训练数据集进行特征提取，获取眼科疾病的提取特征；S4：利用基于特征细化的自编码神经网络作为特征降维模型对提取特征进行降维，获取降维后的眼科疾病的初始低维特征；S5：将降维后的眼科疾病的初始低维特征输入到分类器模型进行训练，获取分类结果；S6：利用训练完成的模型对数据集进行分类；有效捕捉眼科疾病数据的特征。

本发明授权基于人工智能的眼科疾病预测模型训练方法在权利要求书中公布了：1.基于人工智能的眼科疾病预测模型训练方法，其特征在于：包括如下依次执行的步骤：S1：获取眼科疾病的数据集，并对所述数据集中的各张图像进行疾病标注；S2：对标注后的所述数据集采用基于多样本共振优化的生成对抗网络算法进行数据扩充，获取眼科疾病的训练数据集；步骤S2中采用基于多样本共振优化的生成对抗网络算法进行数据扩充，具体步骤如下：S201：初始化生成器和判别器的参数：生成器负责产生近似真实的眼科疾病数据，判别器则尝试区分生成样本与真实图像，设生成器为，判别器为，为生成器的参数，为判别器的参数；S202：在对抗训练阶段，采用正负约束机制通过动态调整损失函数中的权重来优化训练过程，约束条件为： ；其中，表示生成对抗网络算法的价值函数，是对抗训练过程中的约束条件，表示真实数据，表示从先验分布中采样的噪声，表示服从于预设分布，表示真实数据的分布，为判别器函数，为噪声分布，为生成器函数，是生成对抗网络的正则化权重系数，是生成对抗网络的正则化项，表示判别器，表示生成器，表示期望；生成对抗网络算法的正则化项，通过惩罚判别器输出对输入的敏感度来提高生成对抗网络算法的泛化能力，计算方式表示为： ；其中，是平滑化常数，是当前批次输入到生成对抗网络算法的样本数量，是第个真实数据，表示对真实数据的梯度，为L2范数，为稀疏化损失项，是样本的稀疏化权重，表示稀疏化损失项的权重，控制稀疏化损失项对总损失的影响程度；采用自适应的生成样本稀疏化策略优化生成样本的分布，稀疏化损失项的计算方式表示为： ；其中，是第个数据的稀疏化权重，是当前生成样本的均值，是为了防止除零而添加的预设常数，是第个输入到生成器的噪声；稀疏化权重的计算依赖于样本在生成空间的密度估计，其动态调整地方式表示为： ；式中，是稀疏化权重调节因子，是测量生成样本与当前生成样本集间密度的函数，表示当前生成样本集；S203：当生成器和判别器达到对抗平衡后，采用多样本共振优化策略，设多样本共振优化策略依据共振指标选择样本进行重点训练，共振优化函数表示为： ；式中，表示生成器的学习率，表示共振优化的权重，表示共振优化函数，表示参数更新操作，表示关于生成器参数的梯度，为共振标准样本；共振优化函数依赖于生成器的生成样本与共振指标的关系，具体通过指数衰减的平方误差和来增强生成样本与共振样本之间的相似度，以增加模型对数据特征的响应性，指数衰减的平方误差和计算方式表示为： ；式中，是控制共振敏感度的调节因子，是生成样本的数量，是第个共振标准样本，是第个输入到生成器的噪声，表示自然指数函数，表示L2范数的平方；S204：重复上述步骤S202-S203，直至满足预设的停止迭代条件，输出眼科疾病的训练数据集；S3：利用基于动态权重重分配的神经网络算法作为特征提取模型对眼科疾病的训练数据集进行特征提取，获取眼科疾病的提取特征；步骤S3中，所述特征提取模型为全连接神经网络，具体的训练步骤如下：S301：初始化全连接神经网络的参数：采用如下公式（1）计算神经网络的初始权重矩阵，采用如下公式（2）计算神经网络的初始偏置向量： （1）； （2）；其中，是眼科疾病的训练数据集的特征空间的维度，是眼科疾病的训练数据集的样本数量的维度，randn函数用于生成具有标准正态分布的随机数，S302：全连接神经网络在每次迭代中，将眼科疾病的训练数据集进行前向传播，每一层的输入都由前一层的输出和当前层的参数决定，每个眼科疾病的训练数据集的数据都被映射到由超平面定义的新的特征空间，由如下公式表示特征提取后的特征向量； ；其中，表示输入到全连接神经网络的眼科疾病的训练数据集的特征向量，是Sigmoid激活函数，和分别是在训练第t次迭代后的全连接神经网络的权重和偏置；S303：假设为全连接神经网络中第I层的输出，设置动态权重重分配网络，采用如下公式计算全连接神经网络的第I层的动态权重重分配网络的评估特征： ；其中，是标准化函数，用于评估该层输出的活跃度或信息量；采用如下公式计算全连接神经网络的第I层的权重调整系数： ；其中，和是动态权重重分配网络的权重和偏置，用于从评估指标生成每层的权重调整系数，为预设的softmax函数，是全连接神经网络的第I层的动态权重重分配网络的评估特征；经过上述权重调整后，采用如下公式计算出经过权重调整后第I层的输出： ；其中，为动态调整因子，根据梯度的强度自适应地放大或抑制全连接神经网络的输出，增强特征提取模型对重要特征的敏感性；采用梯度导向自适应特征增强策略，利用反向传播过程中的梯度信息，自适应地强化特征提取模型中重要的特征表示，设对应于的损失函数梯度为，通过梯度导向自适应特征增强，动态调整因子的计算方式表示为： ；其中，是的模长，用于评估该层在训练过程中的影响力；S304：在特征转换过程中，通过正则化实现特征的稀疏化，在全连接神经网络的损失函数中采用L1范数进行稀疏化，全连接神经网络的损失函数如下所示： ；其中，是目标输出，即输入样本随所对应的真实标签向量；是L2范数的平方，是L1范数，用于实现权重的稀疏化，是全连接神经网络的正则化系数，调控稀疏化的程度，是从全连接神经网络的层输出到预测输出的映射函数，是经过权重调整后的第层输出，为稀疏正则项；稀疏正则项用来增强特征提取模型的泛化能力，的计算方式表示为： ；其中，是神经网络的权重矩阵中的第行和第列的元素；采用基于训练误差的自适应调整机制，正则化参数随着迭代进展指数衰减，全连接神经网络的第t次迭代的正则化系数的计算方式表示为： ；其中，是初始全连接神经网络的正则化强度，是全连接神经网络的衰减率，是当前迭代次数，是总迭代次数；S305：根据损失函数计算得到的梯度，通过反向传播算法调整全连接神经网络的参数，优化超平面位置和全连接神经网络权重，全连接神经网络的参数更新表示如下： ；其中，是全连接神经网络的参数更新学习率，决定参数更新的步长，和分别是在训练第t次迭代后的全连接神经网络的权重和偏置，和分别是全连接神经网络的权重和偏置的梯度，为第次迭代的全连接神经网络的权重，为第次迭代的全连接神经网络的权重，为第次迭代的全连接神经网络的偏置，为第次迭代的全连接神经网络的偏置，为偏导数符号；S306：重复迭代上述步骤S302-S305，直至满足预设的停止迭代条件，输出提取特征；S4：利用基于特征细化的自编码神经网络作为特征降维模型对提取特征进行降维，获取降维后的眼科疾病的初始低维特征；将所述提取特征输入到特征降维模型中进行训练，所述特征降维模型包括编码器、解码器和特征调整模块，所述特征降维模型的具体训练步骤如下：S401：编码器采用多层非线性映射结构，将提取特征从高维数据映射到初始低维特征空间，初始低维特征表示为： ；其中，为编码器的权重矩阵，为编码器的偏置向量，为编码器的多层Sigmoid激活函数；S402：在初始低维特征生成后，所述特征调整模块根据当前特征空间中的特征重要性，自动生成特征权重，所述特征调整模块初始化时对所有特征赋予相同的初始权重，以便后续步骤中根据特征贡献逐步调整，初始权重矩阵的计算方式表示为： ；其中，为特征权重向量，中的每个元素初始化为相同的值，表示所有初始低维特征在初始阶段具有相同的重要性，为提取矩阵的对角线元素的函数；降维后的眼科疾病的初始低维特征表示为： ；S403：所述特征调整模块对降维后的眼科疾病的初始低维特征进行递归优化，在每一轮迭代中，所述特征调整模块会根据前一轮特征的表现，调整各个特征的权重，逐步增强那些有重要影响的特征，并逐步削弱冗余或噪声特征，设第轮迭代中，第轮迭代的特征权重为： ；其中，表示第轮迭代的特征权重，为所述特征降维模型的学习率，为所述特征降维模型的损失函数，为标签数据，表示损失函数对特征权重的梯度；S404：解码器将低维特征重新映射回高维特征，以确保降维过程中没有丢失重要信息，解码器的重构后的高维数据为： ；其中，为解码器的权重矩阵，为解码器的偏置向量，为解码器的多层Sigmoid激活函数；S405：重复迭代步骤S402-S404，直至满足预设的停止迭代条件，输出降维后的眼科疾病的初始低维特征；S5：将降维后的眼科疾病的初始低维特征输入到分类器模型中进行训练，输出眼科疾病分类结果；S6：将所述数据集输入到训练完成的所述特征提取模型和所述特征降维模型中进行特征处理，处理得到的特征输入到训练完成的所述分类器模型中进行分类，获取眼科疾病预测结果。

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温州医科大学，其通讯地址为：325027 浙江省温州市鹿城区学院西路82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”。