主权项 |
1.一种多支撑向量机模型的磁共振并行成像方法,其特征在于:包括如下步骤:(1)用多通道线圈对K空间中间区域进行全采样后,将其划分为训练集和检验集,除中间区域以外的其他区域加速采样后作为预测集,并对各集合内的数据进行归一化处理;(2)将训练集划分为多组训练子集,利用支撑向量机,选择不同的核函数和拟合参数对各训练子集进行训练,得到不同的联合权重函数模型;(3)将上述不同的联合权重函数模型应用到检验集进行检验,对于每一个权重函数模型,其在检验集上的均方根误差定义为:<img file="FDA0000371059760000011.GIF" wi="511" he="166" />选取均方根误差最小的N<sub>m</sub>个子模型作为最佳子模型,其中,n为检验集的大小,<img file="FDA0000371059760000012.GIF" wi="55" he="92" />为通过权重函数计算得到的估计值,y是检验集里本身采集到的值;(4)分别使用步骤(3)选取的最佳子模型对预测集进行预测,取其平均值作为未采集点的值,反归一化处理后,将K空间数据转换为图像;步骤(2)中,选择一种改进的支撑向量机v-SVR,其目标优化问题为:<maths num="0001"><![CDATA[<math><mrow><mi>min</mi><mi>imizeτ</mi><mrow><mo>(</mo><mi>w</mi><mo>,</mo><msup><mi>ξ</mi><mrow><mo>(</mo><mo>*</mo><mo>)</mo></mrow></msup><mo>,</mo><mi>ϵ</mi><mo>)</mo></mrow><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><msup><mrow><mo>|</mo><mo>|</mo><mi>w</mi><mo>|</mo><mo>|</mo></mrow><mn>2</mn></msup><mo>+</mo><mi>C</mi><mo>·</mo><mrow><mo>(</mo><mi>vϵ</mi><mo>+</mo><mfrac><mn>1</mn><mi>l</mi></mfrac><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mn>1</mn></munderover><mrow><mo>(</mo><msub><mi>ξ</mi><mi>i</mi></msub><mo>+</mo><msubsup><mi>ξ</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mo>)</mo></mrow><mo>,</mo></mrow></math>]]></maths>subject to((w·x<sub>i</sub>)+b)-y<sub>i</sub>≤ε+ξ<sub>i</sub><maths num="0002"><![CDATA[<math><mrow><msub><mi>y</mi><mi>i</mi></msub><mo>-</mo><mrow><mo>(</mo><mrow><mo>(</mo><mi>w</mi><mo>·</mo><msub><mi>x</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>b</mi><mo>)</mo></mrow><mo>≤</mo><mi>ϵ</mi><mo>+</mo><msubsup><mi>ξ</mi><mi>i</mi><mo>*</mo></msubsup></mrow></math>]]></maths><maths num="0003"><![CDATA[<math><mrow><msubsup><mi>ξ</mi><mi>i</mi><mo>*</mo></msubsup><mo>≥</mo><mn>0</mn><mo>,</mo><mi>ϵ</mi><mo>≥</mo><mn>0</mn><mo>;</mo></mrow></math>]]></maths>其中,设求解的线性函数为y=wx+b,x为训练集中参考点的原始值,w为各参考点的联合权重值,b为线性函数在Y轴上的截距,y为训练集中目标点的原始值,C是平衡因子,调节目标函数y的平滑度和误差,ε为误差精度控制项,能够被另一个变量v自动的调节,v∈(0,1),代表误差点所占比例的上限,l为训练样本总数,ξ<sub>i</sub>和<img file="FDA0000371059760000016.GIF" wi="58" he="76" />为松弛变量,通过引入核函数并解此优化问题的对偶形式:<maths num="0004"><![CDATA[<math><mrow><munder><mi>min</mi><mrow><mi>α</mi><mo>,</mo><msub><mi>α</mi><mi>i</mi></msub></mrow></munder><mfrac><mn>1</mn><mn>2</mn></mfrac><munder><mi>Σ</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></munder><mrow><mo>(</mo><msub><mi>α</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>α</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mrow><mo>(</mo><msub><mi>α</mi><mi>j</mi></msub><mo>-</mo><msubsup><mi>α</mi><mi>j</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mi>k</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>,</mo><msub><mi>x</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>+</mo><munder><mi>Σ</mi><mi>i</mi></munder><msub><mi>y</mi><mi>i</mi></msub><mrow><mo>(</mo><msub><mi>α</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>α</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow></mrow></math>]]></maths><maths num="0005"><![CDATA[<math><mrow><mi>subjectto</mi><munder><mi>Σ</mi><mi>i</mi></munder><mrow><mo>(</mo><msub><mi>α</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>α</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mo>=</mo><mn>0</mn></mrow></math>]]></maths><maths num="0006"><![CDATA[<math><mrow><munder><mi>Σ</mi><mi>i</mi></munder><mrow><mo>(</mo><msub><mi>α</mi><mi>i</mi></msub><mo>+</mo><msubsup><mi>α</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mo>≤</mo><mi>C</mi><mo>·</mo><mi>v</mi></mrow></math>]]></maths><maths num="0007"><![CDATA[<math><mrow><msub><mi>α</mi><mi>i</mi></msub><mo>,</mo><msubsup><mi>α</mi><mi>i</mi><mo>*</mo></msubsup><mo>∈</mo><mo>[</mo><mn>0</mn><mo>,</mo><mi>C</mi><mo>/</mo><mi>l</mi><mo>]</mo><mo>,</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mi>l</mi></mrow></math>]]></maths>其中,<img file="FDA0000371059760000027.GIF" wi="127" he="64" />为待求解的拉格朗日变量,k(x<sub>i</sub>,x<sub>j</sub>)为核函数,对不同的训练子集选择不同的核函数和拟合参数C和v进行训练。 |