基于Hadoop环境BP改进算法的脉象识别应用研究

目的 分析脉象识别误差大小的影响因素，提高对海量脉诊数据的处理速度，探索减小脉象主观识别误差的方法。方法 运用基于Hadoop环境的MapReduce分布式计算方法改进BP算法，采用改进的BP算法对脉诊样本数据进行自学习，从而减小拟和误差。将中医电子脉诊仪采集的脉诊数据作为神经网络输入层，采用动量-学习率自适应调整快速BP算法对神经网络进行训练。结果 在训练集（75%）768 M共35 890条数据中，单机模式正确预测29 150条，正确率为81.22%；MapRedece并行改进的BP算法模式正确预测35 841条，正确率为99.86%。结论 与传统BP算法相比，基于Hadoop环境的MapReduce分布式计算方法改进的BP算法模型拟合度误差更小，精确度更高