核logistic神经网络分类器,一方面结合了核logistic回归的非线性特征处理能力和概率描述能力,保证了模型的泛化性能;另一方面又对模型的网络结构做出了创新和改进,使模型结构更加优化。模型使用受限玻尔兹曼机进行预训练,能够得到较好的网络参数初始值。本文分别探讨了基于受限玻尔兹曼机的核logistic神经网络二分类模型和多分类模型,并将其应用到血液透析诊断中,建立血液透析评价模型。本文的主要工作如下:首先提出了一种基于受限玻尔兹曼机的核logistic神经网络二分类模型。该模型将核logistic回归与人工神经网络相结合,使模型既具有自主学习能力,又能处理线性不可分问题。网络先通过受限玻尔兹曼机的无监督训练进行特征学习,获得待辨识参数的初始值,减小了初始参数的随机性带来的影响。采用带伸缩因子的变论域学习率对待辨识参数进行学习,并通过学习率的动态调节提高模型收敛速度。数值仿真表明,对UCI数据集和实测医疗数据集而言,本文提出的二分类模型相比其它分类算法能得到更高的分类精度。其次本文在二分类模型的基础上提出了核logistic神经网络多分类模型,用于处理多分类问题。模型采用“一对多”思想的多分类算法将模型划分为多个二分类器,输出结果采用最大值策略,选择输出概率最大的类标号作为最终类别。数值仿真采用交叉验证的方法,取多次仿真结果的平均值,UCI数据集和实测医疗数据集仿真结果表明,提出的多分类模型相比其它多分类方法能取得更加准确的分类结果。最后针对血液透析关键变量选取问题,本文使用核logistic神经网络多分类模型对尿毒症数据进行分类分析,并将选取的9个关键指标进行T-S模糊神经网络建模,建立血液透析评价模型,进而对评价模型的参数进行了优化。通过将血液透析数据与其他疾病数据和健康人数据进行结果对比,以及对模型进行生存曲线分析,验证了所建评价模型的有效性。