1.一种基于改进降噪自动编码器的小于胎龄儿预测方法，其特征在于，包括：步骤1、获取小于胎龄儿数据：

所述小于胎龄儿数据包括文本特征和非文本特征，所述非文本特征包括连续型特征和离散型特征，所述连续型特征包括新生胎儿父母的身高、体重和年龄，所述离散型特征包括新生胎儿父母的职业、血型和是否吸烟；

步骤2、预处理数据：

对负样本中缺失值超过20％比例的样本进行删除，利用‑1固定值对缺失值进行填补；

步骤3、处理小于胎龄儿文本特征：对新生胎儿父母的文本特征进行分词，对分词完后的词进行停用词处理，并利用tf‑idf将词进行向量化处理；

步骤4、处理小于胎龄儿非文本特征：对连续型特征进行归一化处理，对离散型特征采用哑变量化操作；

步骤5、改进的降噪自动编码器进行无监督训练，从而抽象小于胎龄儿数据特征：改进的降噪自动编码器在输入层进行0到2倍之间的按照正态随机数随机变化，输出层则为不降噪的原特征；

步骤6、模型进行有监督参数微调：在改进的降噪自动编码器的最后一层加入一层sigmoid激活层来实现模型分类的功能，将样本的标签作输入，进行有监督的训练，对模型的参数进行微调，从而得到分类模型；

步骤7、预估胎儿是否是小于胎龄儿：根据分类模型对测试集进行预测分类，预估胎儿是否是小于胎龄儿。

2.如权利要求1所述的基于改进降噪自动编码器的小于胎龄儿预测方法，其特征在于，在步骤3中，利用python中jieba库对文本特征进行分词。

3.如权利要求1所述的基于改进降噪自动编码器的小于胎龄儿预测方法，其特征在于，在步骤5中，正态分布随机数的产生利用Box‑Muller法。

4.如权利要求1所述的基于改进降噪自动编码器的小于胎龄儿预测方法，其特征在于，在步骤5中，在自动编码器降噪中，选择隐藏层为[256,64,256]三层作为小于胎龄儿数据的特征。