[發明專利]一種基于確定性粒子群優化和支持向量機的腫瘤識別方法

有效

• 申請號: 201710122492.5
• 申請日: 2017-03-03
• 公開（公告）號: CN106971091B
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 韓飛;李佳玲;凌青華;周從華;崔寶祥;宋余慶
• 申請（專利權）人: 江蘇大學
• 主分類號: G16B40/20
• 分類號: G16B40/20;G16B25/10;G06K9/62;G06N3/00
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于確定性粒子群優化和支持向量機的腫瘤識別方法，其特征在于，包括下列步驟：

步驟1腫瘤基因表達譜數據集的預處理，首先將腫瘤基因表達譜數據集劃分為訓練集和測試集，然后對數據集進行歸一化處理，獲取最終的關鍵基因子集；步驟2提出確定性粒子群優化算法IGPSO，在訓練集上，使用確定性粒子群優化算法優化支持向量機SVM；步驟3在測試集上，使用步驟2中優化得到的支持向量機SVM來對腫瘤基因表達譜數據集進行識別；

所述步驟2中使用確定性粒子群優化算法優化支持向量機SVM包含下列步驟：

步驟3.1：設定SVM的C，σ參數搜索空間，m_i，min≤m_i≤m_i，max，其中懲罰因子C，核函數參數σ，m_i為第i個參數的值，i表示參數個數，這里設置為2，算法開始時在搜索空間上隨意選擇一個參數值m；SVM的分類規則方程如式(7)：

訓練集T{(x_i，y_i)；x_i∈Rⁿ；y_i＝±1；i＝1，2，...，r}，其中：x_i為訓練樣本，x為待判斷樣本，b為門限，α_i是拉格朗日乘子，K(x_i，x)為核函數；

支持向量機求解的最優化問題和所構建的分類決策函數如下：

其中K(x，x_i)為核函數，x_i為訓練樣本，b為門限，α_i是拉格朗日乘子，其作用是將其特征空間映射到高維空間；在實際應用中，特征基因數量小，所以采用基于RBF的SVM分類器對腫瘤樣本進行分類，RBF表示如下：

步驟3.2：設置粒子群的大小為N，分類準確率要求為F，擴展因子為Ex，局域大小為w＝[w₁，w₂]，最大重試次數為T_max，重試次數t和擴大因子開始為0；

步驟3.3：算法開始時根據初始化的搜索空間p＝[p₁，p₂]，按擴展因子Ex擴大搜索空間，按步驟3.4至3.7計算局域位置，使得局域落在搜索空間p+0.6Ex*w中；

步驟3.4：計算x對應的分類性能函數f_p；

步驟3.5：以IGPSO算法尋找最優值，得出最優值對應的分類性能函數f_c；

步驟3.6：若搜索到更好的分類率，即f_p＜f_c，則t和Ex置為0，否則t＝t+1；

步驟3.7：若t≥T_max，則置t為0，Ex＝Ex+1，此時有可能已陷入局部最優，增大搜索范圍以便跳出當前的局部區域；

步驟3.8：若達到分類準確率要求，即f_p≤F，則輸出{C，σ}的值和分類準確率，算法結束，否則轉步驟3.3；

對支持向量機的兩個參數進行初始設置，其搜索范圍{0＜C＜16，0＜σ＜6}，最大重試次數設置為10，C的擴大步長為0.3，σ的擴大步長為0.1，結合最終關鍵基因子集，用IGPSO算法對支持向量機的這兩個參數進行優化，IGPSO算法在局域內粒子按照性能函數的分類率對參數{C，σ}的梯度方向進行搜索，如果達到最大重試次數，未找到更好的分類率，則擴大搜索范圍。