[發明專利]用于睡眠腦電分期特征選擇的自適應模擬退火遺傳算法

在審

• 申請號: 201710484675.1
• 申請日: 2017-06-23
• 公開（公告）號: CN107220708A
• 公開（公告）日: 2017-09-29
• 發明（設計）人: 劉丹;王啟松;劉志勇;劉昕;張巖;孫金瑋
• 申請（專利權）人: 哈爾濱工業大學
• 主分類號: G06N3/12
• 分類號: G06N3/12;G06K9/62;A61B5/0476;A61B5/00
• 代理公司: 北京天奇智新知識產權代理有限公司11340
• 代理人: 范光曄

技術領域

本發明涉及一種用于睡眠腦電分期特征選擇的自適應模擬退火遺傳算法，屬于自適應模擬退火遺傳算法技術領域。

背景技術

特征選擇是通過某種算法從全部特征參數集中篩選出少量的最適合于區分不同任務的特征參數。當特征參數數量較少時，可通過窮舉法計算所有的特征參數組合來篩選最優特征參數。而當特征參數數量較多時，窮舉法幾乎不可能實現。隨著模式識別算法的發展，特征參數選擇已成為優化特征參數分類模型的重要手段。特征參數選擇不僅可以簡化所建立的特征分類模型，還可以最大程度地對輸入變量進行優化選擇，去除與輸出變量無關的輸入變量，進而提高分類模型的泛化特性和穩健性。

目前，腦電信號特征參數選擇算法應用較多的有聚類分析法和智能優化算法等。聚類分析法通過參數之間的可分離性、交互信息等進行參數選擇。另一類重要的特征參數選擇算法是智能優化算法，此類算法通過模擬生物進化論優勝劣汰等自然規律，以實際問題的最優解作為訓練目標函數進行反復的迭代運算，篩選出最佳的特征參數組合。其中，遺傳算法因具有全局最優、易于實現、魯棒性較高等優勢已經成功應用于許多領域。該算法通過編碼方式將待選擇變量模擬為遺傳學中的染色體，通過遺傳、交叉和變異的方式對染色體編碼進行優化迭代，最終得到最優的結果。算法操作過程中以適應度函數作為目標函數，具有高效的并行計算特點，提高了選擇效率。但是，該算法的不足之處在于：(1)需要根據實際優化問題自行設計適應度函數的類型和參數，沒有通用的適應度函數標準；(2)易陷入局部最優；(3)收斂速度慢。近年來，人們從編碼方式、控制參數的確定和交叉機理等方面對基本遺傳算法進行了改進，改善了其易快速收斂到局部最優的缺點，提高了收斂速度。其中，最具代表性的是自適應遺傳算法(Adaptive Genetic Algorithm，AGA)和模擬退火遺傳算法(Simulated Annealing Genetic Algorithm，SAGA)。

自適應遺傳算法通過個體適應度值的當前趨勢，對交叉概率和變異概率進行調整，克服了基本遺傳算法過早收斂到局部最優的缺點。模擬退火遺傳算法同時保留了模擬退火算法較強的局部搜索能力以及遺傳算法較強的總體搜索能力，通過兩種方法的優勢互補，提高了尋優能力。但該算法在對迭代過程中的個體進行模擬退火操作時，在當前最優解的鄰域內隨機產生新解的機制存在致命缺陷，嚴重影響解的質量。

綜上所述，目前已有的模擬退火遺傳算法特在特征選擇過程中的鄰域設置沒有嚴格的定義，鄰域區間的選擇對于解得穩定性影響較大，嚴重的還會造成迭代結果不收斂。

發明內容

本發明的目的是為了解決上述現有技術存在的問題，進而提供一種用于睡眠腦電分期特征選擇的自適應模擬退火遺傳算法。

本發明的目的是通過以下技術方案實現的：

一種用于睡眠腦電分期特征選擇的自適應模擬退火遺傳算法，

首先將自適應遺傳算法交叉概率和變異概率的自適應調整機制加入到模擬退火遺傳算法中；其次，采用基因優化算法代替模擬退火遺傳算法中的鄰域隨機選擇機制；最后，設計加權適應度函數，保證分類結果的正確率和相似性。

具體步驟如下：

步驟一、特征參數編碼：設初始特征向量為X＝{x₁,x₂,…,x_n}，n為待選擇特征參數個數；采用0/1對其進行編碼，1代表選中，0代表未選中；例如，S＝{1,1,0,0,1,0,0,…,0}，表示選擇了特征參數x₁、x₂和x₅三個特征參數；

步驟二、適應度函數設計：適應度函數具體描述如式(1)所示：

F(S_i)＝ω×f(S_i)+(1-ω)×c(S_i),i＝1,2,...,n(1)

其中，f(S_i)為第i個特征參數編碼的分類精度，c(S_i)為第i個特征參數編碼分類結果與目標結果的相似系數，ω為調整系數，取0.6～0.8；

步驟三、自適應交叉操作：通過式(2)所示交叉概率p_c，調整機制進行自適應交叉操作，選擇算術交叉Arithmetic Crossover算子；