[發明專利]一種優化大腦情感學習模型的乳腺癌數據分類方法

有效

• 申請號: 201710550139.7
• 申請日: 2017-07-07
• 公開（公告）號: CN107392315B
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 譚冠政;梅英
• 申請（專利權）人: 中南大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/12
• 代理公司: 長沙正奇專利事務所有限責任公司 43113
• 代理人: 馬強;王娟

1.一種優化大腦情感學習模型的乳腺癌數據分類方法，其特征在于，包括以下步驟：

1)根據訓練樣本特征建立基于大腦情感學習模型的改進神經網絡，所述訓練樣本為乳腺癌數據集70％的樣本數據；

2)初始化改進神經網絡中杏仁體和眶額皮質單元的權值與閾值；

3)采用遺傳算法中的輪盤賭法和最優個體保存策略進行選擇、自適應交叉和自適應變異操作，優化改進神經網絡中杏仁體和眶額皮質的權值與閾值；

步驟3)的具體實現過程包括：

A.將改進神經網絡的權值與閾值順序分布在染色體基因序列上；染色體編碼形式為：Ch＝[v₁,...,v_m+1,w₁,...,w_m,b_o,b_a]，其中，v₁,...,v_m+1表示杏仁體各節點間的權值，b_a為杏仁體神經元閾值，w₁,...,w_m表示眶額皮質各節點間的權值，b_o為眶額皮質神經元閾值，m為訓練樣本的病理特征數，每條染色體包含的基因數為2m+3；

B.初始化染色體中的權值與閾值，采用大腦情感學習算法計算改進后的大腦情感學習網絡輸出E，計算公式為：

E＝E_a-E_o

其中，E_a表示杏仁體輸出，E_o表示眶額皮質輸出，S_i表示輸入的訓練樣本，即乳腺癌的病理特征，A_th表示通過丘腦傳遞給杏仁體的信號，A_th＝max(S₁,S₂,...,S_m)；

C.采用適應度函數評估染色體，適應度函數定義為：其中，Ch_k表示第k種輸入模式下染色體中權值與閾值的分配；E_k為第k種輸入模式下大腦情感學習網絡的實際輸出；T_k為對應第k種輸入模式的期望輸出，N代表訓練樣本的數量；

D.利用改進神經網絡的實際輸出E_k與目標值T_k計算出染色體適應度值F，如果當前的適應度值F與上一次迭代的適應度值F的誤差大于允許誤差閾值，則不滿足適應度的要求，則采用遺傳算法中的選擇、自適應交叉和變異操作來改變染色體，實現其基因位上權值與閾值的更新；

按步驟B中的公式計算改進神經網絡輸出E，利用步驟C中適應度函數評價染色體的適應度值，直到當前迭代結果與上一次迭代結果的誤差小于誤差閾值，則得到了最佳染色體，即優化后的權值與閾值的組合；

4)將優化后的權值與閾值更新至改進神經網絡中，得到最佳網絡結構；

5)采用大腦情感學習算法分別計算杏仁體輸出、眶額皮質輸出及在杏仁體和眶額皮質的共同作用下的最佳網絡總體輸出，得到乳腺癌數據分類結果。

2.根據權利要求1所述的優化大腦情感學習模型的乳腺癌數據分類方法，其特征在于，步驟1)的具體實現過程包括：

1)建立基于大腦情感學習模型的三層神經網絡，輸入層的節點數m由訓練樣本的病理特征數確定，輸出層的節點數n由輸入樣本的可分類數確定，初始隱含層節點數n₁由經驗公式得到，其中，a為[1,10]常數；

2)將大腦情感學習模型中的獎勵信號去掉，采用自適應遺傳算法學習代替基于獎勵信號的強化學習，實現對大腦情感學習模型的三層神經網絡中杏仁體和眶額皮質權值與閾值的優化調整：以神經網絡輸入層、隱含層、輸出層的權值和閾值構成染色體，通過自適應遺傳算法訓練網絡，選出最優染色體，染色體基因位上的值對應改進后神經網絡的參數；

3)在去掉大腦情感學習模型的獎勵信號的基礎上，根據大腦中杏仁體和眶額皮質間的交互機制，在三層神經網絡隱含層的杏仁體和眶額皮質神經元中添加閾值，即得到基于大腦情感學習模型的改進神經網絡。

3.根據權利要求1所述的優化大腦情感學習模型的乳腺癌數據分類方法，其特征在于，杏仁體和眶額皮質神經元的閾值取值范圍為[-1,1]。

4.根據權利要求1所述的優化大腦情感學習模型的乳腺癌數據分類方法，其特征在于，所述誤差閾值取值為0.0001～0.001。