[發(fā)明專利]一種優(yōu)化大腦情感學(xué)習(xí)模型的乳腺癌數(shù)據(jù)分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710550139.7
• 申請(qǐng)日: 2017-07-07
• 公開（公告）號(hào): CN107392315B
• 公開（公告）日: 2021-04-09
• 發(fā)明（設(shè)計(jì)）人: 譚冠政;梅英
• 申請(qǐng)（專利權(quán)）人: 中南大學(xué)
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08;G06N3/12
• 代理公司: 長沙正奇專利事務(wù)所有限責(zé)任公司 43113
• 代理人: 馬強(qiáng);王娟

本發(fā)明公開了一種優(yōu)化大腦情感學(xué)習(xí)模型的方法。大腦情感學(xué)習(xí)模型模擬了大腦中杏仁體和眶額皮質(zhì)之間的情感學(xué)習(xí)機(jī)制，該模型具有計(jì)算復(fù)雜度低、運(yùn)算速度快的特點(diǎn)。本發(fā)明將自適應(yīng)遺傳算法引入改進(jìn)大腦情感學(xué)習(xí)模型中，用適應(yīng)度函數(shù)評(píng)估模型輸出，優(yōu)化改進(jìn)大腦情感學(xué)習(xí)模型中杏仁體和眶額皮質(zhì)單元的權(quán)值與閾值。該方法既利用了自適應(yīng)遺傳算法的全局搜索能力，又利用了大腦情感學(xué)習(xí)算法的快速局部搜索能力引導(dǎo)遺傳算法向最優(yōu)解快速逼近，從而提高了大腦情感學(xué)習(xí)模型的在數(shù)據(jù)分析上的快速性與準(zhǔn)確性。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)器學(xué)習(xí)與智能計(jì)算領(lǐng)域，特別涉及一種采用自適應(yīng)遺傳算法優(yōu)化大腦情感學(xué)習(xí)模型的乳腺癌數(shù)據(jù)分類方法。

背景技術(shù)

數(shù)據(jù)的分類或預(yù)測(cè)可以為系統(tǒng)的下一步?jīng)Q策提供指導(dǎo)。因此，數(shù)據(jù)分類或預(yù)測(cè)在機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘及模式識(shí)別等方面應(yīng)用廣泛。人工神經(jīng)網(wǎng)絡(luò)以其良好的自學(xué)習(xí)、自適應(yīng)性能在數(shù)據(jù)分析中得到了廣泛的應(yīng)用。然而，隨著數(shù)據(jù)復(fù)雜度的增加，傳統(tǒng)的BP學(xué)習(xí)算法因訓(xùn)練時(shí)間長、收斂速度慢等缺點(diǎn)難以滿足對(duì)數(shù)據(jù)進(jìn)行快速、準(zhǔn)確分析的要求。

2000年，Morén根據(jù)神經(jīng)解剖學(xué)的研究成果提出了基于大腦情感學(xué)習(xí)(BrainEmotional Learning，BEL)的計(jì)算模型，該模型根據(jù)大腦中杏仁體和眶額皮質(zhì)之間交互的神經(jīng)生物學(xué)原理建立，模擬了情感刺激在大腦短反射通路中引起快速情感反應(yīng)的機(jī)制。BEL模型計(jì)算復(fù)雜度低，運(yùn)算速度快，可以克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)，近年來在數(shù)據(jù)分析中表現(xiàn)出了一定的優(yōu)勢(shì)。

在BEL模型中，杏仁體和眶額皮質(zhì)間的權(quán)值調(diào)節(jié)方法對(duì)大腦情感學(xué)習(xí)效果起著決定性的作用。Morén提出了一種基于獎(jiǎng)勵(lì)信號(hào)的強(qiáng)化學(xué)習(xí)方法調(diào)節(jié)權(quán)值，但該方法導(dǎo)致模型的通用性不強(qiáng)。后來有學(xué)者將廣泛用于參數(shù)優(yōu)化的遺傳算法(Genetic Algorithm,GA)引入BEL模型，實(shí)現(xiàn)杏仁體和眶額皮質(zhì)權(quán)值的優(yōu)化調(diào)整，并將優(yōu)化后的BEL模型用于數(shù)據(jù)分析，該方法雖然增強(qiáng)了BEL模型的通用性。然而，基本遺傳算法在尋優(yōu)過程中存在一定的隨機(jī)性和盲目性，在搜索后期群體進(jìn)化速度減慢甚至不進(jìn)化，最終可能找不到最優(yōu)解。這是由于基本遺傳算法的參數(shù)設(shè)置固定，尤其是固定的交叉概率和變異概率，導(dǎo)致遺傳算法在求解問題時(shí)靈活度不高，搜索速度慢。

發(fā)明內(nèi)容

本發(fā)明為了克服上述現(xiàn)有技術(shù)存在的缺陷，提出了一種采用可變交叉概率和變異概率的自適應(yīng)遺傳算法(Adaptive Genetic Algorithm)來優(yōu)化大腦情感學(xué)習(xí)模型的乳腺癌數(shù)據(jù)分類方法。此外，進(jìn)一步改進(jìn)大腦情感學(xué)習(xí)模型結(jié)構(gòu)。

為解決上述技術(shù)問題，本發(fā)明所采用的技術(shù)方案是：一種優(yōu)化大腦情感學(xué)習(xí)模型的乳腺癌數(shù)據(jù)分類方法，包括以下步驟：

1)根據(jù)訓(xùn)練樣本特征建立基于大腦情感學(xué)習(xí)模型的改進(jìn)神經(jīng)網(wǎng)絡(luò)；

2)初始化改進(jìn)神經(jīng)網(wǎng)絡(luò)中杏仁體和眶額皮質(zhì)單元的權(quán)值與閾值；

3)采用遺傳算法中的輪盤賭法和最優(yōu)個(gè)體保存策略進(jìn)行選擇、自適應(yīng)交叉和自適應(yīng)變異操作，優(yōu)化改進(jìn)神經(jīng)網(wǎng)絡(luò)中杏仁體和眶額皮質(zhì)的權(quán)值與閾值；

4)將優(yōu)化后的權(quán)值與閾值組合更新至改進(jìn)神經(jīng)網(wǎng)絡(luò)中，得到最佳網(wǎng)絡(luò)結(jié)構(gòu)；

5)采用大腦情感學(xué)習(xí)算法分別計(jì)算杏仁體輸出、眶額皮質(zhì)輸出及在杏仁體和眶額皮質(zhì)的共同作用下的最佳網(wǎng)絡(luò)總體輸出，得到數(shù)據(jù)分類或預(yù)測(cè)結(jié)果。

步驟1)的具體實(shí)現(xiàn)過程包括：

1)建立基于大腦情感學(xué)習(xí)模型的三層神經(jīng)網(wǎng)絡(luò)，輸入層的節(jié)點(diǎn)數(shù)m由訓(xùn)練樣本的特征數(shù)確定，輸出層的節(jié)點(diǎn)數(shù)n由輸入樣本的可分類數(shù)確定，初始隱含層節(jié)點(diǎn)數(shù)n₁由經(jīng)驗(yàn)公式得到，其中，a為[1,10]常數(shù)；