基于遺傳算法改進(jìn)的人工神經(jīng)網(wǎng)絡(luò)的研究以及在肺癌預(yù)測的應(yīng)用.pdf

1、神經(jīng)網(wǎng)絡(luò)能精確地對復(fù)雜問題進(jìn)行預(yù)測，但易受訓(xùn)練過度的影響且訓(xùn)練速度慢。遺傳算法是一種全局優(yōu)化搜索算法，具有簡單通用，魯棒性強等特點，然而，它的擬合度函數(shù)變化很大。這種方法的要求是擬合度函數(shù)必須收斂于最小誤差，這為具體的實現(xiàn)方案留下了許多自由空間。將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來使用可以在較高的層次上提高模型的可理解性。本文提出了改進(jìn)的遺傳算法結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)的肺癌治療手段預(yù)測系統(tǒng)，本文工作主要包括： 1．對遺傳算法和人工神經(jīng)網(wǎng)絡(luò)

2、進(jìn)行了詳細(xì)的研究 包括遺傳算法原型，遺傳算法編碼的方式，基于誤差逆?zhèn)鞑ニ惴?BP算法)的神經(jīng)網(wǎng)絡(luò)方法。對遺傳算法和人工神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點進(jìn)行了討論。 2．提出了改進(jìn)的遺傳算法結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)的預(yù)測方法 參考了目前遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合方法：一是對神經(jīng)網(wǎng)絡(luò)初始權(quán)值進(jìn)行優(yōu)化；二是采用進(jìn)化的神經(jīng)網(wǎng)絡(luò)方法(Evolving Neural Networks，簡稱ENN)，完全用遺傳算法替代BP學(xué)習(xí)，以避免梯度下降法的缺

3、陷。但這兩種結(jié)合方法都存在著較大的缺陷：對于前者，遺傳算法本身也存在早熟收斂問題，因此該方法仍然不能保證后繼的網(wǎng)絡(luò)訓(xùn)練不會陷入局部極小區(qū)域；對于后者，由于遺傳算法本身局部搜索能力較弱的特性使得進(jìn)化神經(jīng)網(wǎng)絡(luò)需要一個較大范圍的初始權(quán)值區(qū)域，由此造成的復(fù)雜度升高使得訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)泛化能力并不理想，同時，遺傳算法的種群計算常常使得其訓(xùn)練開銷比BP算法的時間開銷大得多。 基于上述分析，本文提出了改進(jìn)的遺傳算法結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)方法?？?/p>

4、慮到遺傳算法在搜索過程中不斷地向可能包含最優(yōu)解的方向調(diào)整搜索空間，搜索到全局最優(yōu)解的概率比起單純的神經(jīng)網(wǎng)絡(luò)算法來說要大得多，而在局部搜索方面則不如神經(jīng)網(wǎng)絡(luò)算法，本文嘗試分兩階段使用遺傳算法改善網(wǎng)絡(luò)訓(xùn)練質(zhì)量，首先通過遺傳算法進(jìn)行粗調(diào)得到一個全局的近似解，以此為初值，再采用遺傳算法和BP人工神經(jīng)網(wǎng)絡(luò)算法交替運行訓(xùn)練，BP人工神經(jīng)網(wǎng)絡(luò)算法到遺傳算法的切換可通過所指定的精度或局部最大步數(shù)來實現(xiàn)，遺傳算法到BP人工神經(jīng)網(wǎng)絡(luò)算法的切換可通過一次完整

5、的遺傳算子操作(選擇算子，交叉算子，變異算子)來實現(xiàn)，這樣互以對方的訓(xùn)練結(jié)果作為自己的初始權(quán)值或初始群體，反復(fù)交替訓(xùn)練，直到達(dá)到所指定的精度或最大交替步數(shù)為止。 通過在典型數(shù)據(jù)集上進(jìn)行實驗，發(fā)現(xiàn)改進(jìn)的遺傳算法結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)方法(GBP算法)在誤判率上比參與比較的其他算法要好，在收斂速度上略慢于HAAM算法。實驗表明，HAAM算法雖然在收斂速度上比GBP算法快，但其泛化性能卻有所下降；而GBP算法通過在訓(xùn)練初期單獨使用遺傳算

6、法和訓(xùn)練中期與BP算法交替使用，既優(yōu)化了網(wǎng)絡(luò)初始權(quán)值，又能有效地調(diào)整每次BP算法所使用的初始權(quán)值，同時，BP算法也增強了遺傳算法的局部搜索能力；使得網(wǎng)絡(luò)訓(xùn)練不易陷入局部極小點，得到的網(wǎng)絡(luò)具有更好的泛化能力。 3．基于GBP算法開發(fā)了數(shù)據(jù)預(yù)測系統(tǒng)，并應(yīng)用于肺癌治療手段預(yù)測 在本文提出的改進(jìn)的遺傳算法結(jié)合BP人工神經(jīng)網(wǎng)絡(luò)方法基礎(chǔ)上，實現(xiàn)了肺癌治療手段預(yù)測系統(tǒng)，該系統(tǒng)由數(shù)據(jù)預(yù)處理，訓(xùn)練和結(jié)果顯示三部分組成。數(shù)據(jù)預(yù)處理部分主要是

7、將數(shù)據(jù)庫中的數(shù)據(jù)表進(jìn)行處理，將表中缺失的數(shù)據(jù)補全，對錯誤數(shù)據(jù)進(jìn)行修改；根據(jù)用戶的需要有選擇地對表中的數(shù)據(jù)進(jìn)行訓(xùn)練，如可以對表的屬性列和記錄行進(jìn)行精簡。訓(xùn)練部分將訓(xùn)練要用到的各項參數(shù)以窗體的形式顯示給用戶，供其根據(jù)需要設(shè)置，如訓(xùn)練精度，最大訓(xùn)練次數(shù)等。結(jié)果顯示部分，以數(shù)據(jù)表的形式將結(jié)果顯示給用戶。 最后，本工程使用了美國卡內(nèi)基梅隆大學(xué)中的關(guān)于肺癌治療數(shù)據(jù)庫，將細(xì)胞類型、病人存活時間、狀態(tài)、患者生活質(zhì)量評分、治療起始時間、年齡的數(shù)據(jù)