基于干細(xì)胞機(jī)制的進(jìn)化神經(jīng)網(wǎng)絡(luò)及其應(yīng)用研究.pdf

1、誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BPN)具有自適應(yīng)、自學(xué)習(xí)能力強(qiáng)等特點(diǎn),在解決非線(xiàn)性的復(fù)雜問(wèn)題上有著重要價(jià)值。但它存在易陷入局部最小、收斂速度慢、泛化能力不強(qiáng)等缺點(diǎn)。本文從訓(xùn)練樣本和訓(xùn)練算法著手,對(duì)BPN的優(yōu)化進(jìn)行了研究,并在此基礎(chǔ)上,對(duì)建立胃部疾病超聲診斷模型進(jìn)行了研究。
　　 首先,本文利用均矢量相似性,對(duì)BPN訓(xùn)練樣本集的分割方法進(jìn)行了研究。一般來(lái)說(shuō),數(shù)據(jù)收集完成后,總樣本就已經(jīng)確定,因此,提高訓(xùn)練樣本質(zhì)量主要從樣本抽取方法著手。為

2、了提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本的質(zhì)量,本文基于均矢量相似性提出了一種樣本集分割的新方法(SSSMV)。SSSMV將每個(gè)樣本表示為一個(gè)矢量,并構(gòu)建一個(gè)由均值組成的虛擬矢量(均矢量),計(jì)算出每個(gè)樣本矢量與均矢量之間的相似性,然后根據(jù)相似性、樣本所屬類(lèi)別抽取樣本,生成訓(xùn)練樣本集。利用UCI數(shù)據(jù)集,對(duì)分割算法進(jìn)行仿真研究。Hotelling T2檢驗(yàn)顯示,SSSMV產(chǎn)生的訓(xùn)練樣本集與測(cè)試樣本集之間不存在顯著性差異,優(yōu)于隨機(jī)分割方法(RSS)。SSSMV

3、、RSS產(chǎn)生的樣本集用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練,結(jié)果發(fā)現(xiàn),SSSMV對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練一測(cè)試誤差差異和準(zhǔn)確率差異比RSS所對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)小,其泛化能力比優(yōu)于RSS。
　　 然后,本文借鑒細(xì)胞生物學(xué)中的干細(xì)胞機(jī)制,對(duì)BPN訓(xùn)練算法的優(yōu)化進(jìn)行了研究。遺傳神經(jīng)網(wǎng)絡(luò)(GABPN)被認(rèn)為是當(dāng)前最有潛力的BPN優(yōu)化方法之一。它能夠保證網(wǎng)絡(luò)全局收斂,但無(wú)法保證收斂的速度。同時(shí),由于GABPN引入了更多的訓(xùn)練參數(shù),合理設(shè)置這些參數(shù)更加困難。為此,本文借鑒細(xì)

4、胞生物學(xué)中的干細(xì)胞理論,對(duì)BPN訓(xùn)練算法的優(yōu)化進(jìn)行探討,提出了基于干細(xì)胞機(jī)制的進(jìn)化神經(jīng)網(wǎng)絡(luò)(SCEBPN)。以干細(xì)胞的復(fù)制、移植與分化、老化細(xì)胞的置換與凋亡等生物機(jī)制為指導(dǎo),構(gòu)建了SCEBPN的總算法和進(jìn)化框架,設(shè)計(jì)了SCEBPN的基本操作算子,包括干細(xì)胞結(jié)點(diǎn)的移植、復(fù)制與分化、老化結(jié)點(diǎn)的置換與凋亡等。SCEBPN使用進(jìn)化算法中的選擇操作,但避開(kāi)了交叉、變異、編碼與解碼等進(jìn)化操作,降低了計(jì)算復(fù)雜度。仿真結(jié)果顯示,SCEBPN不但可以保證

5、神經(jīng)網(wǎng)絡(luò)成功地走向全局收斂,而且收斂速度比GABPN和BPN快,是一種性能良好的BPN優(yōu)化算法。
　　 最后,本文對(duì)利用SCEBPN方法建立胃部疾病超聲診斷模型進(jìn)行了研究。以胃部疾病超聲診斷為研究對(duì)象,采集了胃部疾病的超聲檢查數(shù)據(jù),按照SSSMV方法將收集的數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。利用SCEBPN方法進(jìn)行設(shè)計(jì),并用訓(xùn)練集進(jìn)行訓(xùn)練,成功地建立了胃部疾病超聲診斷模型,解決了多元線(xiàn)性回歸分析、BPN、GABPN在建立胃部疾病診斷模型

6、中存在的問(wèn)題。利用測(cè)試集對(duì)診斷模型進(jìn)行測(cè)試,SCEBPN模型對(duì)胃部疾病性質(zhì)的判別準(zhǔn)確率達(dá)94.7％,受試者工作特征曲線(xiàn)分析的曲線(xiàn)下面積為0.936,可有效識(shí)別胃部疾病的性質(zhì)。實(shí)驗(yàn)結(jié)果證實(shí),SCEBPN優(yōu)于多元線(xiàn)性回歸分析、BPN和GABPN,可有效應(yīng)用于疾病診斷模型的構(gòu)建,具有良好的實(shí)用性。
　　 綜上所述,本文從訓(xùn)練樣本及訓(xùn)練算法對(duì)BPN優(yōu)化問(wèn)題進(jìn)行了研究,提出了基于均矢量相似性的訓(xùn)練樣本集分割方法和基于干細(xì)胞機(jī)制的進(jìn)化神經(jīng)網(wǎng)