[发明专利]一种优化大脑情感学习模型的乳腺癌数据分类方法

说明书

本发明公开了一种优化大脑情感学习模型的方法。大脑情感学习模型模拟了大脑中杏仁体和眶额皮质之间的情感学习机制，该模型具有计算复杂度低、运算速度快的特点。本发明将自适应遗传算法引入改进大脑情感学习模型中，用适应度函数评估模型输出，优化改进大脑情感学习模型中杏仁体和眶额皮质单元的权值与阈值。该方法既利用了自适应遗传算法的全局搜索能力，又利用了大脑情感学习算法的快速局部搜索能力引导遗传算法向最优解快速逼近，从而提高了大脑情感学习模型的在数据分析上的快速性与准确性。

技术领域

本发明涉及机器学习与智能计算领域，特别涉及一种采用自适应遗传算法优化大脑情感学习模型的乳腺癌数据分类方法。

背景技术

数据的分类或预测可以为系统的下一步决策提供指导。因此，数据分类或预测在机器学习、数据挖掘及模式识别等方面应用广泛。人工神经网络以其良好的自学习、自适应性能在数据分析中得到了广泛的应用。然而，随着数据复杂度的增加，传统的BP学习算法因训练时间长、收敛速度慢等缺点难以满足对数据进行快速、准确分析的要求。

2000年，Morén根据神经解剖学的研究成果提出了基于大脑情感学习(BrainEmotional Learning，BEL)的计算模型，该模型根据大脑中杏仁体和眶额皮质之间交互的神经生物学原理建立，模拟了情感刺激在大脑短反射通路中引起快速情感反应的机制。BEL模型计算复杂度低，运算速度快，可以克服传统神经网络的缺点，近年来在数据分析中表现出了一定的优势。

在BEL模型中，杏仁体和眶额皮质间的权值调节方法对大脑情感学习效果起着决定性的作用。Morén提出了一种基于奖励信号的强化学习方法调节权值，但该方法导致模型的通用性不强。后来有学者将广泛用于参数优化的遗传算法(Genetic Algorithm,GA)引入BEL模型，实现杏仁体和眶额皮质权值的优化调整，并将优化后的BEL模型用于数据分析，该方法虽然增强了BEL模型的通用性。然而，基本遗传算法在寻优过程中存在一定的随机性和盲目性，在搜索后期群体进化速度减慢甚至不进化，最终可能找不到最优解。这是由于基本遗传算法的参数设置固定，尤其是固定的交叉概率和变异概率，导致遗传算法在求解问题时灵活度不高，搜索速度慢。

发明内容

本发明为了克服上述现有技术存在的缺陷，提出了一种采用可变交叉概率和变异概率的自适应遗传算法(Adaptive Genetic Algorithm)来优化大脑情感学习模型的乳腺癌数据分类方法。此外，进一步改进大脑情感学习模型结构。

为解决上述技术问题，本发明所采用的技术方案是：一种优化大脑情感学习模型的乳腺癌数据分类方法，包括以下步骤：

1)根据训练样本特征建立基于大脑情感学习模型的改进神经网络；

2)初始化改进神经网络中杏仁体和眶额皮质单元的权值与阈值；

3)采用遗传算法中的轮盘赌法和最优个体保存策略进行选择、自适应交叉和自适应变异操作，优化改进神经网络中杏仁体和眶额皮质的权值与阈值；

4)将优化后的权值与阈值组合更新至改进神经网络中，得到最佳网络结构；

5)采用大脑情感学习算法分别计算杏仁体输出、眶额皮质输出及在杏仁体和眶额皮质的共同作用下的最佳网络总体输出，得到数据分类或预测结果。

步骤1)的具体实现过程包括：

1)建立基于大脑情感学习模型的三层神经网络，输入层的节点数m由训练样本的特征数确定，输出层的节点数n由输入样本的可分类数确定，初始隐含层节点数n₁由经验公式得到，其中，a为[1,10]常数；