貓群RBF神經(jīng)網(wǎng)絡(luò)診斷方法研究

馬艷梅

神經(jīng)網(wǎng)絡(luò)由于無(wú)需建立研究對(duì)象的數(shù)學(xué)模型，能學(xué)習(xí)和存貯大量的輸入與輸出關(guān)系，而被廣泛應(yīng)用于數(shù)據(jù)回歸擬合、模式識(shí)別、趨勢(shì)預(yù)測(cè)等方面。其中，徑向基函數(shù)（radial basis function，RBF）神經(jīng)網(wǎng)絡(luò)因具有較強(qiáng)容錯(cuò)性、魯棒性、記憶能力、非線(xiàn)性映射能力和自學(xué)習(xí)能力，而在模式識(shí)別診斷領(lǐng)域的應(yīng)用中有更突出的表現(xiàn)［1-2］。RBF神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置對(duì)診斷效果至關(guān)重要，因此，需根據(jù)實(shí)際應(yīng)用對(duì)象自適應(yīng)優(yōu)化確定神經(jīng)網(wǎng)絡(luò)參數(shù)，以實(shí)現(xiàn)最準(zhǔn)確有效的診斷。貓群算法［3-6］是近幾年提出的一種基于貓行為的群體智能計(jì)算方法，該算法能夠解決復(fù)雜優(yōu)化問(wèn)題。筆者利用貓群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)，構(gòu)建最優(yōu)的RBF網(wǎng)絡(luò)結(jié)構(gòu)，并在肺癌診斷中與傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)［7］診斷方法做比較。

1 原理與算法

1.1 徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)

RBF神經(jīng)網(wǎng)絡(luò)是基于人體大腦皮層中局部調(diào)節(jié)及交疊的感覺(jué)域（receptive field）提出的一種新型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)［2］。基本的RBF神經(jīng)網(wǎng)絡(luò)具有一個(gè)只含一個(gè)隱含層的三層前饋神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。網(wǎng)絡(luò)的第一層為輸入層，由一些信號(hào)源節(jié)點(diǎn)組成，用來(lái)連接網(wǎng)絡(luò)和外界。第二層為隱含層，隱含層提供了一個(gè)函數(shù)集，該函數(shù)集中的函數(shù)均為徑向基函數(shù)，為隱節(jié)點(diǎn)的激活函數(shù)。從輸入層到第二層隱含層之間的變換是非線(xiàn)性的，從隱含層到第三層輸出層的變換是線(xiàn)性變換。基本的多輸入單輸出RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 多輸入單輸出RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

徑向基函數(shù)有高斯函數(shù)、反演S型函數(shù)、擬多二次函數(shù)等。因高斯基函數(shù)具有表示形式簡(jiǎn)單、徑向?qū)ΨQ(chēng)、存在任意階導(dǎo)數(shù)和良好的光滑性等優(yōu)點(diǎn)，這里選用高斯基函數(shù)

其中：||x－H||為空間任一點(diǎn)x到高斯函數(shù)中心點(diǎn)H之間的歐式距離（x＞0）；σ 為徑向基函數(shù)寬度，σ＞0，控制函數(shù)的徑向作用范圍，通常令 σ=1［8］。

1.2 貓群算法

貓群算法是一種基于貓行為的仿生優(yōu)化算法，分為搜尋和跟蹤兩種行為模式。算法總體過(guò)程是根據(jù)結(jié)合率（mixture ratio，MR）隨機(jī)將貓群分為搜尋模式的貓和跟蹤模式的貓，在搜尋模式下的貓復(fù)制自身位置并將自身位置的副本放入記憶池中，應(yīng)用變異算子產(chǎn)生新的位置，計(jì)算記憶池中所有新的位置的適應(yīng)度值，選擇適應(yīng)度值最高的候選點(diǎn)更新當(dāng)前位置；在跟蹤模式下的貓則利用全局最優(yōu)的位置來(lái)更新當(dāng)前位置［4－6］。貓群算法流程圖如圖2所示。

圖2 貓群算法總體流程圖

搜尋模式的過(guò)程是：1）設(shè)定記憶池大小為j，將當(dāng)前位置復(fù)制j份副本并放入記憶池中；2）將記憶池中所有的副本根據(jù)變化域（SRD）和變化數(shù)（CDC）的大小隨機(jī)加減S%（變化域的百分率表示）后代替原位置；3）利用適應(yīng)度函數(shù)計(jì)算記憶池中所有候選點(diǎn)（即復(fù)制的位置副本）的適應(yīng)度；4）以其中適應(yīng)度最高的候選點(diǎn)更新當(dāng)前貓的位置。

跟蹤模式過(guò)程是：1）速度更新。設(shè)整個(gè)貓群目前搜尋到的最優(yōu)解為Xbest，每只貓的速度為vi={vi1，vi2，…，vid}，每只貓的速度可更新為

式（2）中：d=1，2，…，M；vi，d（t+1）表示更新后第 i只貓?jiān)诘?d 維的速度值；M 為維數(shù)大??；Xbest，d（t）為當(dāng)前貓群中具有最好適應(yīng)度值的貓的位置；xi，d（t）指當(dāng)前第 i只貓?jiān)诘?d 維的位置；c*是常量；r*是［0，1］上的隨機(jī)值。給定每維變化的限制范圍，如果每維改變后的值超出了變化域的限制范圍，則將其設(shè)定為給定的邊界值。2）位置更新。利用更新后的速度來(lái)更新貓的位置xi，d（t+1）=xi，d（t）+vi，d（t+1），其中 xi（t+1）表示第 i只貓更新后的位置。

2 貓群RBF神經(jīng)網(wǎng)絡(luò)診斷模型

構(gòu)造如圖1所示的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的過(guò)程是：利用貓群算法進(jìn)行訓(xùn)練優(yōu)化，設(shè)定適應(yīng)度誤差和迭代次數(shù)以完成訓(xùn)練，得到最佳的權(quán)值，從而獲取最優(yōu)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。利用貓群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)中的權(quán)值wi，適應(yīng)度函數(shù)為

式（3）中，ym（t）為 RBF 網(wǎng)絡(luò)的輸出，wi為網(wǎng)絡(luò)的權(quán)值，hi為隱含層第 i個(gè)神經(jīng)元的輸出，i=1，2，…，m。

肺癌的早期發(fā)現(xiàn)和診斷對(duì)降低患者的死亡率、提高患者生存質(zhì)量至關(guān)重要［10］。但由于肺癌種類(lèi)多、影響診斷因素多、病人數(shù)據(jù)不完整等原因，現(xiàn)有的方法不能取得很好的診斷效果。下面，筆者將所研究的貓群RBF診斷方法用于肺癌診斷中。

3 實(shí)驗(yàn)結(jié)果與分析

RBF神經(jīng)網(wǎng)絡(luò)初始權(quán)值設(shè)置在［-2，2］上，貓群算法中分組率為50%，變化域?yàn)?.2，記憶池容量j為40，貓群數(shù)量為80個(gè)，終止迭代次數(shù)為1 000，適應(yīng)度誤差為0.001。在網(wǎng)絡(luò)訓(xùn)練和檢驗(yàn)前，須對(duì)數(shù)據(jù)樣本歸一化，邏輯型數(shù)據(jù)以0或1表示，數(shù)據(jù)型數(shù)據(jù)由式歸一化處理，其中ximax為所有數(shù)據(jù)樣本中第 i項(xiàng)的最大值［9］。

選用2010—2015年在某醫(yī)院住院的500個(gè)病人的病例，提取年齡、性別、家族史、既往史、吸煙史以及體重減輕情況6個(gè)臨床參數(shù)，肺部細(xì)胞的6個(gè)形態(tài)特征值、6個(gè)色度特征值、整幅切片圖的紅色分量平均值和細(xì)胞區(qū)域的灰度平均值，并以此20個(gè)特征量作為RBF神經(jīng)網(wǎng)絡(luò)的輸入。RBF神經(jīng)網(wǎng)絡(luò)輸出只有1個(gè)，輸出數(shù)據(jù)區(qū)間分為［0，0.2］、（0.2，0.45］、（0.45，0.75］和（0.75，1）4 個(gè)，分別對(duì)應(yīng)正常、早期肺癌、中期肺癌和晚期肺癌。將500個(gè)病例中的300例作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，利用貓群算法進(jìn)行迭代訓(xùn)練，當(dāng)滿(mǎn)足迭代次數(shù)和適應(yīng)度誤差時(shí)，停止訓(xùn)練，得到最優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)診斷模型。將剩余的200個(gè)病例作為測(cè)試樣本，測(cè)試模型的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果如表1所示。利用BP神經(jīng)網(wǎng)絡(luò)對(duì)上述樣本進(jìn)行訓(xùn)練測(cè)試，診斷結(jié)果如表2所示。

表1 貓群RBF神經(jīng)網(wǎng)絡(luò)肺癌診斷結(jié)果

表2 BP神經(jīng)網(wǎng)絡(luò)診斷結(jié)果

由表1和表2可知：健康狀況為“正?！钡臉颖驹\斷結(jié)果中，貓群RBF神經(jīng)網(wǎng)絡(luò)診斷模型和BP神經(jīng)網(wǎng)絡(luò)均有1個(gè)錯(cuò)判；早期肺癌病例中，貓群RBF神經(jīng)網(wǎng)絡(luò)診斷模型有2個(gè)錯(cuò)判，BP神經(jīng)網(wǎng)絡(luò)有3個(gè)錯(cuò)判；中期肺癌病例中，貓群RBF神經(jīng)網(wǎng)絡(luò)診斷模型有4個(gè)錯(cuò)判，BP神經(jīng)網(wǎng)絡(luò)有6個(gè)錯(cuò)判；晚期肺癌病例中，貓群RBF神經(jīng)網(wǎng)絡(luò)診斷模型有3個(gè)錯(cuò)判，BP神經(jīng)網(wǎng)絡(luò)有3個(gè)錯(cuò)判。利用貓群算法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型診斷正確率為95%，比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的診斷正確率高。

4 結(jié)束語(yǔ)

本文研究了貓群RBF神經(jīng)網(wǎng)絡(luò)診斷方法，通過(guò)貓群算法優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)，克服了RBF神經(jīng)網(wǎng)絡(luò)參數(shù)確定的盲目性，提高了模型識(shí)別的精度，為肺癌診斷等模式分類(lèi)問(wèn)題提供了簡(jiǎn)單有效的方法。

參考文獻(xiàn)：

［1］ HOU M,HAN X.The multidimensional function approximation based on constructive wavelet RBF neural network［J］.Applied soft computing,2011,11（2）:2173-2177.

［2］ HOU M,HAN X.Constructive approximation to multivariate function by decay RBF neural network［J］.IEEE transactions on neural networks,2010,21（9）:1517-1523.

［3］ PRADHAN PM,PANDA G.Solving multiobjective problems using cat swarm optimization［J］.Expert systems with applications,2012,39（3）:2956-2964.

［4］ LIU D,HU Y,FU Q,et al.Optimizing channel crosssection based on cat swarm optimization［J］.Water science and technology water supply,2016,16（1）:219-228.

［5］ 匡珍春，謝仕義.基于貓群優(yōu)化算法的云計(jì)算虛擬機(jī)資源負(fù)載均衡調(diào)度［J］.吉林大學(xué)學(xué)報(bào)（理學(xué)版），2016，54（5）：1117-1122.

［6］ 付華，任仁，王雨虹，等.基于CSO-RVM的瓦斯涌出量預(yù)測(cè)模型研究［J］.傳感技術(shù)學(xué)報(bào)，2015，28（10）：1508-1512.

［7］ WU X,CHEN H,WANG Y,et al.BP neural network based continuous objects distribution detection in WSNs［J］.Wireless networks,2016,22（6）:1917-1929.

［8］ 汪嘉楊，李祚泳，張雪喬，等.基于粒子群徑向基神經(jīng)網(wǎng)絡(luò)的礦井突水水源判別［J］.安全與環(huán)境工程，2013，20（5）：118-121.

［9］ 馮利軍，郭曉山.人工神經(jīng)網(wǎng)絡(luò)在礦井突水預(yù)報(bào)中的應(yīng)用［J］.西安科技大學(xué)學(xué)報(bào)，2003，23（4）：369-371.

［10］ MATHEW J,KRATZKE R A.Lung cancer and lung transplantation:a review［J］.Journal of thoracic oncology,2009,4（6）:753-760.