基于干細胞機制的進化神經(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)、自學習能力強等特點,在解決非線性的復(fù)雜問題上有著重要價值。但它存在易陷入局部最小、收斂速度慢、泛化能力不強等缺點。本文從訓練樣本和訓練算法著手,對BPN的優(yōu)化進行了研究,并在此基礎(chǔ)上,對建立胃部疾病超聲診斷模型進行了研究。
　　 首先,本文利用均矢量相似性,對BPN訓練樣本集的分割方法進行了研究。一般來說,數(shù)據(jù)收集完成后,總樣本就已經(jīng)確定,因此,提高訓練樣本質(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將每個樣本表示為一個矢量,并構(gòu)建一個由均值組成的虛擬矢量(均矢量),計算出每個樣本矢量與均矢量之間的相似性,然后根據(jù)相似性、樣本所屬類別抽取樣本,生成訓練樣本集。利用UCI數(shù)據(jù)集,對分割算法進行仿真研究。Hotelling T2檢驗顯示,SSSMV產(chǎn)生的訓練樣本集與測試樣本集之間不存在顯著性差異,優(yōu)于隨機分割方法(RSS)。SSSMV

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

4、胞生物學中的干細胞理論,對BPN訓練算法的優(yōu)化進行探討,提出了基于干細胞機制的進化神經(jīng)網(wǎng)絡(luò)(SCEBPN)。以干細胞的復(fù)制、移植與分化、老化細胞的置換與凋亡等生物機制為指導(dǎo),構(gòu)建了SCEBPN的總算法和進化框架,設(shè)計了SCEBPN的基本操作算子,包括干細胞結(jié)點的移植、復(fù)制與分化、老化結(jié)點的置換與凋亡等。SCEBPN使用進化算法中的選擇操作,但避開了交叉、變異、編碼與解碼等進化操作,降低了計算復(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,本文對利用SCEBPN方法建立胃部疾病超聲診斷模型進行了研究。以胃部疾病超聲診斷為研究對象,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)劃分為訓練集和測試集。利用SCEBPN方法進行設(shè)計,并用訓練集進行訓練,成功地建立了胃部疾病超聲診斷模型,解決了多元線性回歸分析、BPN、GABPN在建立胃部疾病診斷模型

6、中存在的問題。利用測試集對診斷模型進行測試,SCEBPN模型對胃部疾病性質(zhì)的判別準確率達94.7％,受試者工作特征曲線分析的曲線下面積為0.936,可有效識別胃部疾病的性質(zhì)。實驗結(jié)果證實,SCEBPN優(yōu)于多元線性回歸分析、BPN和GABPN,可有效應(yīng)用于疾病診斷模型的構(gòu)建,具有良好的實用性。
　　 綜上所述,本文從訓練樣本及訓練算法對BPN優(yōu)化問題進行了研究,提出了基于均矢量相似性的訓練樣本集分割方法和基于干細胞機制的進化神經(jīng)網(wǎng)