[发明专利]一种基于确定性粒子群优化和支持向量机的肿瘤识别方法

权利要求书

1.一种基于确定性粒子群优化和支持向量机的肿瘤识别方法，其特征在于，包括下列步骤：

步骤1肿瘤基因表达谱数据集的预处理，首先将肿瘤基因表达谱数据集划分为训练集和测试集，然后对数据集进行归一化处理，获取最终的关键基因子集；步骤2提出确定性粒子群优化算法IGPSO，在训练集上，使用确定性粒子群优化算法优化支持向量机SVM；步骤3在测试集上，使用步骤2中优化得到的支持向量机SVM来对肿瘤基因表达谱数据集进行识别；

所述步骤2中使用确定性粒子群优化算法优化支持向量机SVM包含下列步骤：

步骤3.1：设定SVM的C，σ参数搜索空间，m_i，min≤m_i≤m_i，max，其中惩罚因子C，核函数参数σ，m_i为第i个参数的值，i表示参数个数，这里设置为2，算法开始时在搜索空间上随意选择一个参数值m；SVM的分类规则方程如式(7)：

训练集T{(x_i，y_i)；x_i∈Rⁿ；y_i＝±1；i＝1，2，...，r}，其中：x_i为训练样本，x为待判断样本，b为门限，α_i是拉格朗日乘子，K(x_i，x)为核函数；

支持向量机求解的最优化问题和所构建的分类决策函数如下：

其中K(x，x_i)为核函数，x_i为训练样本，b为门限，α_i是拉格朗日乘子，其作用是将其特征空间映射到高维空间；在实际应用中，特征基因数量小，所以采用基于RBF的SVM分类器对肿瘤样本进行分类，RBF表示如下：

步骤3.2：设置粒子群的大小为N，分类准确率要求为F，扩展因子为Ex，局域大小为w＝[w₁，w₂]，最大重试次数为T_max，重试次数t和扩大因子开始为0；

步骤3.3：算法开始时根据初始化的搜索空间p＝[p₁，p₂]，按扩展因子Ex扩大搜索空间，按步骤3.4至3.7计算局域位置，使得局域落在搜索空间p+0.6Ex*w中；

步骤3.4：计算x对应的分类性能函数f_p；

步骤3.5：以IGPSO算法寻找最优值，得出最优值对应的分类性能函数f_c；

步骤3.6：若搜索到更好的分类率，即f_p＜f_c，则t和Ex置为0，否则t＝t+1；

步骤3.7：若t≥T_max，则置t为0，Ex＝Ex+1，此时有可能已陷入局部最优，增大搜索范围以便跳出当前的局部区域；

步骤3.8：若达到分类准确率要求，即f_p≤F，则输出{C，σ}的值和分类准确率，算法结束，否则转步骤3.3；

对支持向量机的两个参数进行初始设置，其搜索范围{0＜C＜16，0＜σ＜6}，最大重试次数设置为10，C的扩大步长为0.3，σ的扩大步长为0.1，结合最终关键基因子集，用IGPSO算法对支持向量机的这两个参数进行优化，IGPSO算法在局域内粒子按照性能函数的分类率对参数{C，σ}的梯度方向进行搜索，如果达到最大重试次数，未找到更好的分类率，则扩大搜索范围。