[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

权利要求书

1.一种优化大脑情感学习模型的乳腺癌数据分类方法，其特征在于，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，所述训练样本为乳腺癌数据集70％的样本数据；

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；

步骤3)的具体实现过程包括：

A.将改进神经网络的权值与阈值顺序分布在染色体基因序列上；染色体编码形式为：Ch＝[v₁,...,v_m+1,w₁,...,w_m,b_o,b_a]，其中，v₁,...,v_m+1表示杏仁体各节点间的权值，b_a为杏仁体神经元阈值，w₁,...,w_m表示眶额皮质各节点间的权值，b_o为眶额皮质神经元阈值，m为训练样本的病理特征数，每条染色体包含的基因数为2m+3；

B.初始化染色体中的权值与阈值，采用大脑情感学习算法计算改进后的大脑情感学习网络输出E，计算公式为：

E＝E_a-E_o

其中，E_a表示杏仁体输出，E_o表示眶额皮质输出，S_i表示输入的训练样本，即乳腺癌的病理特征，A_th表示通过丘脑传递给杏仁体的信号，A_th＝max(S₁,S₂,...,S_m)；

C.采用适应度函数评估染色体，适应度函数定义为：其中，Ch_k表示第k种输入模式下染色体中权值与阈值的分配；E_k为第k种输入模式下大脑情感学习网络的实际输出；T_k为对应第k种输入模式的期望输出，N代表训练样本的数量；

D.利用改进神经网络的实际输出E_k与目标值T_k计算出染色体适应度值F，如果当前的适应度值F与上一次迭代的适应度值F的误差大于允许误差阈值，则不满足适应度的要求，则采用遗传算法中的选择、自适应交叉和变异操作来改变染色体，实现其基因位上权值与阈值的更新；

按步骤B中的公式计算改进神经网络输出E，利用步骤C中适应度函数评价染色体的适应度值，直到当前迭代结果与上一次迭代结果的误差小于误差阈值，则得到了最佳染色体，即优化后的权值与阈值的组合；

4)将优化后的权值与阈值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，得到乳腺癌数据分类结果。

2.根据权利要求1所述的优化大脑情感学习模型的乳腺癌数据分类方法，其特征在于，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由训练样本的病理特征数确定，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；

2)将大脑情感学习模型中的奖励信号去掉，采用自适应遗传算法学习代替基于奖励信号的强化学习，实现对大脑情感学习模型的三层神经网络中杏仁体和眶额皮质权值与阈值的优化调整：以神经网络输入层、隐含层、输出层的权值和阈值构成染色体，通过自适应遗传算法训练网络，选出最优染色体，染色体基因位上的值对应改进后神经网络的参数；

3)在去掉大脑情感学习模型的奖励信号的基础上，根据大脑中杏仁体和眶额皮质间的交互机制，在三层神经网络隐含层的杏仁体和眶额皮质神经元中添加阈值，即得到基于大脑情感学习模型的改进神经网络。

3.根据权利要求1所述的优化大脑情感学习模型的乳腺癌数据分类方法，其特征在于，杏仁体和眶额皮质神经元的阈值取值范围为[-1,1]。

4.根据权利要求1所述的优化大脑情感学习模型的乳腺癌数据分类方法，其特征在于，所述误差阈值取值为0.0001～0.001。