[发明专利]基于增强学习型菌群觅食算法的特征选择方法

权利要求书

1.一种基于增强学习型菌群觅食算法的特征选择方法，其特征在于，所述特征选择方法应用于全局搜索和局部搜索中，所述特征选择方法用于肺部CT图像或多模态脑部MRI图像的特征选择中，以提高分类精度，方法包括：

步骤S1、初始化细菌群落的位置，设置最大循环数值和迭代次数初始值；所述细菌群落中每一个细菌菌体表示待选择的特征向量的权重向量；

步骤S2、根据增强学习RL中最大化历史经验值策略，为所述细菌群落中每一细菌菌体选择一种运动行为；

步骤21、为每个细菌菌体设定初始状态和初始动作；为每个细菌菌体设定Q-矩阵以保存积累的历史经验，并且Q-矩阵初始化为0；

步骤22、针对每个细菌菌体的当前状态s_t，根据Q-矩阵的内容，选择最优动作a_t，如下公式(1)；

a_t＝Max[Q(state,actions)] (1)

其中，最优动作a_t根据Q-矩阵中当前状态state的最大值选择；

步骤23、每个细菌菌体执行各自的动作a_t；

步骤S3、在每一细菌菌体执行运动行为之后，获取更新后的每一个细菌菌体的更新位置；

步骤S31、更新Q-矩阵的数据项(s_t,a_t)，更新状态为s_t+1；

步骤S4、获取更新位置后的每一个细菌菌体的适应度值；

步骤S5、基于RL规则，针对每一个细菌菌体更新前的位置和更新后的位置的适应度值的变化，获取反馈值；具体地，获取每个细菌菌体的立即反馈即反馈值r_t+1；

步骤S51：比较每个细菌菌体更新位置前后适应度值的大小,依据下述公式(2)获取反馈值r；

其中，当细菌菌体的适应度值得到优化时，获得反馈值r＝1；情况相反时，反馈值r＝-1；

步骤S6、根据所述反馈值，更新每一个菌体所累积的历史经验值，输出细菌群落；

步骤S7、将迭代次数增加1，重复步骤S2至步骤S6，直至所述迭代次数大于等于最大循环数值时，输出细菌群落；

其中，针对肺部CT图像的特征选择中，

7种纹理特征，即熵、均值、方差、灰度共生矩阵GLCM、局部二值模式LBP、Haralick纹理特征、局部相位量化LPQ；

5种几何特征，即面积、周长、外接圆形度、矩形度、伸长度；

总共提取315-D特征向量；

采用步骤S1至步骤S7的特征选择方法，从315-D特征向量中选择出特征向量子集，作为支持向量机SVM分类器的输入；

针对多模态脑部MRI图像的特征选择中，

脑肿瘤分5类：背景、水肿、坏死、增强性肿瘤和非增强性肿瘤：

数据：多模态脑部MRI图像；

对于每张切片的每个像素选取25*25邻域，并对提取该邻域Gabor、灰度平均值以形成特征向量；一个邻域具有164-D特征向量，多模态脑部MRI图像具有4种模态，每种模态的灰度平均值；Gabor特征5种尺寸、8种方向的特征向量；

采用步骤S1至步骤S7的的特征选择方法，从164-D特征向量中选择出特征向量子集，作为支持向量机SVM分类器的输入，以提高分类精度。

2.根据权利要求1所述的方法，其特征在于，所述运动行为包括下述的一种或多种：

自适应趋化行为；

复制行为；

强化性驱散行为；

融合性交叉行为。

3.根据权利要求2所述的方法，其特征在于，

所述步骤S31中的Q-矩阵的计算过程：

其中，γ表示属于[0，1]的折扣因子；r_t+1表示处于当前状态s_t 的agent执行完动作a_t后获得的立即反馈；α表示学习速率以平衡搜索过程和开发过程，iter与MaxCycle分别表示当前迭代次数与总迭代次数。

4.一种电子设备，其特征在于，所述包括存储器、处理器、总线以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-3任意一项的步骤。