[发明专利]基于果蝇优化算法的糖尿病视网膜病变分级深度学习方法

说明书

本发明公开了一种基于果蝇优化算法的糖尿病视网膜病变分级深度学习方法，该方法首次实现了多子群搜索过程中的动态子群湮灭和逃逸机制，同时将多子群、列维搜索与高斯边界校正机制有机融合，从而提高寻找全局最优解的能力，降低陷入局部最优解的风险。在模型所使用的糖尿病性视网膜病变图像数据集上，通过对糖尿病性视网膜病数据集进行10轮交叉验证，MALBFOA‑DL与基准模型之间在召回率数据上的比较，显而易见的，几乎在每个回合中，MALBFOA‑DL模型与同级别的基准模型（使用VGG‑16）相比较，都获得了更好的结果。

技术领域

本发明涉及人工智能领域，具体的说是一种多种机制加强的果蝇非平衡问题优化算法，更具体的说是一种基于果蝇优化算法的糖尿病视网膜病变分级深度学习方法。

背景技术

原始的果蝇优化算法(下称FOA)是一种受到果蝇使用视觉和嗅觉觅食的觅食行为的启发，进而推演出的全局寻优优化算法。算法模型仿照真实世界中果蝇群体在觅食中，果蝇个体各自对事物进行搜索，并通过团体的合作与信息交流，来达成整个群体以较为高效的方式完成向食物进行迭代式趋近搜索的情况。在实际应用中，原始算法及其相关改进算法具有结构简单，控制参数少，易于理解的优点。但是，原始FOA及各种改进算法在多模问题、非对称问题和复杂问题上的收敛速度和解的质量仍然不是很理想，存在寻找最优解中过程中突变概率较低的问题，模型搜索空间也因此受到限制，并导致原始FOA算法及改进算法会出现困于局部最优解而无法找到全局最优解，或者找到多个最优解的情况。

同时因为糖尿病视网膜病变眼底数据量大(50G)，类别数据量又高度不平衡，造成在采用已有的各种深度学习方法进行优化时，超参数的选择异常困难，很难取到最优。

发明内容

为了克服上述现有技术的缺点，本发明提供了一种基于多种进制(列维机制、边界反弹机制、多子群协同机制、子群湮灭机制)加强的果蝇算法(MALBFOA)，该方法能有效提高FOA算法的收敛速度，提高解寻优过程中方向和步长上的突变概率，避免除局部最优解，提高并改进解的质量；使用上述改进后果蝇优化算法优化的深度学习方法迁移学习方法(MALBFOA-DL)，在糖尿病眼底病变图片数据集的病变等级分级上也取得了较好的效果。

实现本发明目的的技术方案是：

一种基于果蝇优化算法的糖尿病视网膜病变分级深度学习方法，包括：

(1)基于列维飞行的空间搜索机制

在dim维搜索空间中采用列维步长的阶梯分布，表示为如下公式(1)：

式中，dim是搜索空间的维度，而β代表用于调节稳定性的重要列维指数，u与v则服从标准正态分布，分布如公式(2)所示：

其中，括号外的子母N表示当前公式定义的概率分布为标准正态分布。

式中σ_u和σ_v可由公式(3)计算得出：

式中，Γ表示伽马函数；

(2)基于高斯分布的越界矫正机制

通过观察果蝇在觅食过程中的行为，果蝇种群中某些果蝇会飞出较远的距离，在算法中部分参数会越过由搜索空间的上界ub和下界lb确定的边界，则将果蝇个体的位置坐标X矫正回正确的范围，通过以下公式(4)实现对超出范围的果蝇进行越界矫正：

其中lb和ub分别是搜索空间的上界和下界，式中为dim维；当果蝇越过边界时，立即矫正返回边界，或移动至边界以内范围越界矫正过程公式表达如公式(5)所示：

d_t～N(0,1,dim) (5)