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技术

本发明专利技术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。

【技术实现步骤摘要】
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
本专利技术涉及人工智能领域，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。
技术介绍
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本文档来自技高网...

【技术保护点】
1.一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，其特征是：包括：/n(1)基于列维飞行的空间搜索机制/n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)：/n

【技术特征摘要】
1.一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，其特征是：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，s表示步长，u与v则服从标准正态分布，分布如公式(2)所示：



式中σu和σv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，可以是多个维度；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：
dt～N(0,1,dim)(5)
式中，d表示返回距离，t代表是越过边界的果蝇数量；
(3)基于多子群协同的增强机制
1)改进样本划分方法：通过将种群分为M个有相同数量的果蝇个体子群，其中，第m个子群的第i个对象的坐标Xm,i的初始化过程如公式(6)：



式中：Xaxis，m为在搜索空间中随机获得的第m个子群的初始坐标，X0为由等式(7)获得的搜索空间的中心；R0为根据等式(8)的初始搜索半径，表示点积(逐项乘法)
X0＝(lb(:)+ub(:))/2(7)
R0＝(ub(:)-lb(:))/2(8)
2)改进判别变量计算过程：使用基于列维飞行算法随机获得不同子群中搜索的坐标点作为判断变量的方法，如公式(9)：



式中：R为根据等式在每个迭代中的搜索半径，其计算过程如公式(10)；Radio_levy为等式所描述的列维随机过程的比例因子，其计算过程如公式(11)：
R＝R0*((nit-it)/nit)^pa(10)
其中nit表示总迭代次数，it则体现当前已执行的迭代次数，Pa为搜索空间的迭代比例因子：



3)改进子群协同机制：在子群间采用由公式(12)所定义的一种改进的子群协作机制，用作多子群机制的补充，以便搜索到每轮算法进行迭代后的最优解：



将坐标Xnew代入适应度函数以计算通信气味值FitCommunitcate，如果FitCommunitcate小于获得的全局适应度SmellBest，则使用FitCommunitcate更新全局适应度，并将PosBest值赋给Xnew完成最佳位置更新：



(4)基于子群湮灭的算法运算优化机制
1)初始化子群湮灭参数：设置用于子群湮灭的迭代比例stopTimes；设定对M个子群在每个湮灭迭代过程的湮灭比例killRatio；以固定比例reliveRatio随机选择被湮灭的一部分子群，然后将其复活为正常子群并继续进行迭代；利用上述参数，根据湮灭机制得到的总迭代参数nit可以由公式(14)所表示：



2)评估湮灭效率：将所有子群按照适应性降序，更新速率的升序，子群以湮灭时间的降序顺序进行排序，将其中具有更高等级的子群添加到湮灭组中(kills)；湮灭评估将在经过nit'次的迭代(nit'＝nit*10％)后执行；
3)实施湮灭：经过nit'次的迭代(nit'＝nit*10％)后，将进行子群的湮灭操作，属于湮灭阵列中的子群将停止进行进一步的优化，并且更新其湮灭参数，降低评估函数迭代次数，以获得更佳的优化方向；
4)湮灭逃逸：在步骤3)中进行子群湮灭操作的同时，根据等式以固定比例(reliveRatio)随机选择一部分被湮灭的子群将其复活并重新参与迭代优化，其选择方式如公式(15)：



式中：relive为再次复活并参加迭代的子群，Θ表示求两者的差集；
(5)将步骤(1)-(4)集成到现有的FOA中，根据MALBFOA算法进行运算优化；
(6)在MALBFOA算法中，对时间复杂度进行分析，估计nit的迭代次数以及执行子组湮灭机制，其中：
O(Initialization)＝O(M×popsize×dim)×oneRandTime,O(Levyflightmechanism)＝O(nit×M×popsize×dim)×oneLevyTime,O(Estimatingfruitflyfitness)＝O(M×popsize+nit×M×popsize×(1-killRatio))×oneFitnessTime；
式中：oneRandTime表示执行一次rand函数的时间；oneFitnessTimeo表示一次执行评估的时间(计算适应度值)；oneLevyTime表示执行一次莱维操作所需的时间；
因此，可以得出：
O(MABLFOA)＝O(M×popsize×dim)×oneRandTime+O(nit×M×popsize×dim)×oneLevyTime+O(M×popsize+nit×M×popsize×(1-killRatio))×oneFitnessTime；
...

【专利技术属性】
技术研发人员：王茂发，高光大，单维锋，龚启舟，韩定良，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45