CN103838972B - 一种用于mri病历属性约简的量子协同博弈实现方法 - Google Patents

一种用于mri病历属性约简的量子协同博弈实现方法 Download PDF

Info

Publication number
CN103838972B
CN103838972B CN201410090633.6A CN201410090633A CN103838972B CN 103838972 B CN103838972 B CN 103838972B CN 201410090633 A CN201410090633 A CN 201410090633A CN 103838972 B CN103838972 B CN 103838972B
Authority
CN
China
Prior art keywords
population
elite
case history
mri
sub
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410090633.6A
Other languages
English (en)
Other versions
CN103838972A (zh
Inventor
丁卫平
管致锦
施佺
陈森博
沈学华
缪雪晴
程学云
李跃华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University Technology Transfer Center Co ltd
Original Assignee
Nantong University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nantong University filed Critical Nantong University
Priority to CN201410090633.6A priority Critical patent/CN103838972B/zh
Publication of CN103838972A publication Critical patent/CN103838972A/zh
Application granted granted Critical
Publication of CN103838972B publication Critical patent/CN103838972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明公开了一种用于MRI病历属性约简的量子协同博弈实现方法,首先初始化进化种群,将MRI病历属性通过竞争协同自适应划分到不同的进化子种群中,并在各进化子种群中进行各自优秀种群精英选取;其次在MRI属性约简时将信任裕度报酬机制引入到种群精英量子协同博弈模型中,构建种群精英信任裕度效用矩阵;再次各种群精英在每个划分的MRI病历属性子集中通过量子协同博弈策略求得各自最优约简子集,从而稳定取得Nash均衡下MRI病历全局最优属性约简集;最后进行MRI属性约简性能评估,判断其属性约简精度是否满足要求。本发明能较好地克服MRI病历中存在着噪音和灰度不均匀性,具有较高的MRI病历属性约简效率、准确性和稳定性。

Description

一种用于MRI病历属性约简的量子协同博弈实现方法
技术领域:
本发明涉及到医学信息智能处理领域,具体来说涉及一种用于MRI病历属性约简的量子协同博弈实现方法。
背景技术:
电子病历蕴藏着巨大的潜在应用价值,其属性约简广泛存在于临床特征选择和决策支持系统中,是众多应用的核心支撑技术。由于病历数据属性所具有的多样性、不确定性、不完整性和动态性等不完备特征,给电子病历属性约简带来了较大挑战性。目前核磁共振成像(Magnetie Resonanee Imaging,MRI)技术已成为电子病历系统中临床疾病诊断的重要辅助手段,较好地进行MRI病历脑软组织(包括灰质、白质)和脑脊液正确分割,对脑功能、病理及其解剖研究与分析,对医生判断疾病的真实情况并作出正确的诊断计划具有重要的指导意义。然而MRI病历在实际图像成像过程中极易受噪声、射频场不均匀性以及容积效应等因素影响,导致各软组织之间边界比较模糊、不明确和不连续,给MRI病历相关属性特征的准确约简、分割和提取等造成较大困难。
发明内容:
本发明的目的是提供一种具有较高的电子病历MRI属性约简效率、准确性和稳定性的用于电子病历MRI属性约简的量子混合协同博弈实现方法。
本发明通过以下的技术方案实现的:
一种用于MRI病历属性约简的量子协同博弈实现方法,具体步骤如下:
A、MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法:该方法通过竞争协同机制将MRI病历属性进行子适应划分到不同的进化子种群中,并在各进化子种群中进行各自优秀种群精英Elitisti的选取;
B、MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法:将参与MRI病历属性约简的各种群精英分别分配信任裕度,构建信任裕度效用矩阵,使得各种群精英Elitisti通过其相应信任裕度动态调整将形成稳定均衡价,保证参与属性演化约简的各种群精英效用均能达到各自最佳值;
C、MRI病历属性约简中种群精英量子种群博弈策略实现方法:构建一种种群精英量子种群博弈策略进行MRI病历属性约简,通过各子种群精英Elitisti在博弈中Nash均衡,使属性约简中各子种群精英Elitisti的策略均是对博弈对方Elitistj策略的最优反应,各种群精英根据相互博弈时观测到的情况将不断调整自身策略,从而最终地达到病历MRI属性演化约简的稳定态;
D、种群精英量子种群博弈后,计算各进化子种群精英个体Elitisti在各自MRI病历属性子集上所取得目标适应度函数值Fitness(Elitisti),取进化种群中所有精英个体在各自分配信任裕度下适应度的平均值为该种群的最优适应度值,即
F ( x ) ‾ = 1 n Σ i = 1 n ( F i t n e s s ( Elitist i ) × | R TM i | | R T M | )
E、上述各子种群精英Elitisti在MRI病历上量子协同博弈后,求出精英在其进化子种群上取最优适应度时所对应的病历MRI属性约简子集Red(C)i,从而取得MRI病历全局最优属性约简集为
F、评估求得的MRI病历全局最优属性约简集,判断其是否满足MRI属性约简精度要求,如满足,则输出MRI病历全局最优属性约简集REDopt;不满足,则重复进行上述过程。
本发明的进一步改进在于:步骤A中所述的MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法,具体步骤如下:
a、设计进化种群为Pop,MRI病历属性集为C,将参与MRI病历属性约简的进化种群划分为n个相同大小的子种群Popi(i=1,2,...n),每个子种群Popi被分配一个表示MRI病历属性子集Ci(i=1,2,...n)的概率ξi,即子种群Popi表示MRI病历属性子集Ci的概率,初始概率值ξi均设为即所有子种群在参与MRI病历属性约简时都有相同的表示概率;
b、随着各子种群Popi的进化,其表示MRI病历属性子集Ci的概率ξi将自适应变化。在开始迭代时,第i个MRI病历属性子集Ci被分配到第i个子种群Popi中;在接下来的第(k+1)次迭代中,各进化子种群Popi表示第j个MRI病历属性子集Cj的概率定义如下:
P i , j ( k + 1 ) = P i , j ( k ) + 1 n × Σ k = 1 n e α k 2
其中αkk∈[0.5,1])为子种群的学习率,子种群的选择概率将随着MRI病历属性子集约简过程的增加而自适应增大;
c、计算进化子种群Popi表示第j个MRI病历属性子集Cj的平均概率Pi,j
P i , j = 1 n Σ k = 1 n P i , j ( k )
d、构造子种群表示MRI病历属性的概率矩阵如下:
e、在上述概率矩阵中比较n个子种群表示第j个MRI病历属性子集Cj概率值大小,选出其中概率值最大的子种群Popi,即可确定由该子种群来优化MRI病历属性子集Cj
f、计算每个子种群Popi中每个进化个体的适应度Fitness(x),选出其中最优适应度个体即为该子种群的最优精英个体Elitisti
本发明的进一步改进在于:步骤B中所述的MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法,具体步骤如下:为保证参与MRI病历属性约简的各种群精英在演化约简过程中整体性能达到最优,对各子种群精英Elitisti的合作行为给予相应报酬激励,即确定某一精英在协同演化过程中支付给其他博弈精英的报酬值,可较好提高种群精英在属性子集中求最优约简子集性能,为此本发明定义从每个子种群中选出精英Elitisti的相应信任度权重为信任裕度,整个种群精英信任裕度效用矩阵RTM定义如下:
式中为第i个子种群精英对整个种群所有博弈精英产生的信任裕度矢量值,其中对第j个种群精英产生的信任裕度值为
r TM i j = ρ i / ∂ j , ( 1 ≤ i , j ≤ n , i ≠ j )
式中参数ρi为第i个子种群内进化个体向所在种群内适应度最优解Fitness(x)b和适应度最差解Fitness(x)w学习的学习因子,其中
ρ i = F i t n e s s ( x ) b F i t n e s s ( x ) b + F i t n e s s ( x ) w ;
式中参数为第j个子种群向全局平均适应度最好子种群解Fitness(x)B和最差子种群解Fitness(x)W学习的学习因子,其中
∂ j = F i t n e s s ( x ) B F i t n e s s ( x ) B + F i t n e s s ( x ) W ;
该信任裕度效用矩阵RTM将决定属性博弈约简过程中各博弈精英策略的优劣程度,各种群精英Elitisti通过其相应信任裕度的动态调整将形成稳定均衡价,使各种群精英参与属性演化约简效用最终能达到共赢。
本发明的进一步改进在于:步骤C中所述MRI病历属性约简中种群精英量子种群博弈策略具体步骤如下:
a、令每个参与属性演化约简的进化子种群Popi上种群精英Elitisti状态为将该种群所有精英状态进行归一化处理后为
b、通过量子门将种群精英状态进行纠缠,形成种群精英初始状态为
其中
c、将各进化子种群精英Elitisti策略分别赋以相应酉算子
U ^ i ( θ , φ ) = e i φ cos ( θ / 2 ) sin ( θ / 2 ) - sin ( θ / 2 ) e - i φ cos ( θ / 2 )
(0≤θ≤π,0≤φ≤π/2)
当各种群精英相互博弈后,参与属性演化约简的种群精英Elitisti所对应的进化子种群状态将被调整为Popi′;
d、通过量子门解纠缠,求得参与属性演化约简种群精英的最终状态如下:
随着量子纠缠度γ增大,各种群精英在属性演化约简博弈时将根据其信任裕度效用收益不断调整自身策略,使博弈各方效用更易趋向于博弈Nash均衡点。实验结果表明随着各种群协同博弈进化,量子博弈后的各进化子种群Popi′上种群精英将通过确定最佳协同策略使其效能均能达到各自最优,在每个划分的MRI病历属性子集上可快速而稳定求解到各自最佳属性约简集。
本发明与现有技术相比具有如下优点:
1.稳定性好
本方法设计的种群精英在基于信任裕度效用矩阵的量子协同博弈均衡演化机制驱动下,通过确定各自最佳协同博弈策略均能达到各自属性约简的最优效能,其求解效率和性能优于现有的同类算法,能快速取得Nash均衡下全局最优属性约简集。种群精英量子协同博弈机制的引入使参与属性约简的种群精英寻优性能得到较大幅度的提高,可稳定取得Nash均衡下全局最优属性约简集,这是目前一般MRI病历属性约简方法所无法达到的全局稳定性。
2.易于构造
本方法所设计的每个子种群精英所分配的信任裕度效用矩阵中各信任裕度简洁,精英量子协同博弈策略中各量子门数规整、相邻间纠缠和博弈策略简单,博弈策略整个流程易于控制和构造,便且于实际编程实现。
3.较高的MRI病历属性最优约简效果
本方法设计的种群精英通过获得各自MRI属性特征约简最优值而达到MRI属性约简整体最优,能高效快速的完成MRI图像属性约简,且对高斯噪声等灰度不均匀性具有较好抑止作用。本方法对MRI病历轮廓线的初始位置敏感度较强,分割曲线基本可准确定位到MRI病历目标边界处,分割效果较符合实际解剖结构结果,为脑疾病早期辅助诊断和预警等提供重要的决策支持分析等。
附图说明
图1为本发明的总体结构图;
图2为本发明的实现流程图;
图3为种群精英量子协同博弈策略流程图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例和附图对本发明作进一步详述,该实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
本发明具体通过以下的技术方案实现的:
如图1和图2所示,一种用于MRI病历属性约简的量子协同博弈实现方法,具体步骤如下:
A、MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法:该方法通过竞争协同机制将MRI病历属性自适应划分到不同的进化子种群中,并在各进化子种群中进行各自优秀种群精英Elitisti;具体步骤如下:
a、设计进化种群为Pop,MRI病历属性集为C,将参与MRI病历属性约简的进化种群划分为n个相同大小的子种群Popi(i=1,2,...n),每个子种群Popi被分配一个表示MRI病历属性子集Ci(i=1,2,...n)的概率ξi,即子种群Popi表示MRI病历属性子集Ci的概率,初始概率值ξi均设为即所有子种群在参与MRI病历属性约简时都有相同的表示概率;
b、随着各子种群Popi的进化,其表示MRI病历属性子集Ci的概率ξi将自适应变化。在开始迭代时,第i个MRI病历属性子集Ci被分配到第i个子种群Popi中;在接下来的第(k+1)次迭代中,各进化子种群Popi表示第j个MRI病历属性子集Cj的概率定义如下:
P i , j ( k + 1 ) = P i , j ( k ) + 1 n × Σ k = 1 n e α k 2
其中αkk∈[0.5,1])为子种群的学习率,子种群的选择概率将随着MRI病历属性子集约简过程的增加而自适应增大;
c、计算进化子种群Popi表示第j个MRI病历属性子集Cj的平均概率Pi,j
P i , j = 1 n Σ k = 1 n P i , j ( k )
d、构造子种群表示MRI病历属性的概率矩阵如下:
e、在上述概率矩阵中比较n个子种群表示第j个MRI病历属性子集Cj概率值大小,选出其中概率值最大的子种群Popi,即可确定由该子种群来优化MRI病历属性子集Cj
f、计算每个子种群Popi中每个进化个体的适应度Fitness(x),选出其中最优适应度个体即为该子种群的最优精英个体Elitisti
B、MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法:将参与MRI病历各属性子集约简的种群精英分别分配信任裕度,构建信任裕度效用矩阵,使得各种群精英Elitisti通过其相应信任裕度动态调整将形成稳定均衡价,使各种群精英参与属性演化约简效用均能达到各自最佳;具体步骤如下:为保证参与MRI病历属性约简的各种群精英在演化约简过程中整体性能达到最优,对各子种群精英Elitisti的合作行为给予相应报酬激励,即确定某一精英在协同演化过程中支付给其他博弈精英的报酬值,可较好提高种群精英在属性子集中求最优约简子集性能,为此本发明定义从每个子种群中选出精英Elitisti的相应信任度权重为信任裕度,整个种群精英信任裕度效用矩阵RTM定义如下:
式中为第i个子种群精英对整个种群所有博弈精英产生的信任裕度矢量值,其中对第j个种群精英产生的信任裕度值为
r TM i j = ρ i / ∂ j , ( 1 ≤ i , j ≤ n , i ≠ j )
式中参数ρi为第i个子种群内进化个体向所在种群内适应度最优解Fitness(x)b和适应度最差解Fitness(x)w学习的学习因子,其中
ρ i = F i t n e s s ( x ) b F i t n e s s ( x ) b + F i t n e s s ( x ) w ;
式中参数为第j个子种群向全局平均适应度最好子种群解Fitness(x)B和最差子种群解Fitness(x)W学习的学习因子,其中
∂ j = F i t n e s s ( x ) B F i t n e s s ( x ) B + F i t n e s s ( x ) W ;
该信任裕度效用矩阵RTM将决定属性博弈约简过程中各博弈精英策略的优劣程度,各种群精英Elitisti通过其相应信任裕度的动态调整将形成稳定均衡价,使各种群精英参与属性演化约简效用最终能达到共赢。
C、MRI病历属性约简中种群精英量子种群博弈策略实现方法:构建一种种群精英量子种群博弈策略进行MRI病历属性约简,通过各子种群精英Elitisti在博弈中Nash均衡后,使得属性约简中各博弈各子种群精英Elitisti的策略均是对方Elitistj策略的最优反应,各种群精英根据相互博弈时观测到情况将不断调整自身策略,从而较好地达到病历MRI属性演化约简的稳定态;如图3所示,策略的具体步骤如下:
a、令每个参与属性演化约简的进化子种群Popi上种群精英Elitisti状态为将该种群所有精英状态进行归一化处理后为
b、通过量子门将种群精英状态进行纠缠,形成种群精英初始状态为
其中
c、将各进化子种群精英Elitisti策略分别赋以相应酉算子
U ^ i ( θ , φ ) = e i φ c o s ( θ / 2 ) s i n ( θ / 2 ) - s i n ( θ / 2 ) e - i φ cos ( θ / 2 )
(0≤θ≤π,0≤φ≤π/2)
当各种群精英相互博弈后,参与属性演化约简的种群精英Elitisti所对应的进化子种群状态将被调整为Popi′;
d、通过量子门解纠缠,求得参与属性演化约简种群精英的最终状态如下:
随着量子纠缠度γ增大,各种群精英在属性演化约简博弈时将根据其信任裕度效用收益不断调整自身策略,使博弈各方效用更易趋向于博弈Nash均衡点。实验结果表明随着各种群协同博弈进化,量子博弈后的各进化子种群Popi′上种群精英将通过确定最佳协同策略使其效能均能达到各自最优,在每个划分的MRI病历属性子集上可快速而稳定求解到各自最佳属性约简集。
D、种群精英量子种群博弈后,计算各进化子种群精英个体Elitisti在各自MRI病历属性子集上所取得目标适应度函数值Fitness(Elitisti),取进化种群中所有精英个体在各自分配信任裕度下适应度的平均值为该种群的最优适应度值,即
F ( x ) ‾ = 1 n Σ i = 1 n ( F i t n e s s ( Elitist i ) × | R TM i | | R T M | )
E、上述各子种群精英Elitisti在MRI病历上量子协同博弈后,求出精英在其进化子种群上取最优适应度时所对应的病历MRI属性约简子集Red(C)i,从而取得MRI病历全局最优属性约简集为
F、评估求得的MRI病历全局最优属性约简集,判断其是否满足MRI属性约简精度要求,如满足,则输出MRI病历全局最优属性约简集REDopt;不满足,则重复进行上述过程。
本发明将公开一种用于MRI病历属性约简的量子协同博弈设计方法,使参与MRI病历属性约简的协同种群寻优性能得到较大幅度的提高,可快速而稳定取得Nash均衡下全局最优属性约简集。该方法应用于脑组织MRI病历属性自适应约简中,进行脑软组织的灰质、白质和脑脊液分割,为脑功能、病理及其解剖等相关研究提供重要的辅助诊断功能。该方法可在保持MRI病历原有用途和原有性能基础上,较好完成MRI病历属性自适应约简,为建立一个以个性化、一体化、协同化和知识化为特征的临床决策支持系统提供重要的辅助决策服务。
本方法设计的种群精英在基于信任裕度效用矩阵的量子协同博弈均衡演化机制驱动下,通过确定各自最佳协同博弈策略均能达到各自属性约简的最优效能,其求解效率和性能优于现有的同类算法,能快速取得Nash均衡下全局最优属性约简集。种群精英量子协同博弈机制的引入使参与属性约简的种群精英寻优性能得到较大幅度的提高,可稳定取得Nash均衡下全局最优属性约简集,这是目前一般MRI病历属性约简方法所无法达到的全局稳定性。本方法所设计的每个子种群精英所分配的信任裕度效用矩阵中各信任裕度简洁,精英量子协同博弈策略中各量子门数规整、相邻间纠缠和博弈策略简单,博弈策略整个流程易于控制和构造,便且于实际编程实现。本方法设计的种群精英通过获得各自MRI属性特征约简最优值而达到MRI属性约简整体最优,能高效快速的完成MRI图像属性约简,且对高斯噪声等灰度不均匀性具有较好抑止作用。本方法对MRI病历轮廓线的初始位置敏感度较强,分割曲线基本可准确定位到MRI病历目标边界处,分割效果较符合实际解剖结构结果,为脑疾病早期辅助诊断和预警等提供重要的决策支持分析等。

Claims (4)

1.一种用于MRI病历属性约简的量子协同博弈实现方法,其特征在于:具体步骤如下:
A、MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法:该方法通过竞争协同机制将MRI病历属性进行子适应划分到不同的进化子种群中,并在各进化子种群中进行各自优秀种群精英Elitisti的选取;
B、MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法:将参与MRI病历属性约简的各种群精英分别分配信任裕度,构建信任裕度效用矩阵,使得各种群精英Elitisti通过其相应信任裕度动态调整,形成稳定均衡价,保证参与属性演化约简的各种群精英效用均能达到各自最佳值;
C、MRI病历属性约简中种群精英量子种群博弈策略实现方法:构建一种种群精英量子种群博弈策略进行MRI病历属性约简,通过各子种群精英Elitisti在博弈中Nash均衡,使属性约简中各子种群精英Elitisti的策略均是对博弈对方Elitistj策略的最优反应,各种群精英根据相互博弈时观测到的情况将不断调整自身策略,从而最终地达到病历MRI属性演化约简的稳定态;
D、种群精英量子种群博弈后,计算各进化子种群精英个体Elitisti在各自MRI病历属性子集上所取得目标适应度函数值Fitness(Elitisti),取进化种群中所有精英个体在各自分配信任裕度下适应度的平均值为该种群的最优适应度值,即式中为第i个子种群精英对整个种群所有博弈精英产生的信任裕度矢量值,
E、上述各子种群精英Elitisti在MRI病历上量子协同博弈后,求出精英在其进化子种群上取最优适应度时所对应的病历MRI属性约简子集Red(C)i,从而取得MRI病历全局最优属性约简集为
F、评估求得的MRI病历全局最优属性约简集,判断其是否满足MRI属性约简精度要求,如满足,则输出MRI病历全局最优属性约简集REDopt;不满足,则重复进行上述过程。
2.根据权利要求1所述一种用于MRI病历属性约简的量子协同博弈实现方法,其特征在于:步骤A中所述的MRI病历属性约简中基于竞争协同的属性子集划分和子种群精英选取实现方法,具体步骤如下:
a、设计进化种群为Pop,MRI病历属性集为C,将参与MRI病历属性约简的进化种群划分为n个相同大小的子种群Popi(i=1,2,...n),每个子种群Popi被分配一个表示MRI病历属性子集Ci(i=1,2,...n)的概率ξi,即子种群Popi表示MRI病历属性子集Ci的概率,初始概率值ξi均设为即所有子种群在参与MRI病历属性约简时都有相同的表示概率;
b、随着各子种群Popi的进化,其表示MRI病历属性子集Ci的概率ξi将自适应变化;在开始迭代时,第i个MRI病历属性子集Ci被分配到第i个子种群Popi中;在接下来的第(k+1)次迭代中,各进化子种群Popi表示第j个MRI病历属性子集Cj的概率定义如下:
P i , j ( k + 1 ) = P i , j ( k ) + 1 n × Σ k = 1 n e α k 2
其中αkk∈[0.5,1])为子种群的学习率,子种群的选择概率将随着MRI病历属性子集约简过程的增加而自适应增大;
c、计算进化子种群Popi表示第j个MRI病历属性子集Cj的平均概率Pi,j
P i , j = 1 n Σ k = 1 n P i , j ( k )
d、构造子种群表示MRI病历属性的概率矩阵如下:
e、在上述概率矩阵中比较n个子种群表示第j个MRI病历属性子集Cj概率值大小,选出其中概率值最大的子种群Popi,即可确定由该子种群来优化MRI病历属性子集Cj
f、计算每个子种群Popi中每个进化个体的适应度Fitness(x),选出其中最优适应度个体即为该子种群的最优精英个体Elitisti
3.根据权利要求1所述一种用于MRI病历属性约简的量子协同博弈实现方法,其特征在于:步骤B中所述的MRI病历属性约简中种群精英信任裕度效用矩阵构建实现方法,具体步骤如下:为保证参与MRI病历属性约简的各种群精英在演化约简过程中整体性能达到最优,对各子种群精英Elitisti的合作行为给予相应报酬激励,即确定某一精英在协同演化过程中支付给其他博弈精英的报酬值,可较好提高种群精英在属性子集中求最优约简子集性能,为此定义从每个子种群中选出精英Elitisti的相应信任度权重为信任裕度,整个种群精英信任裕度效用矩阵RTM定义如下:
式中为第i个子种群精英对整个种群所有博弈精英产生的信任裕度矢量值,其中对第j个种群精英产生的信任裕度值为
r TM i j = ρ i / ∂ j ( 1 ≤ i , j ≤ n , i ≠ j )
式中参数ρi为第i个子种群内进化个体向所在种群内适应度最优解Fitness(x)b和适应度最差解Fitness(x)w学习的学习因子,其中
式中参数为第j个子种群向全局平均适应度最好子种群解Fitness(x)B和最差子种群解Fitness(x)W学习的学习因子,其中
该信任裕度效用矩阵RTM将决定属性博弈约简过程中各博弈精英策略的优劣程度,各种群精英Elitisti通过其相应信任裕度的动态调整将形成稳定均衡价,使各种群精英参与属性演化约简效用最终能达到共赢。
4.根据权利要求1所述一种用于MRI病历属性约简的量子协同博弈实现方法,其特征在于:所述步骤C中所述MRI病历属性约简中种群精英量子种群博弈策略实现方法,具体步骤如下:
a、令每个参与属性演化约简的进化子种群Popi上种群精英Elitisti状态为将该种群所有精英状态进行归一化处理后为
b、通过量子门将种群精英状态进行纠缠,形成种群精英初始状态为
其中
c、将各进化子种群精英Elitisti策略分别赋以相应酉算子
U ^ i ( θ , φ ) = e i φ cos ( θ / 2 ) sin ( θ / 2 ) - sin ( θ / 2 ) e - i φ cos ( θ / 2 ) ( 0 ≤ θ ≤ π , 0 ≤ φ ≤ π /2 )
当各种群精英相互博弈后,参与属性演化约简的种群精英Elitisti所对应的进化子种群状态将被调整为Popi′;
d、通过量子门解纠缠,求得参与属性演化约简种群精英的最终状态如下:
随着量子纠缠度γ增大,各种群精英在属性演化约简博弈时将根据其自身信任裕度效用的收益不断调整自身策略,使博弈各方效用更易趋向于博弈Nash均衡点。
CN201410090633.6A 2014-03-13 2014-03-13 一种用于mri病历属性约简的量子协同博弈实现方法 Active CN103838972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410090633.6A CN103838972B (zh) 2014-03-13 2014-03-13 一种用于mri病历属性约简的量子协同博弈实现方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410090633.6A CN103838972B (zh) 2014-03-13 2014-03-13 一种用于mri病历属性约简的量子协同博弈实现方法

Publications (2)

Publication Number Publication Date
CN103838972A CN103838972A (zh) 2014-06-04
CN103838972B true CN103838972B (zh) 2016-08-24

Family

ID=50802460

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410090633.6A Active CN103838972B (zh) 2014-03-13 2014-03-13 一种用于mri病历属性约简的量子协同博弈实现方法

Country Status (1)

Country Link
CN (1) CN103838972B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104462853B (zh) * 2014-12-29 2017-05-24 南通大学 用于电子病历特征提取的种群精英分布云协同均衡方法
CN104615892B (zh) * 2015-02-10 2017-07-07 南通大学 一种用于中医病历诊断规则挖掘的多层精英角色方法
CN105279388B (zh) * 2015-11-17 2017-11-17 南通大学 多层云计算框架协同的孕龄新生儿脑病历集成约简方法
CN108446740B (zh) * 2018-03-28 2019-06-14 南通大学 一种用于脑影像病历特征提取的多层一致协同方法
CN110867224B (zh) * 2019-10-28 2022-02-08 南通大学 用于大规模脑病历分割的多粒度Spark超信任模糊方法
CN111354427B (zh) * 2020-02-25 2022-04-29 南通大学 用于大规模电子健康档案知识协同约简的最近邻多粒度利润方法
CN111768003A (zh) * 2020-07-02 2020-10-13 贵州民族大学 基于量子博弈和pi演算的心智行为预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682210A (zh) * 2012-05-08 2012-09-19 南通大学 一种用于电子病历属性约简的自适应蛙群进化树设计方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682210A (zh) * 2012-05-08 2012-09-19 南通大学 一种用于电子病历属性约简的自适应蛙群进化树设计方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Adaptive multicascade attribute reduction based on quantum-inspired mixed co-evolution";Ding Weiping;《Journal of Southeast University》;20120731;第28卷(第2期);第145-150页 *
"基于粗糙集的属性约简优化算法研究";丁卫平等;《苏州大学学报》;20080430;第24卷(第2期);第52-56页 *
"基于量子蛙跳协同进化的粗糙属性快速约简";丁卫平等;《电子学报》;20111130;第39卷(第11期);第2597-2603页 *

Also Published As

Publication number Publication date
CN103838972A (zh) 2014-06-04

Similar Documents

Publication Publication Date Title
CN103838972B (zh) 一种用于mri病历属性约简的量子协同博弈实现方法
CN110147450B (zh) 一种知识图谱的知识补全方法及装置
JP4308871B2 (ja) 脳機能データ解析方法、脳機能解析装置及び脳機能解析プログラム
WO2020103683A1 (zh) 基于脑功能图谱的猴-人跨物种迁移进行精神疾病的个体化预测方法和系统
CN109754404A (zh) 一种基于多注意力机制的端到端的肿瘤分割方法
CN109558896B (zh) 基于超声组学和深度学习的疾病智能化分析方法及系统
CN106446942A (zh) 基于增量学习的农作物病害识别方法
CN109360208A (zh) 一种基于单程多任务卷积神经网络的医学图像分割方法
CN106023195A (zh) 基于自适应遗传算法的bp神经网络图像分割方法及装置
CN105726026A (zh) 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法
CN101706561B (zh) 功能性磁共振图像的聚类方法
CN106570516A (zh) 一种利用卷积神经网络cnn的障碍物识别方法
CN106796533A (zh) 自适应地选择执行模式的系统和方法
Yang et al. Searching collaborative agents for multi-plane localization in 3D ultrasound
CN109685814A (zh) 基于mspcnn的胆囊结石超声图像全自动分割方法
CN105957047A (zh) 有监督的多模态脑影像融合方法
Stanton et al. Category number impacts rule-based and information-integration category learning: a reassessment of evidence for dissociable category-learning systems.
Gutiérrez et al. A Bayesian nonparametric multiple testing procedure for comparing several treatments against a control
Onofrj et al. Interaction of the salience network, ventral attention network, dorsal attention network and default mode network in neonates and early development of the bottom-up attention system
CN112101438B (zh) 一种左右眼分类方法、装置、服务器和存储介质
JP7152810B2 (ja) 多色モデル及びニューラルネットワークを用いた疾病診断システム及び方法
CN106980753A (zh) 一种用于神经疾病的基于体素分析的数据驱动机器学习方法
Cornwall et al. Effects of categorical and numerical feedback on category learning
CN109920478A (zh) 一种基于相似性和低秩矩阵填充的微生物-疾病关系预测方法
Liang et al. Exploiting task relationships for Alzheimer’s disease cognitive score prediction via multi-task learning

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CB03 Change of inventor or designer information

Inventor after: Ding Weiping

Inventor after: Lu Yan

Inventor after: Guan Zhijin

Inventor after: Shi Quan

Inventor after: Chen Senbo

Inventor after: Shen Xuehua

Inventor after: Miao Xueqing

Inventor after: Cheng Xueyun

Inventor after: Li Yuehua

Inventor before: Ding Weiping

Inventor before: Guan Zhijin

Inventor before: Shi Quan

Inventor before: Chen Senbo

Inventor before: Shen Xuehua

Inventor before: Miao Xueqing

Inventor before: Cheng Xueyun

Inventor before: Li Yuehua

COR Change of bibliographic data
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20210625

Address after: 226019 No.205, building 6, Nantong University, No.9, Siyuan Road, Nantong City, Jiangsu Province

Patentee after: Center for technology transfer, Nantong University

Address before: 226019 Jiangsu Province, Nantong City Chongchuan District sik Road No. 9

Patentee before: NANTONG University

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20140604

Assignee: Jiangsu Aosen Intelligent Technology Co.,Ltd.

Assignor: Center for technology transfer, Nantong University

Contract record no.: X2023320000011

Denomination of invention: A Quantum Cooperative Game Implementation Method for Attribute Reduction of MRI Medical Records

Granted publication date: 20160824

License type: Common License

Record date: 20230106

CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 226001 No.9, Siyuan Road, Chongchuan District, Nantong City, Jiangsu Province

Patentee after: Nantong University Technology Transfer Center Co.,Ltd.

Address before: 226019 No.205, building 6, Nantong University, No.9, Siyuan Road, Nantong City, Jiangsu Province

Patentee before: Center for technology transfer, Nantong University

EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20140604

Assignee: Nantong Huazhuo Medical Technology Co.,Ltd.

Assignor: Nantong University Technology Transfer Center Co.,Ltd.

Contract record no.: X2023980053317

Denomination of invention: A Quantum Collaborative Game Implementation Method for Attribute Reduction of MRI Medical Records

Granted publication date: 20160824

License type: Common License

Record date: 20231221