CN112085059A - 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法 - Google Patents

一种基于改进正余弦优化算法的乳腺癌图像特征选择方法 Download PDF

Info

Publication number
CN112085059A
CN112085059A CN202010784030.1A CN202010784030A CN112085059A CN 112085059 A CN112085059 A CN 112085059A CN 202010784030 A CN202010784030 A CN 202010784030A CN 112085059 A CN112085059 A CN 112085059A
Authority
CN
China
Prior art keywords
population
optimization algorithm
sine
breast cancer
updating
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.)
Granted
Application number
CN202010784030.1A
Other languages
English (en)
Other versions
CN112085059B (zh
Inventor
汪鹏君
周伟
陈慧灵
李洪
陈博
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.)
Wenzhou University
Original Assignee
Wenzhou 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 Wenzhou University filed Critical Wenzhou University
Priority to CN202010784030.1A priority Critical patent/CN112085059B/zh
Publication of CN112085059A publication Critical patent/CN112085059A/zh
Application granted granted Critical
Publication of CN112085059B publication Critical patent/CN112085059B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于改进正余弦优化算法的乳腺癌图像特征选择方法，包括提取乳腺癌图像特征的特征数据，得到训练样本集，并初始化种群；根据述训练样本集设计支持向量机分类器，并进行分类；计算当前种群的适应度值，并更新樽海鞘和灰狼策略中相关参数；设置正余弦优化算法的相关参数，并获取通过正余弦优化算法更新的种群；将所获取的正余弦优化算法更新的种群分别通过樽海鞘、灰狼和莱维飞行策略进行更新，以获取三个种群；通过贪婪选择筛选出最佳种群；若符合终止条件，则结束并输出最优解，否则继续迭代直至迭代计算结束。实施本发明，能解决正余弦优化算法的陷入局部最优解、收敛速度慢等问题，实现对乳腺癌图像的分类及预测。

Description

一种基于改进正余弦优化算法的乳腺癌图像特征选择方法
技术领域
本发明涉及计算机图像处理技术领域，尤其涉及一种基于改进正余弦优化算法的乳腺癌图像特征选择方法。
背景技术
近年来，随着发病率和死亡率的不断升高，癌症已经成为影响人类健康的重要因素之一。乳腺癌作为女性疾病中最常见的恶性肿瘤，严重危害着女性的健康。在目前的医疗设备和医学技术背景下，早期诊断和早期治疗成为治疗乳腺癌的关键手段。随着机器学习技术的不断发展，机器学习算法能够以更简单、更有效的方式检测出患癌症的风险，从而达到降低癌症发病率的目的。基于图像来识别良性和恶性肿瘤对乳腺癌的早期诊断和识别具有重要的意义。使用机器学习相关算法对乳腺癌图片数据进行特征选择及分类来预测癌症发病情况，已成为癌症分类领域的热点问题。
然而，在提取的众多图像特征中往往存在不同程度的冗余特征或噪音特征，这些特征大大影响识别的速度和准确性。因此，原始的特征需要进行筛选，丢弃那些模拟两可、不易判别或者相关性强的特性。
特征选择实质上也是一个组合优化问题。常规的优化算法，诸如解析法，不仅对目标函数要求连续且可微，还只能得到局部最优解；枚举法，虽然克服这些缺点，但计算效率太低。即便是相当著名的动态规划法，也会遇到“指数爆炸”问题，对于中等规模及适度复杂性问题，也常常表现乏力。群智能优化算法在优化问题上的优越表现引起了诸多研究生者的广泛关注。
基于遗传算法、粒子群算法的乳腺癌图像特征选择方法，收获了相当好的分类结果。正余弦优化算法(Sine Cosine Algorithm,SCA)是一种新兴的启发式群体智能算法，它采用正弦和余弦函数两个数学公式，在整个搜索空间上不断探索和开发的过程。然而，SCA在搜索的过程中，也仍存在陷入局部最优的现象。在优化解的收敛速度以及收敛精度上，仍然具有很高的提升空间。在这种情况下，很难保持勘探和开发的有效平衡。因此针对上述问题，从寻找新的搜索机制的角度以及通过结合混合策略的方式来改进正余弦算法从而优化预测模型的准确性。
因此，有必要提供一种基于改进正余弦优化算法的乳腺癌图像特征选择方法，能解决正余弦优化算法的陷入局部最优解、收敛速度慢等问题，实现对乳腺癌图像的分类及预测。
发明内容
本发明实施例所要解决的技术问题在于，提供一种基于改进正余弦优化算法的乳腺癌图像特征选择方法，能解决正余弦优化算法的陷入局部最优解、收敛速度慢等问题，实现对乳腺癌图像的分类及预测。
为了解决上述技术问题，本发明实施例提供了一种基于改进正余弦优化算法的乳腺癌图像特征选择方法，所述方法包括以下步骤：
步骤S1、提取乳腺癌图像特征的特征数据，得到训练样本集，并初始化种群；
步骤S2、根据所述训练样本集设计支持向量机分类器，并进行分类；
步骤S3、计算当前种群的适应度值，并更新樽海鞘和灰狼策略中相关参数；
步骤S4、设置正余弦优化算法的相关参数，并获取通过正余弦优化算法更新的种群；
步骤S5、将所获取的正余弦优化算法更新的种群分别通过樽海鞘、灰狼和莱维飞行策略进行更新，以获取三个种群；
步骤S6、通过贪婪选择筛选出最佳种群；
步骤S7、若符合终止条件，则结束并输出最优解，否则迭代次数加1，并返回步骤S2。
其中，在步骤S1中，所述训练样本集的特征数据包括颜色特征数据、形状特征数据和纹理特征数据。
其中，在步骤S2中，设所述训练样本集X＝(x1，x2，…，xN)，i＝1,2,...,N，其中，N为训练样本数量，种群X每个个体通过公式(1)和公式(2)模拟成一个二进制字符串作为一候选解；
Figure BDA0002621268710000031
Figure BDA0002621268710000032
其中，
Figure BDA0002621268710000033
表示第t次迭代中产生的第i个个体的第j个特征值,r是一个[0,1]的随机数。
其中，在步骤S3中，采用公式(3)和公式(4)计算所述适应度值的适应度值，将当前种群个体按照适应度值从小到大进行排序，并更新樽海鞘策略中使用的最优解和灰狼策略中涉及的α，β和δ领导狼；
Figure BDA0002621268710000034
Figure BDA0002621268710000035
其中，a表示分类准确权重，b表示最佳特征选择数权重，a和b的关系为a+b＝1，n表示选择的特征子集的长度，N是每个样本中特征的总数，cc表示样本中分类正确的数目，uc表示分类错误的样本数目。
其中，在步骤S4中，设置正余弦优化算法的相关参数r1，r2，r3和r4，并采用公式(5)更新得到新种群：
Figure BDA0002621268710000036
其中，r1是[0,2]线性递减的函数，r2是[0,2π]的随机数，r3和r4是[0,1]的随机数，
Figure BDA0002621268710000037
是t次迭代下全局最优解，
Figure BDA0002621268710000038
是t次迭代下的种群，
Figure BDA0002621268710000039
是t+1迭代下的种群。
其中，在步骤S5中，将SCA算法更新的种群分别通过樽海鞘、灰狼和莱维飞行策略进行更新，以获取三个种群的步骤具体包括：
首先，樽海鞘更新策略先将输入种群X进行转置，具体为：当i<N/2，采用式(6)进行更新得到前一半转置种群；当i>N/2且i<N+1，采用式(7)进行更新得到后一半转置种群，最后综合转置种群并再实施转置得到新种群S；
Figure BDA0002621268710000041
Figure BDA0002621268710000042
其中，
Figure BDA0002621268710000043
t和tmax分别为当前迭代次数和最大迭代次数，c2和c3是[0,1]的随机数，
Figure BDA0002621268710000044
是t次迭代下，最优解P的第j维度值，ubj是第j维度的上界值，lbj是第j维度的下界值，
Figure BDA0002621268710000045
是t次迭代下输入种群X的第i个体在第j维度转置值，
Figure BDA0002621268710000046
次迭代下输入种群X的第i-1个体在第j维度转置值；
其次，灰狼更新策略将输入种群适应度最小的前三个个体分别作为领导狼
Figure BDA0002621268710000047
和
Figure BDA0002621268710000048
并采用公式(8)～(12)进行更新种群G；
Figure BDA0002621268710000049
Figure BDA00026212687100000410
Figure BDA00026212687100000411
Figure BDA00026212687100000412
Figure BDA00026212687100000413
其中，
Figure BDA00026212687100000414
和
Figure BDA00026212687100000415
依次是t迭代下，输入种群X的第i个体，α狼，β狼和δ狼的位置，
Figure BDA00026212687100000416
t和tmax分别为当前迭代次数和最大迭代次数，
Figure BDA00026212687100000417
和
Figure BDA00026212687100000418
是[0,1]的随机数，G是通过GWO更新策略得到的种群；
最后，莱维飞行更新策略采用公式(13)～(15)获取随机步长s，再通过公式(16)更新得新种群L；
Figure BDA00026212687100000419
Figure BDA00026212687100000420
Figure BDA00026212687100000421
Figure BDA0002621268710000051
其中，u和v服从正态分布，β是常数为1.5，s是步长，
Figure BDA0002621268710000052
是t次迭代下的输入种群。
其中，在步骤S6中，将步骤S5中获取的三个种群根据公式(3)和公式(4)求适应度值，并从小到大进行排序，筛选前N适应度小的个体作为下一代种群X；
其中，在步骤S7中，若符合终止条件，则结束并输出最优解，否则迭代次数加1，并返回步骤S2。
本发明实施例还提供了一种基于改进正余弦优化算法的乳腺癌图像特征选择装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述的基于改进正余弦优化算法的乳腺癌图像特征选择方法的步骤。
实施本发明实施例，具有如下有益效果：
本发明将三种不同的策略(如樽海鞘策略、灰狼策略和莱维飞行策略)引入到SCA算法中，改善了原始SCA算法的搜索能力，加快原始SCA算法的收敛速度和提高原始SCA算法的收敛精度，解决了正余弦优化算法的陷入局部最优解、收敛速度慢等问题，进而将该方法用于乳腺癌图像特征选择中，有效降低特征维数，提高分类识别的准确度，并且通过支持向量机分类器的要求，进一步提高分类的性能，该方法能够有效地提高乳腺癌图像特征选择的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明实施例一提供的基于改进正余弦优化算法的乳腺癌图像特征选择方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例一中，提供的一种基于改进正余弦优化算法的乳腺癌图像特征选择方法，所述方法包括以下步骤：
步骤S1、提取乳腺癌图像特征的特征数据，得到训练样本集，并初始化种群；
具体为，提取乳腺癌图像特征的特征数据，该特征数据包括颜色特征数据、形状特征数据和纹理特征数据，并进一步根据特征提取得到训练样本集，同时初始化N个体为原始SCA算法的初始化种群。
步骤S2、根据所述训练样本集设计支持向量机分类器，并进行分类；
具体为，根据样本集设计支持向量机分类器并分类，同时设训练样本集X＝(x1，x2，…，xN)，i＝1,2,...,N，其中，N为训练样本数量，种群X每个个体通过公式(1)和公式(2)模拟成一个二进制字符串作为一候选解；
Figure BDA0002621268710000061
Figure BDA0002621268710000062
其中，
Figure BDA0002621268710000063
表示第t次迭代中产生的第i个个体的第j个特征值,r是一个[0,1]的随机数。
步骤S3、计算当前种群的适应度值，并更新樽海鞘和灰狼策略中相关参数；
具体为，采用公式(3)和公式(4)计算所述适应度值的适应度值，将当前种群个体按照适应度值从小到大进行排序，并更新樽海鞘策略中使用的最优解和灰狼策略中涉及的α，β和δ领导狼；
Figure BDA0002621268710000064
Figure BDA0002621268710000065
其中，a表示分类准确权重，b表示最佳特征选择数权重，a和b的关系为a+b＝1，n表示选择的特征子集的长度，N是每个样本中特征的总数，cc表示样本中分类正确的数目，uc表示分类错误的样本数目。
步骤S4、设置正余弦优化算法的相关参数，并获取通过正余弦优化算法更新的种群；
具体为，设置正余弦优化算法的相关参数r1，r2，r3和r4，并采用公式(5)更新得到新种群：
Figure BDA0002621268710000071
其中，r1是[0,2]线性递减的函数，r2是[0,2π]的随机数，r3和r4是[0,1]的随机数，
Figure BDA0002621268710000072
是t次迭代下全局最优解，
Figure BDA0002621268710000073
是t次迭代下的种群，
Figure BDA0002621268710000074
是t+1迭代下的种群。
步骤S5、将所获取的正余弦优化算法更新的种群分别通过樽海鞘、灰狼和莱维飞行策略进行更新，以获取三个种群；
具体为，首先，樽海鞘更新策略先将输入种群X进行转置，具体为：当i<N/2，采用式(6)进行更新得到前一半转置种群；当i>N/2且i<N+1，采用式(7)进行更新得到后一半转置种群，最后综合转置种群并再实施转置得到新种群S；
Figure BDA0002621268710000075
Figure BDA0002621268710000076
其中，
Figure BDA0002621268710000077
t和tmax分别为当前迭代次数和最大迭代次数，c2和c3是[0,1]的随机数，
Figure BDA0002621268710000078
是t次迭代下，最优解P的第j维度值，ubj是第j维度的上界值，lbj是第j维度的下界值，
Figure BDA0002621268710000079
是t次迭代下输入种群X的第i个体在第j维度转置值，
Figure BDA00026212687100000710
次迭代下输入种群X的第i-1个体在第j维度转置值；
其次，灰狼更新策略将输入种群适应度最小的前三个个体分别作为领导狼
Figure BDA00026212687100000711
和
Figure BDA00026212687100000712
并采用公式(8)～(12)进行更新种群G；
Figure BDA00026212687100000713
Figure BDA00026212687100000714
Figure BDA0002621268710000081
Figure BDA0002621268710000082
Figure BDA0002621268710000083
其中，
Figure BDA0002621268710000084
和
Figure BDA0002621268710000085
依次是t迭代下，输入种群X的第i个体，α狼，β狼和δ狼的位置，
Figure BDA00026212687100000813
t和tmax分别为当前迭代次数和最大迭代次数，
Figure BDA0002621268710000086
和
Figure BDA0002621268710000087
是[0,1]的随机数，G是通过GWO更新策略得到的种群；
最后，莱维飞行更新策略采用公式(13)～(15)获取随机步长s，再通过公式(16)更新得新种群L；
Figure BDA0002621268710000088
Figure BDA0002621268710000089
Figure BDA00026212687100000810
Figure BDA00026212687100000811
其中，u和v服从正态分布，β是常数为1.5，s是步长，
Figure BDA00026212687100000812
是t次迭代下的输入种群。
步骤S6、通过贪婪选择筛选出最佳种群；
具体为，将步骤S5中获取的三个种群根据公式(3)和公式(4)求适应度值，并从小到大进行排序，筛选前N适应度小的个体作为下一代种群X；
步骤S7、若符合终止条件，则结束并输出最优解，否则迭代次数加1，并返回步骤S2。
相对于本发明实施例一中提供的一种基于改进正余弦优化算法的乳腺癌图像特征选择方法，本发明实施例二又提供了一种基于改进正余弦优化算法的乳腺癌图像特征选择装置，包括存储器和处理器，存储器存储有计算机程序，其中，处理器执行计算机程序时实现本发明实施例一中的基于改进正余弦优化算法的乳腺癌图像特征选择方法的步骤。应当说明的是，本发明实施例二中处理器执行计算机程序的过程，与本发明实施例一中提供的一种车辆预警方法中各个步骤的执行过程一致，具体可参见前述相关内容描述。
实施本发明实施例，具有如下有益效果：
本发明将三种不同的策略(如樽海鞘策略、灰狼策略和莱维飞行策略)引入到SCA算法中，改善了原始SCA算法的搜索能力，加快原始SCA算法的收敛速度和提高原始SCA算法的收敛精度，解决了正余弦优化算法的陷入局部最优解、收敛速度慢等问题，进而将该方法用于乳腺癌图像特征选择中，有效降低特征维数，提高分类识别的准确度，并且通过支持向量机分类器的要求，进一步提高分类的性能，该方法能够有效地提高乳腺癌图像特征选择的精度。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (9)

1.一种基于改进正余弦优化算法的乳腺癌图像特征选择方法，其特征在于，所述方法包括以下步骤：
步骤S1、提取乳腺癌图像特征的特征数据，得到训练样本集，并初始化种群；
步骤S2、根据所述训练样本集设计支持向量机分类器，并进行分类；
步骤S3、计算当前种群的适应度值，并更新樽海鞘和灰狼策略中相关参数；
步骤S4、设置正余弦优化算法的相关参数，并获取通过正余弦优化算法更新的种群；
步骤S5、将所获取的正余弦优化算法更新的种群分别通过樽海鞘、灰狼和莱维飞行策略进行更新，以获取三个种群；
步骤S6、通过贪婪选择筛选出最佳种群；
步骤S7、若符合终止条件，则结束并输出最优解，否则迭代次数加1，并返回步骤S2。
2.如权利要求1所述的基于改进正余弦优化算法的乳腺癌图像特征选择方法，其特征在于，在步骤S1中，所述训练样本集的特征数据包括颜色特征数据、形状特征数据和纹理特征数据。
3.如权利要求1所述的基于改进正余弦优化算法的乳腺癌图像特征选择方法，其特征在于，在步骤S2中，设所述训练样本集X＝(x1，x2，…，xN)，i＝1,2,...,N，其中，N为训练样本数量，种群X每个个体通过公式(1)和公式(2)模拟成一个二进制字符串作为一候选解；
Figure FDA0002621268700000011
Figure FDA0002621268700000012
其中，
Figure FDA0002621268700000013
表示第t次迭代中产生的第i个个体的第j个特征值,r是一个[0,1] 的随机数。
4.如权利要求3所述的基于改进正余弦优化算法的乳腺癌图像特征选择方法，其特征在于，在步骤S3中，采用公式(3)和公式(4)计算所述适应度值的适应度值，将当前种群个体按照适应度值从小到大进行排序，并更新樽海鞘策略中使用的最优解和灰狼策略中涉及的α，β和δ领导狼；
Figure FDA0002621268700000021
Figure FDA0002621268700000022
其中，a表示分类准确权重，b表示最佳特征选择数权重，a和b的关系为a+b＝1，n表示选择的特征子集的长度，N是每个样本中特征的总数，cc表示样本中分类正确的数目，uc表示分类错误的样本数目。
5.如权利要求4所述的基于改进正余弦优化算法的乳腺癌图像特征选择方法，其特征在于，在所述步骤S4中，设置正余弦优化算法的相关参数r1，r2，r3和r4，并采用公式(5)更新得到新种群：
Figure FDA0002621268700000023
其中，r1是[0,2]线性递减的函数，r2是[0,2π]的随机数，r3和r4是[0,1]的随机数，
Figure FDA0002621268700000024
是t次迭代下全局最优解，
Figure FDA0002621268700000025
是t次迭代下的种群，
Figure FDA0002621268700000026
是t+1迭代下的种群。
6.如权利要求5所述的基于改进正余弦优化算法的乳腺癌图像特征选择方法，其特征在于，在所述步骤S5中，将SCA算法更新的种群分别通过樽海鞘、灰狼和莱维飞行策略进行更新，以获取三个种群的步骤具体包括：
首先，樽海鞘更新策略先将输入种群X进行转置，具体为：当i<N/2，采用式(6)进行更新得到前一半转置种群；当i>N/2且i<N+1，采用式(7)进行更新得到后一半转置种群，最后综合转置种群并再实施转置得到新种群S；
Figure FDA0002621268700000027
Figure FDA0002621268700000031
其中，
Figure FDA0002621268700000032
t和tmax分别为当前迭代次数和最大迭代次数，c2和c3是[0,1]的随机数，
Figure FDA0002621268700000033
是t次迭代下，最优解P的第j维度值，ubj是第j维度的上界值，lbj是第j维度的下界值，
Figure FDA0002621268700000034
是t次迭代下输入种群X的第i个体在第j维度转置值，
Figure FDA0002621268700000035
次迭代下输入种群X的第i-1个体在第j维度转置值；
其次，灰狼更新策略将输入种群适应度最小的前三个个体分别作为领导狼
Figure FDA0002621268700000036
和
Figure FDA0002621268700000037
并采用公式(8)～(12)进行更新种群G；
Figure FDA0002621268700000038
Figure FDA0002621268700000039
Figure FDA00026212687000000310
Figure FDA00026212687000000311
Figure FDA00026212687000000312
其中，
Figure FDA00026212687000000313
和
Figure FDA00026212687000000314
依次是t迭代下，输入种群X的第i个体，α狼，β狼和δ狼的位置，
Figure FDA00026212687000000315
t和tmax分别为当前迭代次数和最大迭代次数，
Figure FDA00026212687000000316
和
Figure FDA00026212687000000317
是[0,1]的随机数，G是通过GWO更新策略得到的种群；
最后，莱维飞行更新策略采用公式(13)～(15)获取随机步长s，再通过公式(16)更新得新种群L；
Figure FDA00026212687000000318
Figure FDA00026212687000000319
Figure FDA00026212687000000320
Figure FDA00026212687000000321
其中，u和v服从正态分布，β是常数为1.5，s是步长，
Figure FDA00026212687000000322
是t次迭代下的输入种群。
7.如权利要求6所述的基于改进正余弦优化算法的乳腺癌图像特征选择方法，其特征在于，步骤S6具体包括：
将步骤S5中获取的三个种群根据公式(3)和公式(4)求适应度值，并从小到大进行排序，筛选前N适应度小的个体作为下一代种群X。
8.如权利要求7所述的基于改进正余弦优化算法的乳腺癌图像特征选择方法，其特征在于，若符合终止条件，则结束并输出最优解，否则迭代次数加1，并返回步骤S2。
9.一种基于改进正余弦优化算法的乳腺癌图像特征选择装置，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～8中任一项所述的基于改进正余弦优化算法的乳腺癌图像特征选择方法的步骤。
CN202010784030.1A 2020-08-06 2020-08-06 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法 Active CN112085059B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010784030.1A CN112085059B (zh) 2020-08-06 2020-08-06 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010784030.1A CN112085059B (zh) 2020-08-06 2020-08-06 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法

Publications (2)

Publication Number Publication Date
CN112085059A true CN112085059A (zh) 2020-12-15
CN112085059B CN112085059B (zh) 2023-10-20

Family

ID=73735399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010784030.1A Active CN112085059B (zh) 2020-08-06 2020-08-06 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法

Country Status (1)

Country Link
CN (1) CN112085059B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767432A (zh) * 2021-02-24 2021-05-07 长沙民政职业技术学院 基于差分变异灰狼优化的核直觉模糊聚类图像分割方法
CN113570555A (zh) * 2021-07-07 2021-10-29 温州大学 基于改进蚱蜢算法的多阈值医学图像的二维分割方法
CN113642613A (zh) * 2021-07-23 2021-11-12 温州大学 基于改进樽海鞘群算法的医学疾病特征选择方法
CN113989496A (zh) * 2021-11-22 2022-01-28 杭州艾名医学科技有限公司 一种癌症类器官识别方法
CN116229158A (zh) * 2023-02-08 2023-06-06 贵州迦太利华信息科技有限公司 一种基于人工智能的图像分类标注方法
CN117523060A (zh) * 2024-01-04 2024-02-06 虚拟现实(深圳)智能科技有限公司 元宇宙数字人的画质处理方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160026887A1 (en) * 2014-07-25 2016-01-28 Altek Autotronics Corporation Method for generating orientation image
US9471836B1 (en) * 2016-04-01 2016-10-18 Stradvision Korea, Inc. Method for learning rejector by forming classification tree in use of training images and detecting object in test images, and rejector using the same
US20170039436A1 (en) * 2015-08-03 2017-02-09 Nokia Technologies Oy Fusion of RGB Images and Lidar Data for Lane Classification
CN107358231A (zh) * 2017-06-09 2017-11-17 东北电力大学 一种基于sift算子和混沌遗传算法的车牌字符识别方法
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
US20180356803A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm
CN109284860A (zh) * 2018-08-28 2019-01-29 温州大学 一种基于正交反向樽海鞘优化算法的预测方法
CN110222751A (zh) * 2019-05-28 2019-09-10 温州大学 一种基于正交多种群正余弦算法来构建预测模型的方法
CN110991494A (zh) * 2019-11-13 2020-04-10 温州大学 一种基于改进的飞蛾优化算法构建预测模型的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160026887A1 (en) * 2014-07-25 2016-01-28 Altek Autotronics Corporation Method for generating orientation image
US20170039436A1 (en) * 2015-08-03 2017-02-09 Nokia Technologies Oy Fusion of RGB Images and Lidar Data for Lane Classification
US9471836B1 (en) * 2016-04-01 2016-10-18 Stradvision Korea, Inc. Method for learning rejector by forming classification tree in use of training images and detecting object in test images, and rejector using the same
WO2018072351A1 (zh) * 2016-10-20 2018-04-26 北京工业大学 一种基于粒子群优化算法对支持向量机的优化方法
CN107358231A (zh) * 2017-06-09 2017-11-17 东北电力大学 一种基于sift算子和混沌遗传算法的车牌字符识别方法
US20180356803A1 (en) * 2017-06-12 2018-12-13 Hefei University Of Technology Method and system for batch scheduling uniform parallel machines with different capacities based on improved genetic algorithm
CN109284860A (zh) * 2018-08-28 2019-01-29 温州大学 一种基于正交反向樽海鞘优化算法的预测方法
CN110222751A (zh) * 2019-05-28 2019-09-10 温州大学 一种基于正交多种群正余弦算法来构建预测模型的方法
CN110991494A (zh) * 2019-11-13 2020-04-10 温州大学 一种基于改进的飞蛾优化算法构建预测模型的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
鲍小丽，等: "基于改进蜻蜓算法的多阈值彩色图像分割", 《计算机应用与软件》, vol. 37, no. 6, pages 234 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112767432A (zh) * 2021-02-24 2021-05-07 长沙民政职业技术学院 基于差分变异灰狼优化的核直觉模糊聚类图像分割方法
CN113570555A (zh) * 2021-07-07 2021-10-29 温州大学 基于改进蚱蜢算法的多阈值医学图像的二维分割方法
CN113570555B (zh) * 2021-07-07 2024-02-09 温州大学 基于改进蚱蜢算法的多阈值医学图像的二维分割方法
CN113642613A (zh) * 2021-07-23 2021-11-12 温州大学 基于改进樽海鞘群算法的医学疾病特征选择方法
CN113642613B (zh) * 2021-07-23 2023-10-10 温州大学 基于改进樽海鞘群算法的医学疾病特征选择方法
CN113989496A (zh) * 2021-11-22 2022-01-28 杭州艾名医学科技有限公司 一种癌症类器官识别方法
CN113989496B (zh) * 2021-11-22 2022-07-12 杭州艾名医学科技有限公司 一种癌症类器官识别方法
CN116229158A (zh) * 2023-02-08 2023-06-06 贵州迦太利华信息科技有限公司 一种基于人工智能的图像分类标注方法
CN116229158B (zh) * 2023-02-08 2023-09-05 贵州迦太利华信息科技有限公司 一种基于人工智能的图像分类标注方法
CN117523060A (zh) * 2024-01-04 2024-02-06 虚拟现实(深圳)智能科技有限公司 元宇宙数字人的画质处理方法、装置、设备及存储介质
CN117523060B (zh) * 2024-01-04 2024-05-17 虚拟现实(深圳)智能科技有限公司 元宇宙数字人的画质处理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112085059B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN112085059B (zh) 一种基于改进正余弦优化算法的乳腺癌图像特征选择方法
Carbonetto et al. A statistical model for general contextual object recognition
CN110276745B (zh) 一种基于生成对抗网络的病理图像检测算法
JP2022538866A (ja) 画像前処理のためのシステム及び方法
Too et al. Spatial bound whale optimization algorithm: an efficient high-dimensional feature selection approach
CN114841257B (zh) 一种基于自监督对比约束下的小样本目标检测方法
Song et al. A hybrid evolutionary computation approach with its application for optimizing text document clustering
Han et al. CookGAN: Meal image synthesis from ingredients
CN104091038A (zh) 基于大间隔分类准则的多示例学习特征加权方法
CN111767952A (zh) 一种可解释的肺结节良恶性分类方法
CN110889865A (zh) 一种基于局部加权稀疏特征选择的视频目标跟踪方法
Sepahvand et al. Overcoming limitation of dissociation between MD and MI classifications of breast cancer histopathological images through a novel decomposed feature-based knowledge distillation method
Hu et al. Sketch-a-classifier: Sketch-based photo classifier generation
Kanya Kumari et al. An adaptive teaching learning based optimization technique for feature selection to classify mammogram medical images in breast cancer detection
Liang et al. Figure-ground image segmentation using feature-based multi-objective genetic programming techniques
CN110472088B (zh) 一种基于草图的图像检索方法
Ma et al. Few-shot learning via dirichlet tessellation ensemble
Ma et al. Few-shot learning as cluster-induced Voronoi diagrams: a geometric approach
CN116188428A (zh) 一种桥接多源域自适应的跨域组织病理学图像识别方法
Scrucca et al. Projection pursuit based on Gaussian mixtures and evolutionary algorithms
CN112200224B (zh) 医学图像特征处理方法和装置
CN115762796A (zh) 目标模型的获取方法、预后评估值确定方法、装置、设备及介质
CN115565001A (zh) 基于最大平均差异对抗的主动学习方法
Khan et al. Breast cancer histological images nuclei segmentation and optimized classification with deep learning
CN114708347A (zh) 一种基于自适应选择的双源域异构迁移学习的肺结节ct图像分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20201215

Assignee: Ningbo Xungao Intelligent Technology Co.,Ltd.

Assignor: Wenzhou University

Contract record no.: X2024330000002

Denomination of invention: A feature selection method for breast cancer image based on improved sine cosine optimization algorithm

Granted publication date: 20231020

License type: Common License

Record date: 20240103