基于自适应混沌粒子群和支持向量机的医学图像分类.pdf

医疗装备2017年2月第30卷第3期MedicalEquipment，February．2017，Vo1．30，No．3 · 医学工程 · 基于 自适应混沌粒子群和支持向量机的医学图像分类 岳丽娟 ，姜英姿 解放军第四。四医院 (山东威海 264200) [摘 要]考虑到支持向量机 (SVM)在分类模型的建立过程中会遇到的参数设置和特征选择的问题， 针对现有算法效率不高、速度不快的问题 ，在已有优化算法的基础上，提出了一种引入 自适应混沌粒子群算 法来优化SVM分类器的方法。通过混沌序列和 自适应函数来改善粒子群的早熟收敛、易于陷入局部极值的 问题 ，同时调整惯性权重来加快收敛速度。通过仿真实验证明算法可行性 ，并在脑 CT图像分类上得到比较 满意的效果。 [关键词]支持向量机；特征选择；粒子群优化；混沌序列 [中图分类号]TP3 [文献标识码]A [文章编号]1002—2376(2017)03—0023—04 支持向量机 (suppo~vectormachine，SVM)从本质上说 器。Huang等 提出利用遗传算法同步优化特征选择和参 是一种适用于小样本的两类学习分类方法，与传统的神经 数估计的SVM分类模型，之后，将此模型成功应用于信用 网络相比，具有出色的性能，运用结构风险最小化原则， 评分。Gao等 6[1提出将遗传算法和PSO同时用于特征选择 折中经验风险和模型复杂度，被广泛应用于解决医学领域 和参数优化，并将该模型应用于高质谱图像分类。以上这 的图像分类问题。 些方法都取得 了不错的效果 ，在一定程度上改进了SVM的 SVM的分类Ⅲ是建立在对训练数据进行训练而得到的 性能。但是也存在一些问题 ，如对于遗传算法来优化 SVM 分类模型上的。核函数的选择和参数的设置，能够直接影 时需要大量的种群和迭代次数来保证稳定性，这浪费了计 响到分类器的性能，径向核函数由于对复杂多因子的样本 算时间。根据 目前已有的SVM优化算法，PSO与SVM结合 分类问题有较好的学习能力被广泛应用 ]。在径向核函数的 的分类算法比较常见，有研究提出了一种利用量子粒子群 SVM中，惩罚因子C以及核函数参数 是影响SVM分类正 算法进行 SVM的特征选择和参数优化方法 (AQPSO)用于 确率的主要参数，要想得到好的分类效果 ，这两个参数必 SVM的特征和参数优化上，取得了良好的效果 l。此外， 须合理。其中惩罚因子 C是在特征空间中对学习机的置信 用混沌策略与PSO的结合也已有不少尝试，该文在AQPSO 范围和经验风险比例进行调节，C值过大导致泛化能力降低， 算法的基础上 ，将 自适应混沌粒子群算法与SVM相结合， 过小分类精度降低，导致分类模型失效；核函数 的值影 较好地解决了SVM参数设置和特征选择问题，并且加快了 响特征空间的分离结果，也在一定程度上影响系统的泛化 收敛速度。实验证明了该方法的可行性和良好的分类能力。 能力，因此选择最佳的C和 口，可以有效地提高SVM的分 1 自适应混沌粒子群算法 类正确率。 1．1 粒子群优化算法 不适合的参数和特征都会导致不好的分类结果。对于 PSO是一种基于群体智能的高效并行搜索进化算法。 具体的分类来说，所有的特征并不都是同等重要的，其中 PSO是在 1995年由美 国的Kennedy和Eberhaa通过分析模 会包含一些冗余的甚至是不相关的特征信息，丢弃这些不 拟鸟群觅食过程共同提出的。 重要 的特征会使分类效果更佳。另外，降低输入特征的空 PSO的数学模型是：假设优化一个包含 D个变量 的 间维数也可能会降低计算用时，提高速率。由此可见，要 连续函数，搜索空间为D维，将第 i个粒子的位置表示为 获得一个快速精确的SVM分类器，需要解决最优特征子集 = ， · D)，粒子速率表示为