基于cole-cole参数的自适应免疫-最小一乘算法.docxVIP

基于cole-cole参数的自适应免疫-最小一乘算法 摘要：针对Cole-Cole参数的提取，本文提出自适应免疫-最小一乘算法。首先，通过制定自适应策略，并增设记忆单元，设计本算法对Cole-Cole参数的提取流程；其次，在标准生物阻抗数据集基础上分别添加3种不同噪声，并设置评价指标，对比分析自适应免疫-最小一乘算法与另外3种算法对Cole-Cole圆弧的拟合精度及Cole-Cole参数的提取结果；最后，基于自适应免疫-最小一乘算法，对其在噪声数据集下提取Cole-Cole参数的耗时长短及初值依赖性做出考量。实验结果表明，该算法相较于另外3种算法能够精准、快速地提取Cole-Cole参数，且对初值的依赖性不高。 前言生物阻抗特性是指生物组织的电学参数（电阻值和电容值）随着加载激励电信号频率的变化而发生显著变化1 模型建立与算法优化1.1 Cole-Cole模型生物细胞组织的电学特性可用图1所示的等效电路模型表示。其中，R基于生物细胞组织等效电路模型和Cole-Cole理论建立Cole-Cole方程：其中，Z (ω)为生物复阻抗，ω为角频率，ω=2πf分析图2中几何关系，可得：其中，(x根据式（1），弛豫时间常数τ表示为：其中，Z将式（2)～(5）代入式（6）中，并化简：由于τ表示弛豫时间，为实数，因此：为了确保测量精度，实际操作中采用多个数据点的平均值作为最终参数值：综上所述，Cole-Cole参数的提取流程如图3所示，可分为以下几个阶段：首先，根据阻抗数据拟合Cole-Cole圆弧，得到圆心坐标和半径；接着，分析Cole-Cole圆弧的几何关系，求解参数R1.2 自适应免疫-最小一乘算法为了提高Cole-Cole参数的提取精度，本文提出一种用于Cole-Cole参数提取的自适应免疫-最小一乘算法，即AIA-LAD算法。该算法一方面采用最小一乘法进行拟合，增强鲁棒性能；另一方面利用自适应免疫算法进行迭代，提高寻优能力。其中，自适应免疫算法是在传统免疫算法的基础上，借鉴遗传算法中精英保留的思想增设了记忆单元，并设计了适用于Cole-Cole参数提取的抗体亲和度评价算子、抗体激励度算子、自适应变异算子和自适应克隆抑制算子。(1）基于最小一乘法的抗体亲和度评价算子采用最小一乘法拟合Cole-Cole圆弧的核心思想是使各阻抗点与拟合所得的Cole-Cole圆弧对应点的径向误差和最小：其中，(x其中，Fit＿ab(2）抗体激励度算子第j组抗体解与第k组抗体解的距离表示为：其中，ab抗体间的相似度可通过设定相似度阈值δ若两个抗体解的距离小于δ根据抗体间的相似度，将抗体浓度Den＿ab进而得到抗体激励度算子其中，η、?为计算系数。(3）自适应变异算子为了提高算法前期抗体种群的多样性，并改善后期局部寻优能力，本算法设计如下自适应变异算子：抗体权重亲和度f其中，f为了更好地衡量抗体的收敛程度，将收敛因子λ定义为：λ越小表示抗体越集中。可通过实时调节λ改变变异个体的偏移邻域Δ：其中，ζ为计算系数，δ同时，将自适应变异概率pm定义为：其中，PM表示变异率的初始值，g、G分别表示当前迭代次数与最大迭代次数，φ表示变异率衰减因子。(4）自适应克隆抑制算子AIA-LAD算法通过设计自适应克隆抑制算子，保留了抗体种群的多样性，同时提高了算法的寻优速度，克隆抑制算子可表示为：其中，γ表示适应度和浓度的权重因子，Norm (Fit＿abAIA-LAD算法通过增设记忆单元存储每一代抗体种群中的优秀个体，并在每次迭代后自动更新该单元，从而提高算法的全局收敛速度。本算法流程如图4所示。综上所述，AIA-LAD算法提取Cole-Cole参数的具体实现过程如下：（1）获取阻抗数据，初始化算法参数，并生成初代抗体种群；（2）根据最小一乘原理设置算法抗体亲和度评价算子；（3）计算每个抗体的抗体亲和度；（4）更新记忆单元中存放的抗体，并判断是否满足终止条件。若满足，执行（8），否则执行（5);(5）计算抗体浓度与抗体激励度；（6）执行自适应免疫操作，包括免疫选择、克隆、自适应变异、自适应克隆抑制，生成子代抗体种群；（7）从子代抗体种群中筛选优秀抗体，结合记忆单元中的抗体形成新种群，并执行（3);(8）输出亲和度最高的抗体所表示的Cole-Cole圆弧的圆心和半径；（9）计算得到ColeCole参数R2 实验验证2.1 仿真数据集本文通过参考文献第1组数据集D其中，x第2组数据集D第3组数据集D2.2 实验结果本文为了验证AIA-LAD算法提取Cole-Cole参数的优越