改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究

计算机工程与科学

改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究

周华平，袁月

（安徽理工大学计算机科学与工程学院，安徽淮南 232001）

收稿日期:2015-12-07 修回日期:2016-05-03 出版日期:2017-11-25 发布日期:2017-11-25
基金资助:
国家自然科学基金（5574257）;安徽理工大学中青年骨干教师

Application of ELM in computer-aided diagnosis of breast

tumors based on improved fish swarm optimization algorithm

ZHOU Hua-ping，YUAN Yue

(College of Computer Science and Engineering,Anhui University of Science and Technology,Huainan 232001,China)

Received:2015-12-07 Revised:2016-05-03 Online:2017-11-25 Published:2017-11-25

摘要/Abstract

摘要：

针对传统极限学习机的输入权值矩阵和隐含层偏差是随机给定进而可能会导致在乳腺肿瘤的辅助诊断应用研究中存在精度明显不足的情况，提出用改进鱼群算法优化ELM方法。在完成对乳腺肿瘤有效的辅助诊断的过程中，本研究工作充分利用ELM能快速地完成训练过程且具有很好的泛化能力的特点，并结合用改进鱼群算法对ELM的隐含层偏差进行优化，构造出了乳腺肿瘤与从乳腺肿瘤样本数据中提取的10个特征向量之间的非线性映射关系。将本文提出的乳腺肿瘤识别方法的仿真结果与AFSA-ELM方法、ELM方法、LVQ方法、BP方法的仿真结果分别从识别准确率、假阴性率、学习速度三个方面做对比分析，仿真结果表明，本文所提方法对乳腺肿瘤诊断具有较高的分类识别准确率、假阴性率以及较快的学习速率。

关键词: 改进的鱼群算法, 极限学习机, 辅助诊断, 乳腺肿瘤

Abstract:

Given that the randomly selected input weight matrix and hidden layer deviation of the traditional extreme learning machine (ELM) lead to inaccurate diagnosis of breast cancer, we propose an ELM optimization method based on an improved fish swam optimization algorithm(AFSA-ELM). In the diagnosis of breast cancer, the advantages of the ELM including fast learning speed, good generalization performance and low adjustment parameters are fully utilized. In addition, the input layer weights and the hidden layer deviation of the ELM are optimized by the improved fish swarm algorithm, and the nonlinear mapping relationship between the breast tumor and the 10 eigenvectors extracted from the breast tumor sample data is constructed. Compared with the ELM、LVQ and BP neural network, the simulation results show that the proposed method has higher recognition accuracy, lower false negative rate and faster learning speed in breast tumor diagnosis.

Key words: improved fish swarm algorithm, extreme learning machine(ELM), aided diagnosis, breast tumor

周华平，袁月. 改进鱼群算法优化的ELM在乳腺肿瘤辅助诊断中的应用研究[J]. 计算机工程与科学.

ZHOU Hua-ping，YUAN Yue.

Application of ELM in computer-aided diagnosis of breast

tumors based on improved fish swarm optimization algorithm

[J]. Computer Engineering & Science.

[1]	楚阳, 徐文龙. 基于计算机辅助诊断技术的阿尔兹海默症早期分类研究综述[J]. 计算机工程与科学, 2022, 44(05): 879-893.
[2]	周伯荣, 程伟国, 许镇义, 温秀兰. 基于改进在线极限学习机的短时交通流预测模型研究[J]. 计算机工程与科学, 2022, 44(05): 944-950.
[3]	赵林锁, 陈泽, 丁琳琳, 宋宝燕. 基于RELM的时间序列数据加权集成分类方法[J]. 计算机工程与科学, 2022, 44(03): 545-553.
[4]	董宏成, 文志云, 万玉辉, 晏飞扬, . 基于DPC聚类重采样结合ELM的不平衡数据分类算法[J]. 计算机工程与科学, 2021, 43(10): 1856-1863.
[5]	陈文兵, 李育霖, 陈允杰. 一种基于CNN-SE-ELM的年龄和性别识别模型[J]. 计算机工程与科学, 2021, 43(05): 872-882.
[6]	火元莲, 李俞利. 基于多特征融合与极限学习机的植物叶片分类方法[J]. 计算机工程与科学, 2021, 43(03): 486-493.
[7]	蔡衡1,2,3，楚恒1,2,4，单德明1,2,3. 基于ELM的遥感影像城市道路提取[J]. 计算机工程与科学, 2020, 42(01): 125-130.
[8]	颜学龙,马润平. 基于深度极限学习机的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(11): 1911-1918.
[9]	楚恒1,2,3,4，蔡衡1,2,3，单德明1,2,3. 高分辨率遥感影像的多特征多核ELM分类方法[J]. 计算机工程与科学, 2019, 41(10): 1816-1822.
[10]	颜学龙,汪斌斌. 自适应狼群算法优化ELM的模拟电路故障诊断[J]. 计算机工程与科学, 2019, 41(02): 246-252.
[11]	王琳琳1，刘敬浩1，付晓梅2. 基于极限学习机与改进K-means算法的入侵检测方法[J]. 计算机工程与科学, 2018, 40(08): 1398-1404.
[12]	周书仁1,2，曹思思1,2，蔡碧野1,2. 基于改进极限学习机算法的行为识别[J]. 计算机工程与科学, 2017, 39(09): 1749-1757.
[13]	吴辰文，李长生，王伟，梁靖涵，闫光辉. 一种改进的SVM算法在乳腺癌诊断方面的应用[J]. 计算机工程与科学, 2017, 39(03): 562-566.
[14]	李喆，吕卫，闵行，褚晶辉. 机器学习在乳腺肿瘤分类检测中的应用研究[J]. 计算机工程与科学, 2016, 38(11): 2303-2309.
[15]	周杭霞，叶佳骏，任欢. 基于快速自编码的RELM的文本分类[J]. J4, 2016, 38(05): 871-876.