20、基于改进蜂群萤火虫算法的乳腺肿块分类及检测萤火虫算法的数值优化

基于改进蜂群萤火虫算法的乳腺肿块分类及检测萤火虫算法的数值优化

基于改进蜂群萤火虫算法的乳腺肿块分类

1. 引言

功能链接神经网络（FLNN）是高阶神经网络（HONNs）的一种，由Giles和Maxwell提出。它是标准多层前馈网络的替代方法，是一种无隐藏层的扁平网络，降低了神经架构和学习的复杂性。在神经分类中，网络训练对于构建分类模型至关重要，通常基于数据通过误差校正学习方法调整神经元连接权重，直到网络误差达到可接受的最小值，这可视为一个优化任务。

最常用的误差校正学习方法是反向传播（BP）学习算法，它是一种梯度下降优化方法。但标准BP学习算法容易陷入局部最小值，影响FLNN网络性能，特别是在处理高度非线性问题时。因此，提出了一种改进的蜂群萤火虫（MBF）学习方案，它结合了人工蜂群算法的全局搜索能力和萤火虫算法的局部搜索能力，用于训练FLNN网络，以克服BP学习算法的缺点。本文将用MBF训练的FLNN用于乳腺肿块分类任务，并与标准的FLNN - BP模型进行比较。

2. 相关工作

• 功能链接神经网络训练 ：FLNN训练最常用的学习算法是BP学习算法，它是一种梯度下降优化方法，用于调整FLNN的权重参数。本文使用张量模型架构的FLNN，在张量模型中，输入特征的每个分量乘以整个输入特征向量，通过添加输入值之间的所有交互项来增强输入特征表示。

例如，对于具有3个输入特征的分类数据，原始输入特征为${x_1, x_2, x_3}$（一阶项），通过张量模型可增强为${x_1x_2, x_1x_3, x_2x_3}$（二阶项）和${x_1x_2x_3}$（三阶