基于GA-PSO-BP的銀屑病中醫證型預測模型的構建

詹秀菊

（廣州中醫藥大學醫學信息工程學院，廣州 510006）

0 引言

首先從中國知網、萬方數據庫、維普和中國生物醫學文獻服務系統等4個中文數據庫獲取文獻3250 篇，根據納入標準以及排除標準篩選文獻共455 篇，即455 例病案，并錄入Excel2016 表中。隨機篩選367 例病案作為訓練樣本，隨機篩選88 例病案作為測試樣本。其中銀屑病臨床癥狀變量有皮疹發展迅速、皮疹經久不退、皮疹消退、皮損鮮紅、皮損淡紅、皮損暗紅、點滴狀皮疹、斑片狀皮疹、地圖狀皮疹、鱗屑干燥脫落、鱗屑附著緊、皮損肥厚、浸潤明顯、皮膚干燥、皮膚潮濕、皮損灼熱、皮損腫脹、疲乏、咽干、咽燥、咽腫、咽喉痛、肢體倦怠、頭暈、胸悶、納呆、喜冷飲、口干、口渴、口苦、失眠多夢、不寐、心煩易怒、便干、便秘、便溏、小便黃赤、唇青紫、舌紅、舌紫暗、舌暗紅、舌淡紅、瘀斑、苔黃、苔白、苔薄、少苔、舌燥、苔膩、浮脈、沉脈、緩脈、數脈、澀脈、滑脈、弦脈、細脈和濡脈等58個，選取血熱證、血瘀證、血燥證三種證型作為輸出變量。通過MATLAB2015a 自帶的主成分分析（PCA 算法）將58 個癥狀變量降維，PCA 算法確定累計貢獻率設置為0.93，可以提取得到34個主成分因子，將34 個主成分因子作為銀屑病中醫證型預測模型的輸入變量，BP 神經網絡隱含層節點數為6，即神經網絡的拓撲結構為34-6-1，然后基于GA-PSO-BP 神經網絡建立銀屑病中醫證型預測模型。

1 GA-PSO-BP算法運算過程

GA（genetic algorithm）算法具有全局較強的搜索能力，與PSO（particle swarm optimization）算法的快速局部搜索能力相結合，可以揚長避短，克服PSO 算法陷入局部最優的缺陷，改善收斂速度。在一定程度上克服PSO算法陷入全局收斂停滯的現象，并且提高搜索精度。其實現的主要步驟為：

（1）確定BP 神經網絡結構，確定神經網絡各層的神經元個數。

（2）初始化BP 神經網絡的參數以及確定種群規模popsize，交叉概率，變異概率，最大進化代數N，初始化種群pop1。

（3）計算每個粒子的適應度值。

（4）更新粒子位置和速度。

（5）從上述的種群中按照選擇算子選出popsize個個體，以概率P兩兩交叉操作，得到新的種群pop2。

（6）再從pop2 中按照賭輪選擇算法選取popsize個個體，以概率一次給出的變異算法對個體進行變異，得出新的種群pop3。

（7）個體更新和群體更新。

（8）判斷粒子群優化算法是否滿足終止條件，如果是，則停止迭代，并將每個粒子的個體最優值和全局最優值賦予BP 神經網絡權值和閾值，使BP 神經網絡獲得最優權值和閾值；如果否，則返回步驟（3），繼續進行迭代。

（9）計算誤差，更新權值和閾值，檢查是否，滿足條件，如果滿足，則輸出結果；如果不滿足，則重新計算誤差。

GA-PSO-BP神經網絡流程如圖1所示。

圖1 GA-PSO-BP 流程圖

2 參數確定

因各算法的參數對預測結果有一定的影響，在前期研究的基礎上，本研究將PSO 算法的慣性權重設為1.4，學習因子設為0.5 + log(2)。在此基礎上，觀察GA 算法的交叉概率和變異概率的改變對預測結果的影響，并根據觀察結果重點對交叉概率和變異概率的參數進行調整，找出BP 神經網絡、PSO 算法和GA 的最優參數，以構建GA-PSO-BP 銀屑病中醫證型預測模型的最優模型。

GA 算法的性能受種群規模、最大遺傳代數、交叉和變異概率等參數影響，交叉概率影響交叉算子使用頻率，其大小決定模式的生存和重組概率，變異概率影響種群的多樣性，控制了新基因導入種群的比例。本文側重于研究交叉和變異概率對GA-PSO 算法的性能影響。

2.1 交叉概率確定

交叉概率是影響GA 算法的重要參數之一，如交叉概率過大，容易破壞已有的最適應解，隨機性增大，容易錯失最優個體；交叉概率過小，種群不能有效更新，使得收斂結果不具有說服力。大量資料建議交叉概率取值范圍是0.4到0.99。變異概率暫設置為0.1，設置交叉概率分別為0.4、0.7 和0.99，對比結果對GA-PSO 算法性能的影響。

從圖2不同交叉概率的GA-PSO 算法對比圖中可以看出，交叉概率為0.4，當迭代次數為170 左右時，粒子趨向于平穩，即得到最優解；交叉概率為0.99，當迭代次數為150左右時，粒子得到最優解；交叉概率為0.7，當迭代次數為40 左右，粒子趨向于穩定，進入收斂狀態。從仿真結果可以看出，交叉概率為0.7 時，GAPSO 算法收斂性最好，且適應度值最小。交叉概率為0.99，新個體產生相對較快，遺傳模式被破壞的可能性相對大，增加粒子的隨機性，造成適應度值隨機性。由此可推斷，銀屑病模型中交叉概率參數設置為0.7 時模型最優，因此后續實驗以交叉概率為0.7繼續研究。

圖2 不同Pc的GA-PSO算法對比

2.2 變異概率確定

變異概率大小影響GA 算法性能，變異概率太小，容易導致收斂不穩定；變異概率太大，盡管種群的多樣性可以得到保證，但是最適應解的概率也隨之增大。有資料建議變異概率取值范圍為0.001到0.1，本文交叉概率設置為0.7，變異概率分別為0.001、0.01和0.1，討論仿真結果對GA-PSO算法的影響。

從圖3 可以看出，變異概率為0.001 時，粒子經幾個轉折進入穩定狀態，說明變異概率相對小，不易產生新的個體，導致收斂相對較慢且不穩定。變異概率為0.1 時晚于變異概率為0.01進入收斂狀態，當迭代次數為200時，變異概率為0.1 的最優適應度值比變異概率為0.01 的最優適應度值小，因此變異概率為0.1 時，GAPSO算法性能最優。

圖3 不同Pm的GA-PSO算法對比

3 模型的建立及結果分析

GA-PSO-BP 模型各參數設置參考以上結果進行設置，隨機篩選367例病案作為訓練樣本數據導入GA-PSO-BP 神經網絡證型預測模型中進行模型訓練，將88 例病案作為測試樣本輸入訓練好的模型中，以測試樣本的結果作為模型性能的說明。基于Matlab 2015a進行三次訓練，準確率分別為89.78%、90.12%和86.36。現以第一次訓練結果進行說明，如圖4所示，隨著迭代數次的增加，粒子的適應度值也不斷地變小，當迭代次數為200時，粒子的最小適應度值8.7。選取8.7 作為最優粒子適應度值計算BP 神經網絡中的閾值和權值，并得出BP 神經網絡證型預測結果，如圖5所示，其中菱形的虛線代表預測輸出，星號的實線代表實際值，從圖5 可以看出，GA-PSO 算法優化的BP 神經網絡的輸出結果與實際值相等的個數共有79 個，即模型的準確率為89.78%，該結果表明GA-PSO-BP 神經網絡模型應用于銀屑病中醫證型模型的建立是可行的，GA 算法與PSO 算法的結合在一定程度上對BP 神經網絡構建的模型性能起到改善作用。

圖4 GA-PSO算法適應度曲線

圖5 GA-PSO-BP神經網絡實際值與預測值

4 結語

GA 算法與PSO 算法結合優化BP 神經網絡構建銀屑病證型預測模型平均準確率為89.78%，說明PSO 算法能有效克服BP 神經網絡的缺陷，引入GA 算法能提高PSO-BP 模型的性能。GAPSO-BP 模型收斂較好，預測精度高，可為銀屑病中醫證型研究提供技術參考，為多種算法結合優化BP神經網絡建模擴展研究思路。