CINgydF4y2Ba 计算智能和神经科学gydF4y2Ba 1687 - 5273gydF4y2Ba 1687 - 5265gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2020/2710561gydF4y2Ba 2710561gydF4y2Ba 研究文章gydF4y2Ba 神经元树突突触模型与自适应训练的微分进化算法gydF4y2Ba https://orcid.org/0000 - 0003 - 1975 - 1819gydF4y2Ba 王gydF4y2Ba 哲gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 5042 - 3261gydF4y2Ba 高gydF4y2Ba ShangcegydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0002 - 9775 - 7020gydF4y2Ba 王gydF4y2Ba 嘉鑫gydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 7100 - 7945gydF4y2Ba 杨gydF4y2Ba HaichuangydF4y2Ba 1gydF4y2Ba https://orcid.org/0000 - 0001 - 7379 - 1374gydF4y2Ba 待办事项gydF4y2Ba 雪gydF4y2Ba 2gydF4y2Ba Rodriguez-TellogydF4y2Ba 爱德华多gydF4y2Ba 1gydF4y2Ba 工学院gydF4y2Ba 富山大学gydF4y2Ba Toyama-Shi 930 - 8555gydF4y2Ba 日本gydF4y2Ba u-toyama.ac.jpgydF4y2Ba 2gydF4y2Ba 电气和计算机工程学院gydF4y2Ba 金泽大学gydF4y2Ba Kanazawa-Shi 920 - 1192gydF4y2Ba 日本gydF4y2Ba kanazawa-u.ac.jpgydF4y2Ba 2020年gydF4y2Ba 17gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 22gydF4y2Ba 07年gydF4y2Ba 2019年gydF4y2Ba 12gydF4y2Ba 11gydF4y2Ba 2019年gydF4y2Ba 30.gydF4y2Ba 12gydF4y2Ba 2019年gydF4y2Ba 17gydF4y2Ba 1gydF4y2Ba 2020年gydF4y2Ba 2020年gydF4y2Ba 版权©2020哲王等。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

神经元树突模型与自适应神经突触(直)基于差分进化(DE)算法训练算法。根据信号传输顺序,认为可以分为四个部分:突触层,树突层,膜层,和体细胞层。它可以转换为一个逻辑电路容易实现硬件上通过删除无用的训练后突触和树突。这个逻辑电路可以用来解决复杂的非线性问题只用四个基本逻辑设备:比较器,(一起),或者(分离),而不是(否定)。获得更快、更好的解决方案,我们采用最流行的德对于培训。我们选择五分类数据集UCI机器学习库的一个实验。我们实验结果的分析和讨论正确的速度,收敛速度,ROC曲线,和交叉验证,然后比较结果与树突神经元模型由反向传播算法训练(BP-DNM)和一个由反向传播神经网络训练算法(摘要)。分析结果表明,DE-DMAS显示更好的性能在所有方面。gydF4y2Ba

 日本促进社会科学gydF4y2Ba JP19K12136gydF4y2Ba 1。介绍gydF4y2Ba

人类的大脑由数十亿神经元,单个神经元细胞是由一个细胞的身体,一个轴突,细胞膜和树突。树突占据90%以上的神经细胞组织和有一个关键的角色在一个人的学习过程。第一个人工神经元最初MuCulloch和皮特在1943年提出的gydF4y2Ba 1gydF4y2Ba]。这个模型是一个抽象和简化模型构造根据生物神经元膜的结构和工作原理基于数学和算法称为阈值逻辑。gydF4y2Ba

感知器是一种模式识别的方法,于1958年首次由Rosenblatt [gydF4y2Ba 2gydF4y2Ba,gydF4y2Ba 3gydF4y2Ba]。它是第一个人工神经网络模型,神经网络模型奠定了基础。然而,在明斯基Papert Rosenbatt的单层感知器的分析从数学的角度来看(gydF4y2Ba 4gydF4y2Ba),人工神经网络是批评与异或操作的一个例子。一个智能系统如何独立学习的问题从一个环境并不好解决,和人工神经网络(ann)的发展恶化。在1980年代中期,学者开始探索深度知识发现的内在逻辑,发现归纳逻辑,特别是不完全归纳逻辑,是一个合理的方式去发现知识。Rumelhart等人惊讶的发现误差反向传播(BP) (gydF4y2Ba 5gydF4y2Ba),这是由Werbos发明超过10年前,可以有效地解决隐藏节点在多层网络的学习问题。接受明斯基的说法是不正确的,可能没有有效的学习方法的多层网络。从那时起,人们的热情安研究已被重新点燃。gydF4y2Ba

然而,研究人员指出,使用麦克洛克和皮特的神经元是不明智的,因为它忽视了在实际生物神经元的树突结构。科赫和戈夫(gydF4y2Ba 6gydF4y2Ba,gydF4y2Ba 7gydF4y2Ba建议突触之间的交互和行动的转折点可以近似为一个分支逻辑操作。近年来,多个树突计算模型考虑在一个神经元树突的功能提出了在文献中。树突形态神经网络(DMNN)是基于传统形态神经网络(gydF4y2Ba 8gydF4y2Ba,gydF4y2Ba 9gydF4y2Ba)提出了解决分类问题(gydF4y2Ba 10gydF4y2Ba)和3 d对象识别任务(gydF4y2Ba 11gydF4y2Ba]。一个非线性神经元树突模型配备二进制突触gydF4y2Ba 11gydF4y2Ba)被证明是能够学习的时间特性的输入模式。最近,树突神经元模型(认为)与非线性突触提出了(gydF4y2Ba 12gydF4y2Ba- - - - - -gydF4y2Ba 14gydF4y2Ba]。认为不同于DMNN,只考虑单个神经元,而不是两个神经元的网络并展现出了伟大的信息处理能力gydF4y2Ba 15gydF4y2Ba- - - - - -gydF4y2Ba 19gydF4y2Ba]。认为使用修剪技术来源于一个有趣的生物现象:在神经元触发的早期阶段,选择性去除不必要的突触和树突不会引起神经元细胞死亡(gydF4y2Ba 20.gydF4y2Ba,gydF4y2Ba 21gydF4y2Ba]。认为巧妙地解决非线性问题无法由科赫模型(gydF4y2Ba 22gydF4y2Ba,gydF4y2Ba 23gydF4y2Ba]。认为有四个层次的结构。突触层中的输入信号被触发,然后按顺序由树突接收层。膜层收集树枝状层的每个分支的输出并将结果发送给体细胞层。认为的剪枝函数,精确的树突结构和形态简化。培训后,所有成熟神经元近似取代一个由比较器的逻辑电路,和盖茨,或者盖茨,而不是盖茨。gydF4y2Ba

在这项研究中,我们使用一个神经元树突突触模型与自适应(直)。神经生物学的最新进展突出树突计算的重要性。2019年,Beaulieu-Laroche和他的团队gydF4y2Ba 24gydF4y2Ba)发现树突总是积极当一个神经元的胞体是活跃的,这意味着树突突触神经计算过程中扮演重要角色。基于这一生物物理假说,我们开发一个神经元突触适应性网络参数,无需人工调整。层突触所有参数将被训练的学习算法。自适应神经突触的有效性将证明部分gydF4y2Ba 4所示。3gydF4y2Ba。因此,我们必须考虑其他方面学习算法的选择。gydF4y2Ba

随着各种新的优化算法的出现,如何培养一个安讨论(gydF4y2Ba 25gydF4y2Ba]。英国石油公司作为ANN训练算法非常有效,可以解决一些非线性问题(gydF4y2Ba 5gydF4y2Ba]。然而,英国石油公司有一定的局限性;例如,落入一个局部最小值很容易,收敛速度慢,容易过度拟合(gydF4y2Ba 26gydF4y2Ba]。差分进化(DE)已经被用来训练对于我们的研究。德在1997年首次Storn和价格提出的(gydF4y2Ba 27gydF4y2Ba]。biological-inspired,基于全局优化算法。由于其简单的概念,容易实现,快速收敛,和优秀的鲁棒性,它已经比其他主流更广泛利用进化算法,如遗传算法(GA) [gydF4y2Ba 28gydF4y2Ba,gydF4y2Ba 29日gydF4y2Ba),进化策略(ES) [gydF4y2Ba 30.gydF4y2Ba,gydF4y2Ba 31日gydF4y2Ba)和粒子群优化(PSO) (gydF4y2Ba 32gydF4y2Ba近年来]。DE类似于GA和ES但不同于他们,因为一个独特的微分进化算子中引用德。德已经被证明是优于许多算法(gydF4y2Ba 33gydF4y2Ba- - - - - -gydF4y2Ba 35gydF4y2Ba]。由于这些特点和德的优势,它已经被学者公认的领域的人工神经网络(gydF4y2Ba 36gydF4y2Ba,gydF4y2Ba 37gydF4y2Ba]。同时,DE已经应用于树突形态神经网络(gydF4y2Ba 38gydF4y2Ba]。gydF4y2Ba

五个现实分类问题被认为是在我们的研究来验证我们的模型(DE-DMAS):虹膜,英国肝脏疾病、乳腺癌,玻璃,和澳大利亚的信贷审批(ACA)。所有的数据集预处理的二分类问题。这五个数据集进行预处理,包括异常修复填充缺失值。BP-DNM,我们比较DE-DMAS的实验结果和摘要利用这五个数据集。实验结果表明,对于优于同行的测试精度,灵敏度、特异性、接受者操作特征(ROC)和交叉验证。gydF4y2Ba

本文的其余部分组织如下:部分gydF4y2Ba 2gydF4y2Ba介绍了我们的模型的结构(直)。学习算法(DE)在部分说明gydF4y2Ba 3gydF4y2Ba。实验方法设计部分gydF4y2Ba 4gydF4y2Ba。部分gydF4y2Ba 5gydF4y2Ba介绍了实验结果的分析和讨论。中提供的结论部分gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

 2。树突神经元模型与自适应神经突触gydF4y2Ba

对于应用在我们的研究中。神经元模型包括四个层次:自适应突触层,树突层,膜层,和体细胞层。在本节中,我们详细的结构和原理,这四个层次。gydF4y2Ba

2.1。自适应层突触gydF4y2Ba

突触层接收并计算输入信号并发送树突层的计算结果。一旦输入信号超过阈值,突触将被解雇。来模拟这一过程,我们设计一个突触层乙状结肠派系在以下方程:gydF4y2Ba (1)gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba egydF4y2Ba −gydF4y2Ba kgydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 是输入和gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 的输出是什么gydF4y2Ba 米gydF4y2BathgydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1、2、3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba 树突的分支。的gydF4y2Ba 我gydF4y2Ba在gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2、3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba 代表输入的数量被规范化为[0,1]数据集。gydF4y2Ba 我gydF4y2Ba也代表了每个树突突触的数量。gydF4y2Ba kgydF4y2Ba是一个可调参数,表示突触前和突触后神经元之间的连接强度。减少需要调整的参数,在我们的研究中,gydF4y2Ba kgydF4y2Ba将被用作训练对象。由于乙状结肠函数的性质,这一步有一个最小的影响函数。gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 对象,也需要训练的学习算法;最初他们的价值观将被设置在(−2 2)。因为突触层与这三个培训对象和输入和不需要人工调整参数,这个突触具有自适应函数(gydF4y2Ba 39gydF4y2Ba]。阈值gydF4y2Ba θgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 突触是一个重要的指标,计算了以下方程:gydF4y2Ba (2)gydF4y2Ba θgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

突触后由乙状结肠激活函数,它可以采用一个4根据不同范围的不同状态gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 。这些国家被描述为直连州(●)opposite-connecting状态(gydF4y2Ba▂gydF4y2Ba),常数1状态(①),常量0状态(⓪),如图gydF4y2Ba 1gydF4y2Ba。根据值的变化gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba ,四个州分为以下6例。gydF4y2Ba

四个连接状态:(a)直连状态;(b) opposite-connecting状态;(c)常数1状态;(d)常量0状态。gydF4y2Ba

案例(一):直连状态,当gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 0gydF4y2Ba 。在这种状态下,如果输入的值gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 大于gydF4y2Ba θgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 输出的值约等于1;否则,它等于0。例如,当gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1。0gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 0.5gydF4y2Ba ,该函数可以显示在图gydF4y2Ba 2gydF4y2Ba(a),gydF4y2Ba XgydF4y2Ba设在代表输入的值gydF4y2Ba xgydF4y2Ba和gydF4y2Ba YgydF4y2Ba设在代表的值输出。由于输入的范围是[0,1],我们只需要关注两个虚线之间的区域。gydF4y2Ba

四个州的突触功能的数字:(a)直连状态;(b) opposite-connecting状态;(c1)常数1状态;(c2)常数1状态;(d1)常量0状态;(d2)常量0状态。gydF4y2Ba

例(b): opposite-connecting状态,例如,当gydF4y2Ba 0gydF4y2Ba >gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 。在这种状态下,如果输入的值gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 小于gydF4y2Ba θgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 输出的值约等于1;否则,它等于0。synapse在这种状态下是一个逻辑操作。例如,当gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 1。0gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 0.5gydF4y2Ba ,函数图如图gydF4y2Ba 2gydF4y2Ba(b)。gydF4y2Ba

案例(c1):当常数1状态gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 0gydF4y2Ba >gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 。例如,当gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1。0gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 0.5gydF4y2Ba ,函数图如图gydF4y2Ba 2gydF4y2Ba(c1)。gydF4y2Ba

案例(c2):当常数1状态gydF4y2Ba 0gydF4y2Ba >gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 。例如,当gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 1。0gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 1。5gydF4y2Ba ,函数图如图gydF4y2Ba 2gydF4y2Ba(c2)。在例(c1)和(c2),无论输入的值gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba ,输出是1。gydF4y2Ba

案例(d1):常数,当状态gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 0gydF4y2Ba 。例如,当gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1。0gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1。5gydF4y2Ba ,函数图如图gydF4y2Ba 2gydF4y2Ba(d1)。gydF4y2Ba

案例(d2):常数,当状态gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba >gydF4y2Ba 0gydF4y2Ba >gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 。例如,当gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba −gydF4y2Ba 1。0gydF4y2Ba 和gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 0.5gydF4y2Ba ,函数图如图gydF4y2Ba 2gydF4y2Ba(d2)。在(d1)和(d2)情况下,不管输入的值gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba ,输出是0。gydF4y2Ba

 2.2。树枝状层gydF4y2Ba

突触的输出层计算了树突层使用乘法。由于采用乙状结肠函数,输出是约等于1或0。树突的输出层也约等于1或0。树突的工作一样的逻辑和操作。方程是gydF4y2Ba (3)gydF4y2Ba ZgydF4y2Ba 米gydF4y2Ba =gydF4y2Ba ∏gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 我gydF4y2Ba YgydF4y2Ba 我gydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

2.3。膜层gydF4y2Ba

膜接受树突层的输出作为输入和线性求和的值。求和可以近似模拟逻辑或操作。方程是gydF4y2Ba (4)gydF4y2Ba VgydF4y2Ba =gydF4y2Ba ∑gydF4y2Ba 米gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ZgydF4y2Ba 米gydF4y2Ba 。gydF4y2Ba

2.4。体细胞层gydF4y2Ba

体细胞层将接收信号从细胞膜。计算信号使用乙状结肠函数如下:gydF4y2Ba (5)gydF4y2Ba OgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba +gydF4y2Ba egydF4y2Ba −gydF4y2Ba kgydF4y2Ba somagydF4y2Ba VgydF4y2Ba −gydF4y2Ba θgydF4y2Ba somagydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba kgydF4y2Ba somagydF4y2Ba 和gydF4y2Ba θgydF4y2Ba somagydF4y2Ba 将10到0.5,被认为是最有前途的设置在我们之前的文件gydF4y2Ba 40gydF4y2Ba,gydF4y2Ba 41gydF4y2Ba]。gydF4y2Ba

 2.5。简化模型gydF4y2Ba

我们修剪突触和树突获得简化模型。接收输入信号的突触活化和转化为常数1,常数,直连,或opposite-connecting状态。激活信号传输到树突。这些信号是增加树突,进入膜,由soma接收。当突触转化为常数1状态,我们将删除这个突触自1乘以任意数量等于数字本身。当树突突触转化为常数,状态,我们将删除此树突自0乘以任意数量= 0。一个例子是显示在图gydF4y2Ba 3gydF4y2Ba。在左上角图中,树突(2)有一个常数,突触(c)和一个opposite-connecting状态突触(d)。因为突触(c)是常数,状态,树突(2)删除,包括突触,如左下图所示。我们称这一步为树突修剪。在左下图,一个常数1突触(a)和一个直连州突触(b)存在于树突突触以来(1)。(a)在常数1状态,这种突触移除。我们称这一步为突触修剪。右边的图显示了修剪后的简化模型,只有树突(1)和突触(b)依然存在。gydF4y2Ba

简化模型。gydF4y2Ba

 3所示。学习算法gydF4y2Ba

正如前面提到的,我们使用三个参数突触层作为训练对象。这是一个庞大的搜索空间。我们使用DE算法对于学习算法的程序。由于德是优秀的在全球优化(gydF4y2Ba 42gydF4y2Ba),它可以快速找到最优解的巨大的搜索空间。gydF4y2Ba

德演示了一个固定数量的向量中随机初始化的搜索空间。新的矢量随时间推移而发展探索的最小目标函数。在进化的过程中,算术操作符结合突变的运营商,杂交和选择。一个随机生成的人口将开始进化到一个最佳的解决方案。德有许多策略(gydF4y2Ba 43gydF4y2Ba),我们使用德兰德/ 1 / bin。其他策略包括DE /最好/ 1 /实验和德兰德/ 2 /实验,初步实验结果表明,他们略差于德兰德/ 1 / bin /因为它有最简单的结构(gydF4y2Ba 44gydF4y2Ba,gydF4y2Ba 45gydF4y2Ba]。接下来,我们将解释德是如何工作的。gydF4y2Ba

步骤1gydF4y2Ba。参数设置。选择人口规模gydF4y2Ba PgydF4y2Ba并限制的边界。确认cross-probabilitygydF4y2Ba CRgydF4y2Ba ,影响因素gydF4y2Ba FgydF4y2Ba(gydF4y2Ba 46gydF4y2Ba,gydF4y2Ba 47gydF4y2Ba,一代又一代的最大数量的终止准则(gydF4y2Ba GgydF4y2Ba )。gydF4y2Ba

步骤2。gydF4y2Ba初始化的人口。设置代gydF4y2Ba ggydF4y2Ba =gydF4y2Ba 0gydF4y2Ba 。初始化一个人口包含gydF4y2Ba PgydF4y2Ba个人。每个单独的属性包括重量gydF4y2Ba wgydF4y2Ba ,阈值gydF4y2Ba 问gydF4y2Ba和一个gydF4y2Ba kgydF4y2Ba,被称为gydF4y2Ba DgydF4y2Ba。权重的数量gydF4y2Ba wgydF4y2Ba 和阈值gydF4y2Ba 问gydF4y2Ba等于隐藏层的数量(gydF4y2Ba 米gydF4y2Ba)乘以数量的输入(gydF4y2Ba 我gydF4y2Ba)所提供的数据集。因此,人口被认为是一个向量的矩阵gydF4y2Ba PgydF4y2Ba行和gydF4y2Ba DgydF4y2Ba DgydF4y2Ba =gydF4y2Ba 2gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba ×gydF4y2Ba 我gydF4y2Ba +gydF4y2Ba 1gydF4y2Ba 列。每个值的权重gydF4y2Ba wgydF4y2Ba 和阈值gydF4y2Ba 问gydF4y2Ba初始化的随机实数范围(−2 2)。的值gydF4y2Ba kgydF4y2Ba随机初始化范围内[1,10]。下面的方程显示了人口的内容:gydF4y2Ba (6)gydF4y2Ba xgydF4y2Ba pgydF4y2Ba ⟶gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba PgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba pgydF4y2Ba =gydF4y2Ba wgydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 1gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 1gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba wgydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba 问gydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba 米gydF4y2Ba pgydF4y2Ba ,gydF4y2Ba kgydF4y2Ba pgydF4y2Ba 。gydF4y2Ba

步骤3gydF4y2Ba。评估的人口。可以使用DE作为DE-DMAS训练算法。DE-DMAS也可以视为德的评价功能。因此,评价成为计算均方误差(MSE),这将被正式定义在方程(gydF4y2Ba 12gydF4y2Ba)。在实验中,对于的MSE健身每一步。每个最新的一代将评估后下一个突变,交叉和选择操作。在我们的研究中,一代又一代的最大数量设置为1000。因此,评价函数将运行1001次。gydF4y2Ba

步骤4gydF4y2Ba。变异操作。变异操作产生变异算子(gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba )。生产过程中所示以下方程:gydF4y2Ba

 (7)gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba =gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba +gydF4y2Ba FgydF4y2Ba xgydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba −gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba

在哪里gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 从这一代的人口是随机选择的。如果所有人都视为点在搜索空间,然后突变操作可以解释如下:gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 是一个新的点后gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 移动的方向gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 来gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 通过gydF4y2Ba FgydF4y2Ba*之间的欧氏距离gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 和gydF4y2Ba xgydF4y2Ba rgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 。gydF4y2Ba

步骤5gydF4y2Ba。交叉操作。交叉操作结合了变异算子与个人目标,导致一个新的个体。DE涉及交叉的两种方法:二项交叉和指数交叉。Zaharie分析二项交叉和指数交叉的性能(gydF4y2Ba 48gydF4y2Ba),建议指数交叉受到人口规模的影响大于二项交叉。二项交叉应用于我们的研究。下面的方程显示了交叉功能:gydF4y2Ba

 (8)gydF4y2Ba ugydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba =gydF4y2Ba vgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 如果gydF4y2Ba 兰德gydF4y2Ba jgydF4y2Ba ≤gydF4y2Ba CR或gydF4y2Ba jgydF4y2Ba =gydF4y2Ba jgydF4y2Ba 兰德gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 否则gydF4y2Ba 。gydF4y2Ba

生成随机数gydF4y2Ba 兰德gydF4y2Ba jgydF4y2Ba ∈gydF4y2Ba [0,1]每个维度的每个人。如果gydF4y2Ba 兰德gydF4y2Ba jgydF4y2Ba 小于CR在一维,然后目标个人gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 取而代之的是变异算子吗gydF4y2Ba vgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 在这个维度;否则,它仍然是一样的个人目标gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba 。在这一步之前,确保个人与目标至少在一个维度,一个随机整数gydF4y2Ba jgydF4y2Ba 兰德gydF4y2Ba ∈gydF4y2Ba 1、2、3gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba DgydF4y2Ba 是生成的。当gydF4y2Ba jgydF4y2Ba =gydF4y2Ba jgydF4y2Ba 兰德gydF4y2Ba 个人必须杂交,目标gydF4y2Ba jgydF4y2Bath维度。gydF4y2Ba

步骤6gydF4y2Ba。选择操作。DE雇佣了变异算子和交叉算子生成一个儿子儿子人口和一对一的选择适用于比较患者相应的父个体。更好的个人保存到下一代种群。在DE-DMAS,一对一的选择操作可以描述如下:gydF4y2Ba

 (9)gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba +gydF4y2Ba 1gydF4y2Ba =gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 如果gydF4y2Ba 均方误差gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba ≤gydF4y2Ba 均方误差gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ggydF4y2Ba ,gydF4y2Ba 否则gydF4y2Ba 。gydF4y2Ba

自德采用一对一的选择方法,算法可以确保精英主义演变过程中不会丢失。此外,一对一的选择操作有更好的能力来维持种群多样性比测序或竞争性招标选择(gydF4y2Ba 44gydF4y2Ba]。下面的算法gydF4y2Ba 1gydF4y2Ba总结上面的步骤,两个函数gydF4y2Ba rndgydF4y2Ba _gydF4y2Ba intgydF4y2Ba 和gydF4y2Ba rndgydF4y2Ba _gydF4y2Ba 真正的gydF4y2Ba 返回指定范围随机整数和实数,分别。gydF4y2Ba

<大胆>算法1:< /大胆>认为微分进化算法。gydF4y2Ba

4所示。实验设计gydF4y2Ba

为了实现该方法的最佳性能,首先需要确定的参数。DE-DMAS有6个主要参数。参数可分为固定参数和可调参数。最好的可调参数是决定使用田口方法为每个数据集(gydF4y2Ba 49gydF4y2Ba),这是详细的节gydF4y2Ba 4所示。2gydF4y2Ba。节gydF4y2Ba 4所示。3gydF4y2Ba,我们将证明突触如上所述的适应性。最后,DE-DMAS相比BP-DNM和摘要,介绍了部分gydF4y2Ba 4所示。4gydF4y2Ba和部分gydF4y2Ba 4所示。5gydF4y2Ba,分别。五个数据集采用以下部分介绍了我们的研究。gydF4y2Ba

4.1。数据集gydF4y2Ba

五个数据集来自UCI,广泛应用于人工智能的研究。数据集已经标准化的最大最小化[0,1]在我们的研究中。他们提供了详细的介绍和总结表gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

数据集介绍。gydF4y2Ba

数据集名称gydF4y2Ba 不。的实例gydF4y2Ba 不。输入属性gydF4y2Ba 不。1类实例gydF4y2Ba 不。2类实例gydF4y2Ba
虹膜gydF4y2Ba 150年gydF4y2Ba 4gydF4y2Ba 50gydF4y2Ba One hundred.gydF4y2Ba
肝gydF4y2Ba 345年gydF4y2Ba 6gydF4y2Ba 164年gydF4y2Ba 181年gydF4y2Ba
癌症gydF4y2Ba 699年gydF4y2Ba 9gydF4y2Ba 458年gydF4y2Ba 241年gydF4y2Ba
玻璃gydF4y2Ba 214年gydF4y2Ba 9gydF4y2Ba 51gydF4y2Ba 163年gydF4y2Ba
ACAgydF4y2Ba 690年gydF4y2Ba 14gydF4y2Ba 307年gydF4y2Ba 383年gydF4y2Ba

费舍尔在1988年7月提供的虹膜数据(gydF4y2Ba 50gydF4y2Ba- - - - - -gydF4y2Ba 52gydF4y2Ba]。数据有三个类:虹膜Setosa,虹膜Versicolour,虹膜Virginica。每个班级有50个实例。我们选择的一个实例作为实验标准;因此,数据分为两类。所选50分为一个类实例,和其他100个实例分为另一个类。每个实例有四个属性:花萼长度,萼片宽,花瓣长度和花瓣宽度。在我们的研究中,我们使用类虹膜Versicolour作为输出,因此,它就变成了一个二进制分类。因为单神经元模型的局限性,DE-DMAS只能解决二元分类问题。所以我们应用虹膜数据集作为二元分类问题。gydF4y2Ba

肝脏疾病的数据集是由理查德·s·福赛斯”以外的所有已知的PC /小猎犬号所示的用户指南。“它已经被应用于gydF4y2Ba 40gydF4y2Ba,gydF4y2Ba 53gydF4y2Ba]。数据集有345个实例。每个实例有6个属性,其中包括五种血液测试和平均每日饮酒。肝脏数据集有两个分类:164健康疾病和181不健康的疾病。gydF4y2Ba

乳腺癌William Wolberg博士提供的数据是1992年7月(gydF4y2Ba 54gydF4y2Ba,gydF4y2Ba 55gydF4y2Ba]。它已经被应用于(gydF4y2Ba 41gydF4y2Ba]。这些数据由458年的699个实例良性实例和241年恶性实例。乳腺癌数据可以分为两类。乳腺癌数据包括9属性,如丛厚度、均匀性细胞的大小和形状,和边际附着力。gydF4y2Ba

提供的玻璃识别数据库b·赫尔曼。1987年9月它已经被应用于(gydF4y2Ba 56gydF4y2Ba]。玻璃的数据包括163窗玻璃实例和51 nonwindow玻璃214实例的实例。玻璃的属性数据包括各种元素内容(钠、镁、铝、硅、钾、钙、Ba、和铁)和折射率(RI)。可以通过这些9属性分类的实例。gydF4y2Ba

ACA数据显示申请人是否有信誉的。它已经被应用于(gydF4y2Ba 57gydF4y2Ba,gydF4y2Ba 58gydF4y2Ba]。申请者的信用记录将数据分为两类。这些数据提供690名申请者的信息。信誉卓著的申请人包括307人,383人没有信用。的信息可以被视为ACA的属性数据集包含8分类记录和6数值记录。gydF4y2Ba

 4.2。最优参数设置gydF4y2Ba

三个参数,gydF4y2Ba FgydF4y2Ba,gydF4y2Ba CRgydF4y2Ba ,gydF4y2Ba NPgydF4y2Ba ,提到在德学习算法。隐藏层的数量是一个重要的参数在DE-DMAS,即gydF4y2Ba 米gydF4y2Ba。对不同的数据集,gydF4y2Ba 米gydF4y2Ba应该适当确定。的参数范围DE-DMAS如表所示gydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

在DE-DMAS参数范围。gydF4y2Ba

数据集gydF4y2Ba NPgydF4y2Ba CRgydF4y2Ba FgydF4y2Ba 米gydF4y2Ba
虹膜gydF4y2Ba 10、30、60gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 4、8、12gydF4y2Ba
肝gydF4y2Ba 10、30、60gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 6、12、18gydF4y2Ba
癌症gydF4y2Ba 10、30、60gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 9,18岁,27岁gydF4y2Ba
玻璃gydF4y2Ba 10、30、60gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 9,18岁,27岁gydF4y2Ba
ACAgydF4y2Ba 10、30、60gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 0.3,0.6,0.9gydF4y2Ba 16日,32岁的48gydF4y2Ba

通常情况下,我们需要尝试所有的参数来获得最优参数组合。然而,存在四个参数,每个参数有三个选择。因此,我们应该执行81 (gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba )不同的实验,这将耗时。以确保实验结果的可信度,我们应该重复每一个不同的实验30倍。因为这种方法是费时的,我们应该减少许多不同的实验。田口方法是一种方法来有效地获得最优参数(gydF4y2Ba 59gydF4y2Ba,gydF4y2Ba 60gydF4y2Ba]。这种方法主要是采用使用正交数组。根据前面提到的参数范围,四个参数试验包含三个数据集是可用的。因此,gydF4y2Ba lgydF4y2Ba 9gydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba 正交数组已经应用于最优参数实验的五个数据集。每个数据集的实例已经被用于测试培训分为70%和30%。每个数据集的正交实验重复30次。每个正交试验的时代是设置为1000。iris数据集的正交实验结果如表所示gydF4y2Ba 3gydF4y2Ba。肝脏的数据集的结果如表所示gydF4y2Ba 4gydF4y2Ba。玻璃的数据集的结果如表所示gydF4y2Ba 5gydF4y2Ba。癌症数据集的结果如表所示gydF4y2Ba 6gydF4y2Ba。ACA数据集的结果如表所示gydF4y2Ba 7gydF4y2Ba。最后一列显示了正确的平均30个测试实验。我们获得最优的参数由均值和方差的综合分析。粗体显示参数的最优组合。所有数据集的最优参数如表所示gydF4y2Ba 8gydF4y2Ba。gydF4y2Ba

iris数据集的正交数组参数。gydF4y2Ba

实验运行gydF4y2Ba 参数(水平)gydF4y2Ba 精度(%)gydF4y2Ba
(3)分支gydF4y2Ba FgydF4y2Ba(3)gydF4y2Ba CR (3)gydF4y2Ba NP (3)gydF4y2Ba
1gydF4y2Ba 4gydF4y2Ba 0.3gydF4y2Ba 0.3gydF4y2Ba 10gydF4y2Ba 92.51gydF4y2Ba ±gydF4y2Ba 4.61gydF4y2Ba
2gydF4y2Ba 8gydF4y2Ba 0.3gydF4y2Ba 0.6gydF4y2Ba 30.gydF4y2Ba 94.49gydF4y2Ba ±gydF4y2Ba 5.46gydF4y2Ba
3gydF4y2Ba 12gydF4y2Ba 0.3gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 94.96gydF4y2Ba ±gydF4y2Ba 2.47gydF4y2Ba
4gydF4y2Ba 12gydF4y2Ba 0.6gydF4y2Ba 0.3gydF4y2Ba 30.gydF4y2Ba 94.20gydF4y2Ba ±gydF4y2Ba 4.61gydF4y2Ba
5gydF4y2Ba 4gydF4y2Ba 0.6gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 96.74gydF4y2Ba ±gydF4y2Ba 2.78gydF4y2Ba
6gydF4y2Ba 8gydF4y2Ba 0.6gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 93.62gydF4y2Ba ±gydF4y2Ba 5.32gydF4y2Ba
7gydF4y2Ba 8gydF4y2Ba 0.9gydF4y2Ba 0.3gydF4y2Ba 60gydF4y2Ba 94.20gydF4y2Ba ±gydF4y2Ba 4.47gydF4y2Ba
8gydF4y2Ba 12gydF4y2Ba 0.9gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 95.50gydF4y2Ba ±gydF4y2Ba 4.90gydF4y2Ba
9gydF4y2Ba 4gydF4y2Ba 0.9gydF4y2Ba 0.9gydF4y2Ba 30.gydF4y2Ba 94.00gydF4y2Ba ±gydF4y2Ba 2.74gydF4y2Ba

肝脏数据集的正交数组参数。gydF4y2Ba

实验运行gydF4y2Ba 参数(水平)gydF4y2Ba 精度(%)gydF4y2Ba
(3)分支gydF4y2Ba FgydF4y2Ba(3)gydF4y2Ba CR (3)gydF4y2Ba NP (3)gydF4y2Ba
1gydF4y2Ba 6gydF4y2Ba 0.3gydF4y2Ba 0.3gydF4y2Ba 10gydF4y2Ba 70.60gydF4y2Ba ±gydF4y2Ba 4.81gydF4y2Ba
2gydF4y2Ba 12gydF4y2Ba 0.3gydF4y2Ba 0.6gydF4y2Ba 30.gydF4y2Ba 73.59gydF4y2Ba ±gydF4y2Ba 6.66gydF4y2Ba
3gydF4y2Ba 18gydF4y2Ba 0.3gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 72.17gydF4y2Ba ±gydF4y2Ba 3.86gydF4y2Ba
4gydF4y2Ba 18gydF4y2Ba 0.6gydF4y2Ba 0.3gydF4y2Ba 30.gydF4y2Ba 66.92gydF4y2Ba ±gydF4y2Ba 6.80gydF4y2Ba
5gydF4y2Ba 6gydF4y2Ba 0.6gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 71.85gydF4y2Ba ±gydF4y2Ba 4.75gydF4y2Ba
6gydF4y2Ba 12gydF4y2Ba 0.6gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 68.33gydF4y2Ba ±gydF4y2Ba 6.91gydF4y2Ba
7gydF4y2Ba 12gydF4y2Ba 0.9gydF4y2Ba 0.3gydF4y2Ba 60gydF4y2Ba 66.28gydF4y2Ba ±gydF4y2Ba 7.36gydF4y2Ba
8gydF4y2Ba 18gydF4y2Ba 0.9gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 68.58gydF4y2Ba ±gydF4y2Ba 7.74gydF4y2Ba
9gydF4y2Ba 6gydF4y2Ba 0.9gydF4y2Ba 0.9gydF4y2Ba 30.gydF4y2Ba 69.61gydF4y2Ba ±gydF4y2Ba 4.88gydF4y2Ba

玻璃的正交阵列参数数据集。gydF4y2Ba

实验运行gydF4y2Ba 参数(水平)gydF4y2Ba 精度(%)gydF4y2Ba
(3)分支gydF4y2Ba FgydF4y2Ba(3)gydF4y2Ba CR (3)gydF4y2Ba NP (3)gydF4y2Ba
1gydF4y2Ba 9gydF4y2Ba 0.3gydF4y2Ba 0.3gydF4y2Ba 10gydF4y2Ba 93.75gydF4y2Ba ±gydF4y2Ba 2.65gydF4y2Ba
2gydF4y2Ba 18gydF4y2Ba 0.3gydF4y2Ba 0.6gydF4y2Ba 30.gydF4y2Ba 94.37gydF4y2Ba ±gydF4y2Ba 4.13gydF4y2Ba
3gydF4y2Ba 27gydF4y2Ba 0.3gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 94.42gydF4y2Ba ±gydF4y2Ba 2.51gydF4y2Ba
4gydF4y2Ba 27gydF4y2Ba 0.6gydF4y2Ba 0.3gydF4y2Ba 30.gydF4y2Ba 94.06gydF4y2Ba ±gydF4y2Ba 4.44gydF4y2Ba
5gydF4y2Ba 9gydF4y2Ba 0.6gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 93.12gydF4y2Ba ±gydF4y2Ba 4.29gydF4y2Ba
6gydF4y2Ba 18gydF4y2Ba 0.6gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 93.02gydF4y2Ba ±gydF4y2Ba 4.07gydF4y2Ba
7gydF4y2Ba 18gydF4y2Ba 0.9gydF4y2Ba 0.3gydF4y2Ba 60gydF4y2Ba 93.54gydF4y2Ba ±gydF4y2Ba 3.66gydF4y2Ba
8gydF4y2Ba 27gydF4y2Ba 0.9gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 92.81gydF4y2Ba ±gydF4y2Ba 4.03gydF4y2Ba
9gydF4y2Ba 9gydF4y2Ba 0.9gydF4y2Ba 0.9gydF4y2Ba 30.gydF4y2Ba 94.01gydF4y2Ba ±gydF4y2Ba 2.66gydF4y2Ba

癌症数据集的正交数组参数。gydF4y2Ba

实验运行gydF4y2Ba 参数(水平)gydF4y2Ba 精度(%)gydF4y2Ba
(3)分支gydF4y2Ba FgydF4y2Ba(3)gydF4y2Ba CR (3)gydF4y2Ba NP (3)gydF4y2Ba
1gydF4y2Ba 9gydF4y2Ba 0.3gydF4y2Ba 0.3gydF4y2Ba 10gydF4y2Ba 96.12gydF4y2Ba ±gydF4y2Ba 1.17gydF4y2Ba
2gydF4y2Ba 18gydF4y2Ba 0.3gydF4y2Ba 0.6gydF4y2Ba 30.gydF4y2Ba 96.12gydF4y2Ba ±gydF4y2Ba 1.65gydF4y2Ba
3gydF4y2Ba 27gydF4y2Ba 0.3gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 95.80gydF4y2Ba ±gydF4y2Ba 1.26gydF4y2Ba
4gydF4y2Ba 27gydF4y2Ba 0.6gydF4y2Ba 0.3gydF4y2Ba 30.gydF4y2Ba 95.39gydF4y2Ba ±gydF4y2Ba 1.97gydF4y2Ba
5gydF4y2Ba 9gydF4y2Ba 0.6gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 96.09gydF4y2Ba ±gydF4y2Ba 1.64gydF4y2Ba
6gydF4y2Ba 18gydF4y2Ba 0.6gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 96.19gydF4y2Ba ±gydF4y2Ba 1.90gydF4y2Ba
7gydF4y2Ba 18gydF4y2Ba 0.9gydF4y2Ba 0.3gydF4y2Ba 60gydF4y2Ba 96.20gydF4y2Ba ±gydF4y2Ba 2.00gydF4y2Ba
8gydF4y2Ba 27gydF4y2Ba 0.9gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 95.81gydF4y2Ba ±gydF4y2Ba 1.55gydF4y2Ba
9gydF4y2Ba 9gydF4y2Ba 0.9gydF4y2Ba 0.9gydF4y2Ba 30.gydF4y2Ba 95.84gydF4y2Ba ±gydF4y2Ba 1.31gydF4y2Ba

ACA数据集的正交数组参数。gydF4y2Ba

实验运行gydF4y2Ba 参数(水平)gydF4y2Ba 精度(%)gydF4y2Ba
(3)分支gydF4y2Ba FgydF4y2Ba(3)gydF4y2Ba CR (3)gydF4y2Ba NP (3)gydF4y2Ba
1gydF4y2Ba 16gydF4y2Ba 0.3gydF4y2Ba 0.3gydF4y2Ba 10gydF4y2Ba 84.41gydF4y2Ba ±gydF4y2Ba 5.00gydF4y2Ba
2gydF4y2Ba 32gydF4y2Ba 0.3gydF4y2Ba 0.6gydF4y2Ba 30.gydF4y2Ba 85.81gydF4y2Ba ±gydF4y2Ba 2.41gydF4y2Ba
3gydF4y2Ba 48gydF4y2Ba 0.3gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 85.28gydF4y2Ba ±gydF4y2Ba 2.28gydF4y2Ba
4gydF4y2Ba 48gydF4y2Ba 0.6gydF4y2Ba 0.3gydF4y2Ba 30.gydF4y2Ba 85.18gydF4y2Ba ±gydF4y2Ba 1.67gydF4y2Ba
5gydF4y2Ba 16gydF4y2Ba 0.6gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 85.58gydF4y2Ba ±gydF4y2Ba 2.14gydF4y2Ba
6gydF4y2Ba 32gydF4y2Ba 0.6gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 85.70gydF4y2Ba ±gydF4y2Ba 1.64gydF4y2Ba
7gydF4y2Ba 32gydF4y2Ba 0.9gydF4y2Ba 0.3gydF4y2Ba 60gydF4y2Ba 84.89gydF4y2Ba ±gydF4y2Ba 2.26gydF4y2Ba
8gydF4y2Ba 48gydF4y2Ba 0.9gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 84.41gydF4y2Ba ±gydF4y2Ba 5.73gydF4y2Ba
9gydF4y2Ba 16gydF4y2Ba 0.9gydF4y2Ba 0.9gydF4y2Ba 30.gydF4y2Ba 86.18gydF4y2Ba ±gydF4y2Ba 1.98gydF4y2Ba

参数DE-DMASgydF4y2Ba

数据集gydF4y2Ba NPgydF4y2Ba CRgydF4y2Ba FgydF4y2Ba 米gydF4y2Ba
虹膜gydF4y2Ba 0.6gydF4y2Ba 0.6gydF4y2Ba 10gydF4y2Ba 4gydF4y2Ba
肝gydF4y2Ba 0.3gydF4y2Ba 0.6gydF4y2Ba 30.gydF4y2Ba 12gydF4y2Ba
癌症gydF4y2Ba 0.3gydF4y2Ba 0.3gydF4y2Ba 10gydF4y2Ba 9gydF4y2Ba
玻璃gydF4y2Ba 0.3gydF4y2Ba 0.9gydF4y2Ba 60gydF4y2Ba 27gydF4y2Ba
ACAgydF4y2Ba 0.9gydF4y2Ba 0.9gydF4y2Ba 30.gydF4y2Ba 16gydF4y2Ba
4.3。适应性的突触gydF4y2Ba

为了演示DE-DMAS突触层的适应性,我们进行了一次面对分析。我们删除了hyperparametergydF4y2Ba kgydF4y2Ba从德的人口和将其设置为1,5,分别和10。五个数据集被随机分成两部分:70%的训练,30%用于测试。的参数除了gydF4y2Ba kgydF4y2Ba这些表被设置为一样的gydF4y2Ba 8gydF4y2Ba。然后,我们为他们做了30个独立实验。我们记录所有测试结果准确性和比较结果的平均值和标准偏差,如表所示gydF4y2Ba 9gydF4y2Ba。,我们发现自适应gydF4y2Ba kgydF4y2Ba通常由德学习表现好于这些固定的值。此外,弗里德曼测试(gydF4y2Ba 61年gydF4y2Ba]给出了统计分析结果的精度。在这种情况下,弗里德曼测试的值越低,性能就越好。弗里德曼试验的结果如表所示gydF4y2Ba 10gydF4y2Ba。基于上述结果,很明显,自适应突触为认为是有益的。gydF4y2Ba

证明在突触的适应性的测试精度。gydF4y2Ba

数据集gydF4y2Ba kgydF4y2Ba= 1gydF4y2Ba kgydF4y2Ba= 5gydF4y2Ba kgydF4y2Ba= 10gydF4y2Ba 自适应gydF4y2Ba
虹膜gydF4y2Ba 80.81gydF4y2Ba ±gydF4y2Ba 6.66gydF4y2Ba 94.15gydF4y2Ba ±gydF4y2Ba 2.83gydF4y2Ba 95.11gydF4y2Ba ±gydF4y2Ba 2.50gydF4y2Ba 96.74gydF4y2Ba ±gydF4y2Ba 2.78gydF4y2Ba
肝gydF4y2Ba 69.39gydF4y2Ba ±gydF4y2Ba 3.57gydF4y2Ba 69.81gydF4y2Ba ±gydF4y2Ba 4.12gydF4y2Ba 69.39gydF4y2Ba ±gydF4y2Ba 5.56gydF4y2Ba 73.59gydF4y2Ba ±gydF4y2Ba 6.66gydF4y2Ba
癌症gydF4y2Ba 92.76gydF4y2Ba ±gydF4y2Ba 3.35gydF4y2Ba 92.97gydF4y2Ba ±gydF4y2Ba 3.38gydF4y2Ba 93.59gydF4y2Ba ±gydF4y2Ba 2.11gydF4y2Ba 96.12gydF4y2Ba ±gydF4y2Ba 1.17gydF4y2Ba
玻璃gydF4y2Ba 91.04gydF4y2Ba ±gydF4y2Ba 2.84gydF4y2Ba 93.33gydF4y2Ba ±gydF4y2Ba 3.23gydF4y2Ba 85.48gydF4y2Ba ±gydF4y2Ba 2.02gydF4y2Ba 94.42gydF4y2Ba ±gydF4y2Ba 2.51gydF4y2Ba
ACAgydF4y2Ba 85.44gydF4y2Ba ±gydF4y2Ba 2.99gydF4y2Ba 85.56gydF4y2Ba ±gydF4y2Ba 1.70gydF4y2Ba 85.86gydF4y2Ba ±gydF4y2Ba 2.53gydF4y2Ba 86.18gydF4y2Ba ±gydF4y2Ba 1.98gydF4y2Ba

演示突触的弗里德曼的适应性测试。gydF4y2Ba

数据集gydF4y2Ba kgydF4y2Ba= 1gydF4y2Ba kgydF4y2Ba= 5gydF4y2Ba kgydF4y2Ba= 10gydF4y2Ba 自适应gydF4y2Ba
虹膜gydF4y2Ba 4gydF4y2Ba 2.33gydF4y2Ba 2gydF4y2Ba 1.67gydF4y2Ba
肝gydF4y2Ba 2.77gydF4y2Ba 2.73gydF4y2Ba 2.55gydF4y2Ba 1.95gydF4y2Ba
癌症gydF4y2Ba 3.05gydF4y2Ba 2.95gydF4y2Ba 2.73gydF4y2Ba 1.27gydF4y2Ba
玻璃gydF4y2Ba 2.55gydF4y2Ba 1.98gydF4y2Ba 3.93gydF4y2Ba 1.53gydF4y2Ba
ACAgydF4y2Ba 2.48gydF4y2Ba 2.73gydF4y2Ba 2.52gydF4y2Ba 2.27gydF4y2Ba
4.4。与摘要gydF4y2Ba

在本节中,我们将DE-DMAS与摘要的最受欢迎的模型。相对比较公平,调整后的权值和阈值的数量(gydF4y2Ba DgydF4y2Ba 摘要利用gydF4y2Ba 和gydF4y2Ba DgydF4y2Ba 德gydF4y2Ba −gydF4y2Ba 奥玛仕gydF4y2Ba 方程所示(gydF4y2Ba 10gydF4y2Ba)和(gydF4y2Ba 11gydF4y2Ba,分别在这两个模型应该安排几乎一样,因为这些数字通常确定模型和计算复杂度的大小虽然两个模型有不同的架构:gydF4y2Ba (10)gydF4y2Ba DgydF4y2Ba 摘要利用gydF4y2Ba =gydF4y2Ba 输入gydF4y2Ba ×gydF4y2Ba 隐藏的gydF4y2Ba +gydF4y2Ba 隐藏的gydF4y2Ba ×gydF4y2Ba 输出gydF4y2Ba +gydF4y2Ba 隐藏的偏见gydF4y2Ba +gydF4y2Ba 输出偏差gydF4y2Ba ,gydF4y2Ba (11)gydF4y2Ba DgydF4y2Ba 德gydF4y2Ba −gydF4y2Ba 对于gydF4y2Ba =gydF4y2Ba 输入gydF4y2Ba ×gydF4y2Ba 隐藏的gydF4y2Ba +gydF4y2Ba 1。gydF4y2Ba

然而,数量的权重越大,就越被占领的计算资源。在我们的研究中,证明性能优良的DE-DMAS五集,DE-DMAS的结构应设置小于摘要。因为每个数据集的输入和输出是固定的,他们有相同数量的权重调整数量的隐藏层。在前面的小节中,我们已经配置了该参数为DE-DMAS(隐藏层的数量)。我们配置摘要隐藏层的数量根据上述原则。摘要的结构和DE-DMAS五个数据集如表所示gydF4y2Ba 11gydF4y2Ba。学习速率是根据经验将是0.1。gydF4y2Ba

DE-DMAS和摘要结构五个数据集。gydF4y2Ba

数据集gydF4y2Ba 方法gydF4y2Ba 不。的输入gydF4y2Ba 不。的分支gydF4y2Ba 不。的输出gydF4y2Ba 不。调整后的重量gydF4y2Ba
虹膜gydF4y2Ba DE-DMASgydF4y2Ba 4gydF4y2Ba 4gydF4y2Ba 1gydF4y2Ba 33gydF4y2Ba
摘要利用gydF4y2Ba 4gydF4y2Ba 28gydF4y2Ba 1gydF4y2Ba 169年gydF4y2Ba
肝gydF4y2Ba DE-DMASgydF4y2Ba 6gydF4y2Ba 12gydF4y2Ba 1gydF4y2Ba 145年gydF4y2Ba
摘要利用gydF4y2Ba 6gydF4y2Ba 18gydF4y2Ba 1gydF4y2Ba 145年gydF4y2Ba
癌症gydF4y2Ba DE-DMASgydF4y2Ba 9gydF4y2Ba 9gydF4y2Ba 1gydF4y2Ba 163年gydF4y2Ba
摘要利用gydF4y2Ba 9gydF4y2Ba 18gydF4y2Ba 1gydF4y2Ba 199年gydF4y2Ba
玻璃gydF4y2Ba DE-DMASgydF4y2Ba 9gydF4y2Ba 27gydF4y2Ba 1gydF4y2Ba 487年gydF4y2Ba
摘要利用gydF4y2Ba 27gydF4y2Ba 45gydF4y2Ba 1gydF4y2Ba 496年gydF4y2Ba
ACAgydF4y2Ba DE-DMASgydF4y2Ba 14gydF4y2Ba 16gydF4y2Ba 1gydF4y2Ba 449年gydF4y2Ba
摘要利用gydF4y2Ba 14gydF4y2Ba 30.gydF4y2Ba 1gydF4y2Ba 481年gydF4y2Ba
4.5。与BP-DNMgydF4y2Ba

为了比较BP-DNM DE-DMAS相当,这三个常见的参数gydF4y2Ba kgydF4y2Ba somagydF4y2Ba ,gydF4y2Ba θgydF4y2Ba somagydF4y2Ba 和隐藏层神经元的数量(gydF4y2Ba 米gydF4y2Ba)将是相同的。根据经验,学习速率设置为0.01,和的值gydF4y2Ba kgydF4y2Ba被设置为3。BP-DNM也是单个神经元和突触的非线性模型。有杰出的表现已经证明在肝脏gydF4y2Ba 40gydF4y2Ba,癌症gydF4y2Ba 41gydF4y2Ba],ACA (gydF4y2Ba 58gydF4y2Ba]。我们将展示的执行BP-DNM当DE-DMAS一样的结构。我们将使用多目标方法演示DE-DMAS的表演和BP-DNM五个数据集和讨论。gydF4y2Ba

 5。实验结果分析gydF4y2Ba

DE-DMAS vs摘要的对比实验和DE-DMAS vs BP-DNM设置如下:(1)实例测试的五个数据集分为30%和70%随机培训,(2)迭代的数量设置为1000,和(3)所有的实验都使用Matlab 2018运行。gydF4y2Ba

5.1。收敛性比较gydF4y2Ba

我们使用均方误差(MSE)的值来表示程度的收敛。值越小,收敛性就越好。我们计算的价值MSE DE-DMAS每次迭代后,BP-DNM和摘要培训过程和记录它。我们采用以下公式计算均方误差的值:gydF4y2Ba (12)gydF4y2Ba 均方误差gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba NgydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba NgydF4y2Ba OgydF4y2Ba 我gydF4y2Ba −gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba NgydF4y2Ba代表训练实例的数量gydF4y2Ba OgydF4y2Ba 我gydF4y2Ba 和gydF4y2Ba TgydF4y2Ba 我gydF4y2Ba 代表输出和老师的信号gydF4y2Ba 我gydF4y2Bath训练实例,分别。gydF4y2Ba

我们执行30 DE-DMAS训练,BP-DNM和摘要。我们随机选择70%的为每个训练实例作为输入。我们画两个图分析DE-DMAS的收敛效果,BP-DNM,摘要五个训练数据集。在第一个图,纵坐标代表MSE的平均值30训练,和横坐标表示的迭代数。总共有1000 MSE初始化的值被记录从一开始DE-DMAS, BP-DNM和摘要。我们可以计算收敛的速度通过曲线的程度下降。在图gydF4y2Ba 4gydF4y2Ba,我们注意DE-DMAS曲线下降的速度比比较器。这些数据表明,DE-DMAS收敛速度的优势。gydF4y2Ba

收敛图的五个数据集:(一)虹膜;(b)肝脏;(c)癌症;(d)玻璃;ACA (e)。gydF4y2Ba

我们记录MSE的价值最终迭代训练的30倍。我们使用box-and-whisker情节gydF4y2Ba 62年gydF4y2Ba代表MSE的值,如图gydF4y2Ba 5gydF4y2Ba。在这个图中,纵坐标代表MSE的价值。从上到下的水平线每个盒子代表最大,3/4值,中位数,1/4中位数和最小。1/4中值,中位数,和3/4位数代表MSE的值为25%,50%,和75%,之后分别排序。加号表示一个例外,这是一个价值超过标准差的两倍。行对应于最大,3/4中间线,中位数,1/4的中位数和最小DE-DMAS BP-DNM和摘要以下五个数据集。许多局外人摘要和BP-DNM盒的存在。上面的异常值的最大代表培训期间陷入局部最小值。相反,没有离群值高于最大DE-DMAS的盒子。结果表明,DE-DMAS的收敛效果优于BP-DNM和摘要。gydF4y2Ba

最后的MSE Box-and-whisker情节:(一)虹膜;(b)肝脏;(c)癌症;(d)玻璃;ACA (e)。gydF4y2Ba

 5.2。精度比较gydF4y2Ba

我们比较DE-DMAS BP-DNM,摘要的测试精度,灵敏度、特异性和接受者操作特征(ROC)曲线(gydF4y2Ba 63年gydF4y2Ba),这是一个方法,客观地分析了分类器的性能。绘制ROC曲线,我们收集了输出(gydF4y2Ba OgydF4y2Ba)的五个数据集测试由DE-DMAS BP-DNM和摘要。gydF4y2Ba TgydF4y2Ba代表相应的教师信号。我们转换输出gydF4y2Ba OgydF4y2Ba从一个实数0或1的整数。两分的问题,分为积极的和消极的类实例。实际的分类有四种情况:gydF4y2Ba

如果一个实例是在正类和预计在积极的类,那么它是一个真正的分类(真阳性(TP))gydF4y2Ba

如果一个实例是在正类,但预计在负类,那么它就是一个假阴性分类(假阴性(FN))gydF4y2Ba

如果负类的实例,但预计在积极的类,那么它就是一个假阳性分类(假阳性(FP))gydF4y2Ba

如果是负类和实例预测负类,那么它就是一个真阴性分类(真阴性(TN))gydF4y2Ba

真阳性率(TPR),代表的比例实际积极积极类实例预测的分类器对所有积极的情况下,等于敏感度。假阳性率(玻璃钢)代表的比例实际负实例的正类分类器预测的所有消极的情况下,等于1-specificity。ROC曲线的玻璃钢(1−特异性)gydF4y2Ba xgydF4y2Ba设在和TPR(灵敏度)gydF4y2Ba ygydF4y2Ba设在。AUC ROC曲线下的面积。AUC的价值在0.0和1.0之间,因为中华民国曲线画在一个正方形区域。值越大的敏感性,特异性,AUC,分类器的性能就越好。这些术语表定义gydF4y2Ba 12gydF4y2Ba。我们计算的准确性、敏感性、特异性和AUC基于这些术语使用以下方程:gydF4y2Ba (13)gydF4y2Ba 精度gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba +gydF4y2Ba TNgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba +gydF4y2Ba TNgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ,gydF4y2Ba 灵敏度gydF4y2Ba =gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba ,gydF4y2Ba 特异性gydF4y2Ba =gydF4y2Ba TNgydF4y2Ba TNgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ,gydF4y2Ba AUCgydF4y2Ba %gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 2gydF4y2Ba TPgydF4y2Ba TPgydF4y2Ba +gydF4y2Ba FNgydF4y2Ba +gydF4y2Ba TNgydF4y2Ba TNgydF4y2Ba +gydF4y2Ba 《外交政策》gydF4y2Ba ×gydF4y2Ba One hundred.gydF4y2Ba

条款的描述。gydF4y2Ba

老师的信号gydF4y2Ba 实际产出gydF4y2Ba 行总gydF4y2Ba
积极的(1)gydF4y2Ba 负(0)gydF4y2Ba
积极的(1)gydF4y2Ba TPgydF4y2Ba FNgydF4y2Ba TP + FNgydF4y2Ba
负(0)gydF4y2Ba 《外交政策》gydF4y2Ba TNgydF4y2Ba FP + TNgydF4y2Ba
列总gydF4y2Ba TP + FgydF4y2Ba FN + TNgydF4y2Ba N = TP + TN + FP + FNgydF4y2Ba

我们绘制ROC曲线的五个数据集比较DE-DMAS BP-DNM和摘要,如图gydF4y2Ba 6gydF4y2Ba。BP-DNM上方的DE-DMAS曲线和摘要曲线。敏感性,特异性,AUC,可确定的数值,如表所示gydF4y2Ba 13gydF4y2Ba。测试精度的平均值30实验,我们代表的均值和方差表gydF4y2Ba 13gydF4y2Ba。DE-DMAS展品价值高于BP-DNM和摘要这四个评估水平。所有测试结果证明DE-DMAS的优越性。gydF4y2Ba

ROC分析五个数据集:(一)虹膜民国;(b)肝脏中华民国;(c)癌症中华民国;(d)玻璃中华民国;(e) ACA中华民国。gydF4y2Ba

五个数据集的结果。gydF4y2Ba

数据集gydF4y2Ba 方法gydF4y2Ba 测试的准确性gydF4y2Ba 灵敏度gydF4y2Ba 特异性gydF4y2Ba AUCgydF4y2Ba
虹膜gydF4y2Ba DE-DMASgydF4y2Ba 96.74gydF4y2Ba ±gydF4y2Ba 2.78gydF4y2Ba One hundred.gydF4y2Ba 96.88gydF4y2Ba 98.44gydF4y2Ba
BP-DNMgydF4y2Ba 91.78gydF4y2Ba ±gydF4y2Ba 5.87gydF4y2Ba 91.16gydF4y2Ba 86.67gydF4y2Ba 95.65gydF4y2Ba
摘要利用gydF4y2Ba 85.93gydF4y2Ba ±gydF4y2Ba 10.89gydF4y2Ba 90.00gydF4y2Ba 91.43gydF4y2Ba 90.71gydF4y2Ba
肝gydF4y2Ba DE-DMASgydF4y2Ba 73.59gydF4y2Ba ±gydF4y2Ba 6.66gydF4y2Ba 66.67gydF4y2Ba 83.87gydF4y2Ba 75.27gydF4y2Ba
BP-DNMgydF4y2Ba 68.62gydF4y2Ba ±gydF4y2Ba 5.24gydF4y2Ba 52.50gydF4y2Ba .79.69gydF4y2Ba 66.09gydF4y2Ba
摘要利用gydF4y2Ba 59.94gydF4y2Ba ±gydF4y2Ba 6.33gydF4y2Ba 57.89gydF4y2Ba 72.73gydF4y2Ba 65.31gydF4y2Ba
癌症gydF4y2Ba DE-DMASgydF4y2Ba 96.12gydF4y2Ba ±gydF4y2Ba 1.17gydF4y2Ba 96.45gydF4y2Ba 98.55gydF4y2Ba 97.50gydF4y2Ba
BP-DNMgydF4y2Ba 96.33gydF4y2Ba ±gydF4y2Ba 1.43gydF4y2Ba 97.04gydF4y2Ba 94.67gydF4y2Ba 95.85gydF4y2Ba
摘要利用gydF4y2Ba 93.76gydF4y2Ba ±gydF4y2Ba 11.06gydF4y2Ba 95.89gydF4y2Ba 96.88gydF4y2Ba 96.38gydF4y2Ba
玻璃gydF4y2Ba DE-DMASgydF4y2Ba 94.42gydF4y2Ba ±gydF4y2Ba 2.51gydF4y2Ba 98.57gydF4y2Ba 92.85gydF4y2Ba 96 . . 67gydF4y2Ba
BP-DNMgydF4y2Ba 91.87gydF4y2Ba ±gydF4y2Ba 3.88gydF4y2Ba 84.62gydF4y2Ba 96.08gydF4y2Ba 90.35gydF4y2Ba
摘要利用gydF4y2Ba 92.50gydF4y2Ba ±gydF4y2Ba 3.34gydF4y2Ba 97.92gydF4y2Ba 81.25gydF4y2Ba 89.58gydF4y2Ba
ACAgydF4y2Ba DE-DMASgydF4y2Ba 86.18gydF4y2Ba ±gydF4y2Ba 1.98gydF4y2Ba 88.04gydF4y2Ba 86.09gydF4y2Ba 87.07gydF4y2Ba
BP-DNMgydF4y2Ba 83.66gydF4y2Ba ±gydF4y2Ba 9.26gydF4y2Ba 85.54gydF4y2Ba 81.45gydF4y2Ba 83.50gydF4y2Ba
摘要利用gydF4y2Ba 85.57gydF4y2Ba ±gydF4y2Ba 2.28gydF4y2Ba 87.10gydF4y2Ba 78.07gydF4y2Ba 82.58gydF4y2Ba
5.3。交叉验证gydF4y2Ba

为了方便比较性能,采用四种不同的实验train-to-test比率和四个综合交叉验证(gydF4y2Ba KgydF4y2Ba ×gydF4y2Ba 简历gydF4y2Ba )方法包括十倍的简历(90 - 10%,gydF4y2Ba ×gydF4y2Ba 10),五倍的简历(80 - 20%,gydF4y2Ba ×gydF4y2Ba 5)、四倍的简历(75 - 25%,gydF4y2Ba ×gydF4y2Ba 4),双重的简历(50 - 50%,gydF4y2Ba ×gydF4y2Ba 2)。在这里,train-to-test比率代表样本训练和测试之间的比率。与gydF4y2Ba KgydF4y2Ba ×gydF4y2Ba 简历gydF4y2Ba (gydF4y2Ba KgydF4y2Ba= 2,4、5、10),整个数据集随机分为gydF4y2Ba KgydF4y2Ba并与样本量约等于互斥的子集。在gydF4y2Ba KgydF4y2Ba ×gydF4y2Ba 简历gydF4y2Ba ,该方法在训练子集,利用测量和测试误差测试子集。总共的重复过程gydF4y2Ba KgydF4y2Ba试验,每次使用不同的子集进行测试。评估模型的性能通过平均平方误差的测试实验的所有路径。与单层褶皱验证方法相比,gydF4y2Ba KgydF4y2Ba ×gydF4y2Ba 简历的优势减少训练样本的相关性的随机抽样偏差,但它的缺点在于它需要太多的计算自模型训练gydF4y2Ba KgydF4y2Ba次了。我们选择四种摘要与不同的学习速率和数量如表(号)的分支gydF4y2Ba 14gydF4y2Ba,即BPNN1、BPNN2 BPNN3, BPNN4。BP-DNM DE-DMAS使用上述四种training-to-test比率。五个数据集应用于每种类型的training-to-test比率为每个模型,和30个独立的实验。最后,我们比较了平均值和标准偏差的测试精度的结果。表gydF4y2Ba 15gydF4y2Ba显示了虹膜数据集的交叉验证结果。表gydF4y2Ba 16gydF4y2Ba显示了肝脏的交叉验证结果数据集。表gydF4y2Ba 17gydF4y2Ba显示了癌症数据集的交叉验证结果。表gydF4y2Ba 18gydF4y2Ba显示了交叉验证的结果数据集的玻璃。表gydF4y2Ba 19gydF4y2Ba显示了ACA数据集的交叉验证结果。大胆的字体在这些表显示前两个根据标准差和均值。DE-DMAS CV5的癌症数据集不大胆的字体。所以我们可以得出这样的结论:DE-DMAS是优秀的。gydF4y2Ba

不。的模型。gydF4y2Ba

不。摘要利用的gydF4y2Ba 学习速率gydF4y2Ba 不。的分支gydF4y2Ba
BPNN1gydF4y2Ba 0.1gydF4y2Ba 30.gydF4y2Ba
BPNN2gydF4y2Ba 0.08gydF4y2Ba 60gydF4y2Ba
BPNN3gydF4y2Ba 0.08gydF4y2Ba 30.gydF4y2Ba
BPNN4gydF4y2Ba 0.06gydF4y2Ba 60gydF4y2Ba

交叉验证的虹膜。gydF4y2Ba

模型gydF4y2Ba CV10gydF4y2Ba CV5gydF4y2Ba CV4gydF4y2Ba CV2gydF4y2Ba
DE-DMASgydF4y2Ba 94.44gydF4y2Ba ±gydF4y2Ba 5.59gydF4y2Ba 94.56gydF4y2Ba ±gydF4y2Ba 5.90gydF4y2Ba 95.00gydF4y2Ba ±gydF4y2Ba 3.61gydF4y2Ba 93.38gydF4y2Ba ±gydF4y2Ba 5.09gydF4y2Ba
BP-DNMgydF4y2Ba 93.33gydF4y2Ba ±gydF4y2Ba 10.79gydF4y2Ba 93.22gydF4y2Ba ±gydF4y2Ba 6.64gydF4y2Ba 91.93gydF4y2Ba ±gydF4y2Ba 4.98gydF4y2Ba 86.80gydF4y2Ba ±gydF4y2Ba 9.16gydF4y2Ba
BPNN1gydF4y2Ba 90.67gydF4y2Ba ±gydF4y2Ba 7.50gydF4y2Ba 91.42gydF4y2Ba ±gydF4y2Ba 5.62gydF4y2Ba 89.06gydF4y2Ba ±gydF4y2Ba 9.41gydF4y2Ba 91.29gydF4y2Ba ±gydF4y2Ba 7.182gydF4y2Ba
BPNN2gydF4y2Ba 93.55gydF4y2Ba ±gydF4y2Ba 10.72gydF4y2Ba 93.35gydF4y2Ba ±gydF4y2Ba 7.92gydF4y2Ba 92.80gydF4y2Ba ±gydF4y2Ba 7.82gydF4y2Ba 91.82gydF4y2Ba ±gydF4y2Ba 7.97gydF4y2Ba
BPNN3gydF4y2Ba 91.10gydF4y2Ba ±gydF4y2Ba 9.85gydF4y2Ba 88.77gydF4y2Ba ±gydF4y2Ba 9.20gydF4y2Ba 90.27gydF4y2Ba ±gydF4y2Ba 9.89gydF4y2Ba 86.71gydF4y2Ba ±gydF4y2Ba 13.43gydF4y2Ba
BPNN4gydF4y2Ba 90.44gydF4y2Ba ±gydF4y2Ba 8.69gydF4y2Ba 89.89gydF4y2Ba ±gydF4y2Ba 9.07gydF4y2Ba 88.80gydF4y2Ba ±gydF4y2Ba 9.59gydF4y2Ba 89.07gydF4y2Ba ±gydF4y2Ba 9.72gydF4y2Ba

交叉验证的肝脏。gydF4y2Ba

模型gydF4y2Ba CV10gydF4y2Ba CV5gydF4y2Ba CV4gydF4y2Ba CV2gydF4y2Ba
DE-DMASgydF4y2Ba 70.20gydF4y2Ba ±gydF4y2Ba 7.98gydF4y2Ba 71.93gydF4y2Ba ±gydF4y2Ba 4.79gydF4y2Ba 71.40gydF4y2Ba ±gydF4y2Ba 0.40gydF4y2Ba 70.12gydF4y2Ba ±gydF4y2Ba 3.10gydF4y2Ba
BP-DNMgydF4y2Ba 58.82gydF4y2Ba ±gydF4y2Ba 7.93gydF4y2Ba 69.42gydF4y2Ba ±gydF4y2Ba 5.68gydF4y2Ba 68.88gydF4y2Ba ±gydF4y2Ba 5.57gydF4y2Ba 66.44gydF4y2Ba ±gydF4y2Ba 4.81gydF4y2Ba
BPNN1gydF4y2Ba 58.76gydF4y2Ba ±gydF4y2Ba 9.45gydF4y2Ba 59.18gydF4y2Ba ±gydF4y2Ba 5.72gydF4y2Ba 59.43gydF4y2Ba ±gydF4y2Ba 7.34gydF4y2Ba 60.44gydF4y2Ba ±gydF4y2Ba 4.30gydF4y2Ba
BPNN2gydF4y2Ba 63.14gydF4y2Ba ±gydF4y2Ba 8.20gydF4y2Ba 58.72gydF4y2Ba ±gydF4y2Ba 6.11gydF4y2Ba 61.47gydF4y2Ba ±gydF4y2Ba 6.72gydF4y2Ba 58.83gydF4y2Ba ±gydF4y2Ba 5.05gydF4y2Ba
BPNN3gydF4y2Ba 58.00gydF4y2Ba ±gydF4y2Ba 8.33gydF4y2Ba 58.55gydF4y2Ba ±gydF4y2Ba 5.80gydF4y2Ba 61.47gydF4y2Ba ±gydF4y2Ba 6.72gydF4y2Ba 59.37gydF4y2Ba ±gydF4y2Ba 8.50gydF4y2Ba
BPNN4gydF4y2Ba 60.19gydF4y2Ba ±gydF4y2Ba 8.94gydF4y2Ba 61.11gydF4y2Ba ±gydF4y2Ba 6.09gydF4y2Ba 60.92gydF4y2Ba ±gydF4y2Ba 8.45gydF4y2Ba 60.71gydF4y2Ba ±gydF4y2Ba 5.56gydF4y2Ba

交叉验证对癌症。gydF4y2Ba

模型gydF4y2Ba CV10gydF4y2Ba CV5gydF4y2Ba CV4gydF4y2Ba CV2gydF4y2Ba
DE-DMASgydF4y2Ba 96.38gydF4y2Ba ±gydF4y2Ba 2.36gydF4y2Ba 96.05gydF4y2Ba ±gydF4y2Ba 1.74gydF4y2Ba 96.11gydF4y2Ba ±gydF4y2Ba 1.12gydF4y2Ba 95.90gydF4y2Ba ±gydF4y2Ba 0.70gydF4y2Ba
BP-DNMgydF4y2Ba 95.71gydF4y2Ba ±gydF4y2Ba 2.17gydF4y2Ba 96.02gydF4y2Ba ±gydF4y2Ba 1.84gydF4y2Ba 95.75gydF4y2Ba ±gydF4y2Ba 1.64gydF4y2Ba 95.70gydF4y2Ba ±gydF4y2Ba 1.06gydF4y2Ba
BPNN1gydF4y2Ba 91.48gydF4y2Ba ±gydF4y2Ba 11.65gydF4y2Ba 92.26gydF4y2Ba ±gydF4y2Ba 11.80gydF4y2Ba 96.29gydF4y2Ba ±gydF4y2Ba 1.67gydF4y2Ba 94.29gydF4y2Ba ±gydF4y2Ba 1.08gydF4y2Ba
BPNN2gydF4y2Ba 96.57gydF4y2Ba ±gydF4y2Ba 2.51gydF4y2Ba 96.28gydF4y2Ba ±gydF4y2Ba 1.54gydF4y2Ba 94.33gydF4y2Ba ±gydF4y2Ba 1.52gydF4y2Ba 93.71gydF4y2Ba ±gydF4y2Ba 2.44gydF4y2Ba
BPNN3gydF4y2Ba 93.45gydF4y2Ba ±gydF4y2Ba 12.00gydF4y2Ba 95.52gydF4y2Ba ±gydF4y2Ba 1.45gydF4y2Ba 95.73gydF4y2Ba ±gydF4y2Ba 1.35gydF4y2Ba 93.53gydF4y2Ba ±gydF4y2Ba 11.54gydF4y2Ba
BPNN4gydF4y2Ba 94.05gydF4y2Ba ±gydF4y2Ba 12.53gydF4y2Ba 96.30gydF4y2Ba ±gydF4y2Ba 1.34gydF4y2Ba 96.10gydF4y2Ba ±gydF4y2Ba 1.75gydF4y2Ba 96.07gydF4y2Ba ±gydF4y2Ba 1.04gydF4y2Ba

交叉验证的玻璃。gydF4y2Ba

模型gydF4y2Ba CV10gydF4y2Ba CV5gydF4y2Ba CV4gydF4y2Ba CV2gydF4y2Ba
DE-DMASgydF4y2Ba 95.24gydF4y2Ba ±gydF4y2Ba 3.75gydF4y2Ba 96.05gydF4y2Ba ±gydF4y2Ba 1.74gydF4y2Ba 96.01gydF4y2Ba ±gydF4y2Ba 1.36gydF4y2Ba 95.70gydF4y2Ba ±gydF4y2Ba 0.70gydF4y2Ba
BP-DNM1gydF4y2Ba 92.53gydF4y2Ba ±gydF4y2Ba 4.95gydF4y2Ba 92.40gydF4y2Ba ±gydF4y2Ba 3.23gydF4y2Ba 91.58gydF4y2Ba ±gydF4y2Ba 3.16gydF4y2Ba 91.12gydF4y2Ba ±gydF4y2Ba 2.77gydF4y2Ba
BPNN1gydF4y2Ba 91.59gydF4y2Ba ±gydF4y2Ba 5.55gydF4y2Ba 90.39gydF4y2Ba ±gydF4y2Ba 4.44gydF4y2Ba 91.05gydF4y2Ba ±gydF4y2Ba 3.19gydF4y2Ba 91.53gydF4y2Ba ±gydF4y2Ba 2.22gydF4y2Ba
BPNN2gydF4y2Ba 91.90gydF4y2Ba ±gydF4y2Ba 4.36gydF4y2Ba 92.56gydF4y2Ba ±gydF4y2Ba 4.12gydF4y2Ba 90.99gydF4y2Ba ±gydF4y2Ba 4.12gydF4y2Ba 90.31gydF4y2Ba ±gydF4y2Ba 5.24gydF4y2Ba
BPNN3gydF4y2Ba 91.75gydF4y2Ba ±gydF4y2Ba 4.83gydF4y2Ba 89.61gydF4y2Ba ±gydF4y2Ba 4.56gydF4y2Ba 91.42gydF4y2Ba ±gydF4y2Ba 4.28gydF4y2Ba 89.50gydF4y2Ba ±gydF4y2Ba 3.85gydF4y2Ba
BPNN4gydF4y2Ba 90.00gydF4y2Ba ±gydF4y2Ba 6.77gydF4y2Ba 92.02gydF4y2Ba ±gydF4y2Ba 4.08gydF4y2Ba 90.00gydF4y2Ba ±gydF4y2Ba 5.36gydF4y2Ba 91.78gydF4y2Ba ±gydF4y2Ba 3.72gydF4y2Ba

交叉验证ACA。gydF4y2Ba

模型gydF4y2Ba CV10gydF4y2Ba CV5gydF4y2Ba CV4gydF4y2Ba CV2gydF4y2Ba
DE-DMASgydF4y2Ba 84.98gydF4y2Ba ±gydF4y2Ba 3.95gydF4y2Ba 86.79gydF4y2Ba ±gydF4y2Ba 2.70gydF4y2Ba 85.59gydF4y2Ba ±gydF4y2Ba 2.81gydF4y2Ba 85.78gydF4y2Ba ±gydF4y2Ba 1.39gydF4y2Ba
BP-DNMgydF4y2Ba 83.09gydF4y2Ba ±gydF4y2Ba 8.52gydF4y2Ba 82.00gydF4y2Ba ±gydF4y2Ba 10.62gydF4y2Ba 83.06gydF4y2Ba ±gydF4y2Ba 10.51gydF4y2Ba 82.07gydF4y2Ba ±gydF4y2Ba 10.36gydF4y2Ba
BPNN1gydF4y2Ba 85.94gydF4y2Ba ±gydF4y2Ba 4.34gydF4y2Ba 85.20gydF4y2Ba ±gydF4y2Ba 2.66gydF4y2Ba 85.04gydF4y2Ba ±gydF4y2Ba 2.63gydF4y2Ba 85.39gydF4y2Ba ±gydF4y2Ba 1.61gydF4y2Ba
BPNN2gydF4y2Ba 84.12gydF4y2Ba ±gydF4y2Ba 3.97gydF4y2Ba 85.11gydF4y2Ba ±gydF4y2Ba 2.60gydF4y2Ba 83.51gydF4y2Ba ±gydF4y2Ba 3.41gydF4y2Ba 86.13gydF4y2Ba ±gydF4y2Ba 1.28gydF4y2Ba
BPNN3gydF4y2Ba 83.51gydF4y2Ba ±gydF4y2Ba 4.64gydF4y2Ba 85.48gydF4y2Ba ±gydF4y2Ba 2.79gydF4y2Ba 84.00gydF4y2Ba ±gydF4y2Ba 3.49gydF4y2Ba 85.35gydF4y2Ba ±gydF4y2Ba 1.18gydF4y2Ba
BPNN4gydF4y2Ba 84.16gydF4y2Ba ±gydF4y2Ba 4.48gydF4y2Ba 86.11gydF4y2Ba ±gydF4y2Ba 2.15gydF4y2Ba 83.51gydF4y2Ba ±gydF4y2Ba 33.30gydF4y2Ba 85.09gydF4y2Ba ±gydF4y2Ba 1.55gydF4y2Ba
5.4。简化模型gydF4y2Ba

如前所述,我们删除无用的树突和突触修剪的功能。整个过程简化为虹膜数据集如图gydF4y2Ba 7gydF4y2Ba。首先,初始化神经元的结构有四个树突,如图gydF4y2Ba 7(一)gydF4y2Ba。在这些树突突触接收输入gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 4gydF4y2Ba 。突触被激活并转换为直连状态(●)opposite-connecting状态(gydF4y2Ba▂gydF4y2Ba),常数1状态(①),或常量0状态(⓪)学习。其次,删除所有无用的树突的树突修剪函数;如果至少有一个树突突触是常数,状态,删除树突。在图gydF4y2Ba 7 (b)gydF4y2Ba,我们表示删除树突1树突3和树突4✖象征。树突修剪后,只剩下树突2,如图gydF4y2Ba 7 (c)gydF4y2Ba。然后,删除所有不必要的突触的突触修剪函数;即删除突触的常数1状态图中✖象征gydF4y2Ba 7 (c)gydF4y2Ba。图gydF4y2Ba 7 (d)gydF4y2Ba数据集显示了虹膜的简化结构。这种结构的简化从4层树突和4只输入树突2和2输入gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba 和gydF4y2Ba XgydF4y2Ba 4gydF4y2Ba 。gydF4y2Ba

iris数据集结构简化过程。gydF4y2Ba

肝脏数据集有12层的树突和6输入,如图gydF4y2Ba 8(一个)gydF4y2Ba。在图gydF4y2Ba 8 (b)gydF4y2Ba,我们表示删除(树突1,3,4,5,6,7,8,9,10,12)与✖象征。树突修剪后,树突2和11依然存在,如图gydF4y2Ba 8 (c)gydF4y2Ba。突触修剪后,gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 6gydF4y2Ba 一直保持,和其他人都要因✖象征。图gydF4y2Ba 8 (d)gydF4y2Ba数据集显示了肝脏的简化结构。这种结构的简化从12层树突和6只输入树突2 11和4输入gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 6gydF4y2Ba 。gydF4y2Ba

数据集对肝脏结构简化过程。gydF4y2Ba

癌症数据集有9层的树突和9输入,如图gydF4y2Ba 9(一个)gydF4y2Ba。在图gydF4y2Ba 9 (b)gydF4y2Ba,我们表示删除(树突1、2、3、4、6、7和9)与✖象征。树突修剪后,树突5和8,如图gydF4y2Ba 9 (c)gydF4y2Ba。突触修剪后,gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 6gydF4y2Ba 一直保持,和其他人被✖象征。图gydF4y2Ba 9 (d)gydF4y2Ba显示了癌症数据集的简化结构。这种结构的简化从9层树突和9只输入树突5和8 5输入gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 5gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 6gydF4y2Ba 。gydF4y2Ba

癌症数据集结构简化过程。gydF4y2Ba

玻璃数据集有二十七层树突和9输入,如图gydF4y2Ba 10 ()gydF4y2Ba。在图gydF4y2Ba 10 (b)gydF4y2Ba,我们表示删除(树突1、2、3、4、5、7,8,9,10,11,12日,13日,14日,15日,16日,17日,18日,19日,20日,21日,22日,23日,25日,26日和27日)与✖象征。树突修剪后,树突6和24依然存在,如图gydF4y2Ba 10 (c)gydF4y2Ba。突触修剪后,gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 8gydF4y2Ba 一直保持,和其他人都要因✖象征。图gydF4y2Ba 10 (d)gydF4y2Ba数据集显示了肝脏的简化结构。这种结构的简化从12层树突和6只输入树突6到24和4输入gydF4y2Ba XgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 4gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 8gydF4y2Ba 。gydF4y2Ba

为玻璃数据集结构简化过程。gydF4y2Ba

ACA数据集16层的树突和14输入,如图gydF4y2Ba (11日)gydF4y2Ba。在图gydF4y2Ba 11 (b)gydF4y2Ba,我们表示删除(树突1、2、3、4、6,7,8,9,11,12日,14日,15日和16日)与✖象征。树突修剪后,树突10到13依然存在,如图gydF4y2Ba 11 (c)gydF4y2Ba。突触修剪后,gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 7gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 8gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 10gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 12gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 13gydF4y2Ba 一直和其他人✖已被移除的象征。图gydF4y2Ba 11 (d)gydF4y2Ba数据集显示了肝脏的简化结构。这种结构简化从16层的树突和6只输入树突10和13 6输入gydF4y2Ba XgydF4y2Ba 3gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 7gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 8gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 10gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 12gydF4y2Ba ,gydF4y2Ba XgydF4y2Ba 13gydF4y2Ba 。gydF4y2Ba

为ACA数据集结构简化过程。gydF4y2Ba

这些数据所示,我们得到最终的简化模型五个数据集。简化后的模型,模型的结构已经减少了超过90%,这表明我们可以利用简单的逻辑来解决真正的问题。问题是解决了有超过数百个逻辑组件但现在可以解决只有几十个简单的逻辑组件,如比较器,和盖茨,或者盖茨,而不是盖茨。这一变化大大降低了人力成本和时间成本。逻辑电路的五个数据集在图gydF4y2Ba 12gydF4y2Ba。的价值gydF4y2Ba θgydF4y2Ba的值是在比较器图gydF4y2Ba θgydF4y2Ba在相应的突触后培训。标准输入被这些逻辑组件计算预期的输出为0或1。gydF4y2Ba

逻辑电路通过该方法得到的五个数据集:(一)虹膜;(b)肝脏;(c)癌症;(d)玻璃;ACA (e)。gydF4y2Ba

 6。结论gydF4y2Ba

提高计算能力的神经元树突模型(认为),神经元树突突触模型与自适应训练的微分进化算法(DE-DMAS)提出,显示了增强性能的仿真基于UCI数据集。比较经典的摘要和BP-DNM进行的测试精度,灵敏度、特异性、中华民国和交叉验证。DE-DMAS显示所有结果,其优越性和DE-DMAS单个神经元模型发现大大超越摘要和BP-DNM。gydF4y2Ba

对于进一步了解真正的生物神经元自清除的能力。这个函数可以消除分支从树突形态取决于连续值。它因此降低了进化和简化计算负载的树突状结构在不影响计算结果。简化的树突结构可以实现与比较器的逻辑电路,或门,与门和非门。它使人们有可能用更少的成本来解决实际的问题。gydF4y2Ba

强调这项工作的贡献,自适应神经突触是首次提出。其效用是证明弗里德曼测试部分的总结gydF4y2Ba 4所示。3gydF4y2Ba。自适应能力的突触不仅具有较强的鲁棒性,还能减少认为认为,改善性能的参数。gydF4y2Ba

树突的计算过程中起着举足轻重的作用。一个DE-DMAS神经元模型只能处理(即二分类问题。、二元分类问题),这是它的主要限制。但是所有的当前神经网络是由多个单神经元模型只能处理二分类。本文旨在提出DE-DMAS模型的网络结构,所以只有一个。不过,值得指出的是,变异的DE-DMAS可以开发为解决多类分类问题。例如,通过使用softmax函数(连同交叉熵),可以大约多类分类问题转化为二分类问题,并基于几个DE-DMAS one-hot-encoding策略神经元模型可以用来计算信息熵。为什么我们选择多个数据集,可以分为两类实验是我们想更直观地反映单个神经元模型的能力,而不是网络的。对于进一步的研究将集中在程序的调整,使其适应深度学习结构。我们也相信这个模型在电子设计领域拥有巨大的潜力,如VLSI和生物医学科学。gydF4y2Ba

 数据可用性gydF4y2Ba

分类数据集可以自由下载gydF4y2Ba https://archive.ics.uci.edu/ml/index.phpgydF4y2Ba。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突。gydF4y2Ba

 确认gydF4y2Ba

这项工作是支持的jsp KAKENHI(批准号JP19K12136)。gydF4y2Ba

 麦卡洛克gydF4y2Ba w·S。gydF4y2Ba 皮特gydF4y2Ba W。gydF4y2Ba 一个逻辑微积分思想内在的神经活动gydF4y2Ba 数学生物物理学的公告gydF4y2Ba 1943年gydF4y2Ba 5gydF4y2Ba 4gydF4y2Ba 115年gydF4y2Ba 133年gydF4y2Ba 10.1007 / bf02478259gydF4y2Ba 2 - s2.0 - 51249194645gydF4y2Ba 罗彻斯特gydF4y2Ba N。gydF4y2Ba 荷兰gydF4y2Ba J。gydF4y2Ba HaibtgydF4y2Ba lgydF4y2Ba 杜达gydF4y2Ba W。gydF4y2Ba 测试一个细胞组装大脑的行动理论,使用一个大型数字计算机gydF4y2Ba IEEE信息理论gydF4y2Ba 1956年gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 80年gydF4y2Ba 93年gydF4y2Ba 10.1109 / tit.1956.1056810gydF4y2Ba 2 - s2.0 - 84860853259gydF4y2Ba RosenblattgydF4y2Ba F。gydF4y2Ba 感知器:一个概率模型为信息存储和组织在大脑中gydF4y2Ba 心理评估gydF4y2Ba 1958年gydF4y2Ba 65年gydF4y2Ba 6gydF4y2Ba 386年gydF4y2Ba 408年gydF4y2Ba 10.1037 / h0042519gydF4y2Ba 2 - s2.0 - 11144273669gydF4y2Ba 明斯基gydF4y2Ba M。gydF4y2Ba PapertgydF4y2Ba 美国一个。gydF4y2Ba 感知器:介绍计算几何gydF4y2Ba 2017年gydF4y2Ba 美国剑桥,马gydF4y2Ba 麻省理工学院出版社gydF4y2Ba RumelhartgydF4y2Ba d E。gydF4y2Ba 辛顿gydF4y2Ba g . E。gydF4y2Ba 威廉姆斯gydF4y2Ba r . J。gydF4y2Ba 学习误差传播的内部表示gydF4y2Ba 1985年gydF4y2Ba 拉荷亚、钙、美国gydF4y2Ba 加州大学圣地亚哥拉霍亚本月认知科学gydF4y2Ba 技术报告gydF4y2Ba 科赫gydF4y2Ba C。gydF4y2Ba 计算和单一神经元gydF4y2Ba 自然gydF4y2Ba 1997年gydF4y2Ba 385年gydF4y2Ba 6613年gydF4y2Ba 207年gydF4y2Ba 210年gydF4y2Ba 10.1038 / 385207 a0gydF4y2Ba 2 - s2.0 - 0031030275gydF4y2Ba 科赫gydF4y2Ba C。gydF4y2Ba 戈夫gydF4y2Ba 我。gydF4y2Ba 单神经元信息处理的作用gydF4y2Ba 自然神经科学gydF4y2Ba 2000年gydF4y2Ba 3gydF4y2Ba 11gydF4y2Ba 1171年gydF4y2Ba 1177年gydF4y2Ba 10.1038/81444gydF4y2Ba 2 - s2.0 - 0033667243gydF4y2Ba 戴维森gydF4y2Ba j·L。gydF4y2Ba 悍马gydF4y2Ba F。gydF4y2Ba 形态神经网络:介绍与应用程序gydF4y2Ba 电路、系统和信号处理gydF4y2Ba 1993年gydF4y2Ba 12gydF4y2Ba 2gydF4y2Ba 177年gydF4y2Ba 210年gydF4y2Ba 10.1007 / bf01189873gydF4y2Ba 2 - s2.0 - 0027150623gydF4y2Ba 里特gydF4y2Ba g . X。gydF4y2Ba SussnergydF4y2Ba P。gydF4y2Ba 介绍了形态神经网络gydF4y2Ba 4gydF4y2Ba 《第13次国际会议模式识别gydF4y2Ba 1996年8月gydF4y2Ba 奥地利的维也纳gydF4y2Ba IEEEgydF4y2Ba 709年gydF4y2Ba 717年gydF4y2Ba 10.1109 / ICPR.1996.546783gydF4y2Ba 2 - s2.0 - 84898779918gydF4y2Ba SossagydF4y2Ba H。gydF4y2Ba 格瓦拉gydF4y2Ba E。gydF4y2Ba 高效的树突形态神经网络训练gydF4y2Ba NeurocomputinggydF4y2Ba 2014年gydF4y2Ba 131年gydF4y2Ba 132年gydF4y2Ba 142年gydF4y2Ba 10.1016 / j.neucom.2013.10.031gydF4y2Ba 2 - s2.0 - 84894083994gydF4y2Ba SossagydF4y2Ba H。gydF4y2Ba 格瓦拉gydF4y2Ba E。gydF4y2Ba 修改后树突形态神经网络应用于3 d对象识别gydF4y2Ba 墨西哥会议模式识别gydF4y2Ba 2013年gydF4y2Ba 柏林,德国gydF4y2Ba 施普林格gydF4y2Ba 314年gydF4y2Ba 324年gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba (尽管)gydF4y2Ba H。gydF4y2Ba 山下式gydF4y2Ba K。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba 无监督可学的神经元模型与非线性相互作用对树突gydF4y2Ba 神经网络gydF4y2Ba 2014年gydF4y2Ba 60gydF4y2Ba 96年gydF4y2Ba 103年gydF4y2Ba 10.1016 / j.neunet.2014.07.011gydF4y2Ba 2 - s2.0 - 84906669739gydF4y2Ba 霁gydF4y2Ba J。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 一个近似逻辑神经元模型与一个树状结构gydF4y2Ba NeurocomputinggydF4y2Ba 2016年gydF4y2Ba 173年gydF4y2Ba 1775年gydF4y2Ba 1783年gydF4y2Ba 10.1016 / j.neucom.2015.09.052gydF4y2Ba 2 - s2.0 - 84955138935gydF4y2Ba 唐gydF4y2Ba Y。gydF4y2Ba 霁gydF4y2Ba J。gydF4y2Ba 朱gydF4y2Ba Y。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 一个微分evolution-oriented修剪为破产预测神经网络模型gydF4y2Ba 复杂性gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 21gydF4y2Ba 8682124gydF4y2Ba 10.1155 / 2019/8682124gydF4y2Ba 2 - s2.0 - 85071105617gydF4y2Ba 钱gydF4y2Ba X。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 曹gydF4y2Ba 年代。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba Mr2DNM:小说相互信息化树突神经元模型gydF4y2Ba 计算智能和神经科学gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 13gydF4y2Ba 7362931gydF4y2Ba 10.1155 / 2019/7362931gydF4y2Ba 2 - s2.0 - 85071277099gydF4y2Ba 周gydF4y2Ba T。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 楚gydF4y2Ba C。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba 金融时间序列预测使用树突神经元模型gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2016年gydF4y2Ba 105年gydF4y2Ba 214年gydF4y2Ba 224年gydF4y2Ba 10.1016 / j.knosys.2016.05.031gydF4y2Ba 2 - s2.0 - 84973131479gydF4y2Ba 程ydF4y2Ba W。gydF4y2Ba 太阳gydF4y2Ba J。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 程gydF4y2Ba j j。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 使用单个神经元树突预测游客数量到日本gydF4y2Ba IEICE交易信息和系统gydF4y2Ba 2017年gydF4y2Ba One hundred.gydF4y2Ba 1gydF4y2Ba 190年gydF4y2Ba 202年gydF4y2Ba 10.1587 / transinf.2016edp7152gydF4y2Ba 2 - s2.0 - 85008498506gydF4y2Ba 霁gydF4y2Ba J。gydF4y2Ba 首歌gydF4y2Ba 年代。gydF4y2Ba 唐gydF4y2Ba Y。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 近似逻辑神经元模型的训练,物质的状态搜索算法gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2019年gydF4y2Ba 163年gydF4y2Ba 120年gydF4y2Ba 130年gydF4y2Ba 10.1016 / j.knosys.2018.08.020gydF4y2Ba 2 - s2.0 - 85052989654gydF4y2Ba 余gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba 统计建模和使用树突神经网络对旅游经济的预测gydF4y2Ba 计算智能和神经科学gydF4y2Ba 2017年gydF4y2Ba 2017年gydF4y2Ba 9gydF4y2Ba 7436948gydF4y2Ba 10.1155 / 2017/7436948gydF4y2Ba 2 - s2.0 - 85012159842gydF4y2Ba 罗gydF4y2Ba lgydF4y2Ba 奥利里gydF4y2Ba d·d·M。gydF4y2Ba 轴突收缩和变性的发展和疾病gydF4y2Ba 年度回顾神经科学gydF4y2Ba 2005年gydF4y2Ba 28gydF4y2Ba 1gydF4y2Ba 127年gydF4y2Ba 156年gydF4y2Ba 10.1146 / annurev.neuro.28.061604.135632gydF4y2Ba 2 - s2.0 - 23244436227gydF4y2Ba HagmanngydF4y2Ba P。gydF4y2Ba 斯波恩gydF4y2Ba O。gydF4y2Ba 马丹gydF4y2Ba N。gydF4y2Ba 白质成熟重塑了人类大脑结构连接在后期发展中gydF4y2Ba 美国国家科学院院刊》上gydF4y2Ba 2010年gydF4y2Ba 107年gydF4y2Ba 44gydF4y2Ba 19067年gydF4y2Ba 19072年gydF4y2Ba 10.1073 / pnas.1009073107gydF4y2Ba 2 - s2.0 - 78650504202gydF4y2Ba 科赫gydF4y2Ba C。gydF4y2Ba 小山gydF4y2Ba T。gydF4y2Ba 托雷斯gydF4y2Ba V。gydF4y2Ba 视网膜神经节细胞:树突形态的功能解释gydF4y2Ba 英国皇家学会哲学学报B:生物科学》gydF4y2Ba 1982年gydF4y2Ba 298年gydF4y2Ba 1090年gydF4y2Ba 227年gydF4y2Ba 263年gydF4y2Ba 10.1098 / rstb.1982.0084gydF4y2Ba 2 - s2.0 - 0020492294gydF4y2Ba 科赫gydF4y2Ba C。gydF4y2Ba 小山gydF4y2Ba T。gydF4y2Ba 托瑞gydF4y2Ba V。gydF4y2Ba 非线性相互作用在树突树:定位、定时和在信息处理中的作用gydF4y2Ba 美国国家科学院院刊》上gydF4y2Ba 1983年gydF4y2Ba 80年gydF4y2Ba 9gydF4y2Ba 2799年gydF4y2Ba 2802年gydF4y2Ba 10.1073 / pnas.80.9.2799gydF4y2Ba 2 - s2.0 - 0007612149gydF4y2Ba Beaulieu-LarochegydF4y2Ba lgydF4y2Ba TolozagydF4y2Ba e·h·S。gydF4y2Ba 布朗gydF4y2Ba n . J。gydF4y2Ba 哈尼特gydF4y2Ba m . T。gydF4y2Ba 广泛和高度相关somato-dendritic皮质层5中神经元的活动gydF4y2Ba 神经元gydF4y2Ba 2019年gydF4y2Ba 103年gydF4y2Ba 2gydF4y2Ba 235年gydF4y2Ba 241年gydF4y2Ba 10.1016 / j.neuron.2019.05.014gydF4y2Ba 2 - s2.0 - 85068253114gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 周gydF4y2Ba M。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba YachigydF4y2Ba H。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 神经元树突与有效的学习算法分类模型,近似和预测gydF4y2Ba IEEE神经网络和学习系统gydF4y2Ba 2019年gydF4y2Ba 30.gydF4y2Ba 2gydF4y2Ba 601年gydF4y2Ba 614年gydF4y2Ba 10.1109 / tnnls.2018.2846646gydF4y2Ba 2 - s2.0 - 85059111349gydF4y2Ba 王gydF4y2Ba x G。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba (尽管)gydF4y2Ba H。gydF4y2Ba 石井gydF4y2Ba M。gydF4y2Ba 太阳gydF4y2Ba w·D。gydF4y2Ba 一种改进的反向传播算法来避免局部最小值的问题gydF4y2Ba NeurocomputinggydF4y2Ba 2004年gydF4y2Ba 56gydF4y2Ba 455年gydF4y2Ba 460年gydF4y2Ba 10.1016 / j.neucom.2003.08.006gydF4y2Ba 2 - s2.0 - 0742271704gydF4y2Ba StorngydF4y2Ba R。gydF4y2Ba 价格gydF4y2Ba K。gydF4y2Ba 微分进化简单和高效的启发式全局优化的连续空间gydF4y2Ba 杂志的全局优化gydF4y2Ba 1997年gydF4y2Ba 11gydF4y2Ba 4gydF4y2Ba 341年gydF4y2Ba 359年gydF4y2Ba 10.1023 /:1008202821328gydF4y2Ba 2 - s2.0 - 0142000477gydF4y2Ba 唐gydF4y2Ba k . S。gydF4y2Ba 男人。gydF4y2Ba k . F。gydF4y2Ba 邝gydF4y2Ba 年代。gydF4y2Ba 他gydF4y2Ba Q。gydF4y2Ba 遗传算法及其应用gydF4y2Ba IEEE信号处理杂志gydF4y2Ba 1996年gydF4y2Ba 13gydF4y2Ba 6gydF4y2Ba 22gydF4y2Ba 37gydF4y2Ba 10.1109/79.543973gydF4y2Ba 2 - s2.0 - 0030285553gydF4y2Ba 蒙大拿gydF4y2Ba d . J。gydF4y2Ba 戴维斯gydF4y2Ba lgydF4y2Ba 使用遗传算法训练前馈神经网络gydF4y2Ba 89年gydF4y2Ba 《人工智能国际联合会议(IJCAI)展出gydF4y2Ba 1989年8月gydF4y2Ba 美国底特律,MIgydF4y2Ba 762年gydF4y2Ba 767年gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 首歌gydF4y2Ba 年代。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 周gydF4y2Ba M。gydF4y2Ba 结合溶剂效应的多目标进化算法提高蛋白质结构预测gydF4y2Ba IEEE / ACM事务计算生物学和生物信息学gydF4y2Ba 2018年gydF4y2Ba 15gydF4y2Ba 4gydF4y2Ba 1365年gydF4y2Ba 1378年gydF4y2Ba 10.1109 / tcbb.2017.2705094gydF4y2Ba 2 - s2.0 - 85029187836gydF4y2Ba 首歌gydF4y2Ba 年代。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 程ydF4y2Ba X。gydF4y2Ba 贾gydF4y2Ba D。gydF4y2Ba 钱gydF4y2Ba X。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba AIMOES:档案信息辅助多目标进化策略从头开始蛋白质结构预测gydF4y2Ba 以知识为基础的系统gydF4y2Ba 2018年gydF4y2Ba 146年gydF4y2Ba 58gydF4y2Ba 72年gydF4y2Ba 10.1016 / j.knosys.2018.01.028gydF4y2Ba 2 - s2.0 - 85041606327gydF4y2Ba 肯尼迪gydF4y2Ba J。gydF4y2Ba 粒子群优化gydF4y2Ba 机器学习的百科全书gydF4y2Ba 2010年gydF4y2Ba 波士顿,美国gydF4y2Ba 施普林格gydF4y2Ba 760年gydF4y2Ba 766年gydF4y2Ba VesterstromgydF4y2Ba J。gydF4y2Ba 汤姆森gydF4y2Ba R。gydF4y2Ba 微分进化的比较研究,粒子群优化和数值基准问题的进化算法gydF4y2Ba 2gydF4y2Ba 学报2004年国会进化计算gydF4y2Ba 2004年6月gydF4y2Ba 波特兰,或美国gydF4y2Ba IEEEgydF4y2Ba 1980年gydF4y2Ba 1987年gydF4y2Ba 10.1109 / CEC.2004.1331139gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 余gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba 周gydF4y2Ba M。gydF4y2Ba 混沌局部搜索微分进化算法优化gydF4y2Ba IEEE系统,人与控制论:系统gydF4y2Ba 在新闻gydF4y2Ba 10.1109 / TSMC.2019.2956121gydF4y2Ba 太阳gydF4y2Ba J。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 戴gydF4y2Ba H。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba 周gydF4y2Ba M。gydF4y2Ba 王gydF4y2Ba J。gydF4y2Ba Bi-objective精英微分进化算法的多值逻辑网络gydF4y2Ba IEEE控制论gydF4y2Ba 2020年gydF4y2Ba 50gydF4y2Ba 1gydF4y2Ba 233年gydF4y2Ba 246年gydF4y2Ba 10.1109 / tcyb.2018.2868493gydF4y2Ba 2 - s2.0 - 85054524026gydF4y2Ba SubudhigydF4y2Ba B。gydF4y2Ba 耶拿gydF4y2Ba D。gydF4y2Ba 基于微分进化神经网络的非线性系统辨识方法gydF4y2Ba 应用软计算gydF4y2Ba 2011年gydF4y2Ba 11gydF4y2Ba 1gydF4y2Ba 861年gydF4y2Ba 871年gydF4y2Ba 10.1016 / j.asoc.2010.01.006gydF4y2Ba 2 - s2.0 - 77957914596gydF4y2Ba BasgydF4y2Ba E。gydF4y2Ba 乘法神经元模型的训练与微分进化算法基于人工神经网络预测gydF4y2Ba 人工智能和软计算研究杂志》上gydF4y2Ba 2016年gydF4y2Ba 6gydF4y2Ba 1gydF4y2Ba 5gydF4y2Ba 11gydF4y2Ba 10.1515 / jaiscr - 2016 - 0001gydF4y2Ba 2 - s2.0 - 84976647585gydF4y2Ba 阿尔塞gydF4y2Ba F。gydF4y2Ba 萨莫拉gydF4y2Ba E。gydF4y2Ba SossagydF4y2Ba H。gydF4y2Ba 巴伦gydF4y2Ba R。gydF4y2Ba 微分进化树突形态神经网络训练算法gydF4y2Ba 应用软计算gydF4y2Ba 2018年gydF4y2Ba 68年gydF4y2Ba 303年gydF4y2Ba 313年gydF4y2Ba 10.1016 / j.asoc.2018.03.033gydF4y2Ba 2 - s2.0 - 85045240187gydF4y2Ba 轮胎gydF4y2Ba m·J。gydF4y2Ba 冯gydF4y2Ba E。gydF4y2Ba 位于自然自适应学习的组织gydF4y2Ba 组织科学gydF4y2Ba 1997年gydF4y2Ba 8gydF4y2Ba 1gydF4y2Ba 71年gydF4y2Ba 83年gydF4y2Ba 10.1287 / orsc.8.1.71gydF4y2Ba 2 - s2.0 - 0031488595gydF4y2Ba 沙gydF4y2Ba Z。gydF4y2Ba 胡gydF4y2Ba lgydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 霁gydF4y2Ba J。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba 乳腺癌分类器使用一个神经元树突非线性模型gydF4y2Ba IEICE交易信息和系统gydF4y2Ba 2015年gydF4y2Ba 98年gydF4y2Ba 7gydF4y2Ba 1365年gydF4y2Ba 1376年gydF4y2Ba 10.1587 / transinf.2014edp7418gydF4y2Ba 2 - s2.0 - 84937605346gydF4y2Ba 江gydF4y2Ba T。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba D。gydF4y2Ba 霁gydF4y2Ba J。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 唐gydF4y2Ba Z。gydF4y2Ba 神经元和突触非线性模型树突树为肝脏疾病gydF4y2Ba 电气和电子工程IEEJ事务gydF4y2Ba 2017年gydF4y2Ba 12gydF4y2Ba 1gydF4y2Ba 105年gydF4y2Ba 115年gydF4y2Ba 10.1002 / tee.22350gydF4y2Ba 2 - s2.0 - 85003481218gydF4y2Ba Mezura-MontesgydF4y2Ba E。gydF4y2Ba Velazquez-ReyesgydF4y2Ba J。gydF4y2Ba Coello CoellogydF4y2Ba c。gydF4y2Ba 微分进化变异的比较研究全局优化gydF4y2Ba 学报》第八届年会在遗传与进化计算gydF4y2Ba 2006年7月gydF4y2Ba 美国西雅图,WCgydF4y2Ba ACMgydF4y2Ba 485年gydF4y2Ba 492年gydF4y2Ba 10.1145/1143997.1144086gydF4y2Ba IlonengydF4y2Ba J。gydF4y2Ba KamarainengydF4y2Ba j。gydF4y2Ba LampinengydF4y2Ba J。gydF4y2Ba 微分进化算法训练前馈神经网络gydF4y2Ba 神经处理信件gydF4y2Ba 2003年gydF4y2Ba 17gydF4y2Ba 1gydF4y2Ba 93年gydF4y2Ba 105年gydF4y2Ba 10.1023 /:1022995128597gydF4y2Ba 2 - s2.0 - 0037312458gydF4y2Ba 达斯gydF4y2Ba 年代。gydF4y2Ba SuganthangydF4y2Ba p . N。gydF4y2Ba 微分进化:最新的一项调查gydF4y2Ba IEEE进化计算gydF4y2Ba 2011年gydF4y2Ba 15gydF4y2Ba 1gydF4y2Ba 4gydF4y2Ba 31日gydF4y2Ba 10.1109 / tevc.2010.2059031gydF4y2Ba 2 - s2.0 - 79952003251gydF4y2Ba 余gydF4y2Ba Y。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 王gydF4y2Ba Y。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 全球optimum-based搜索微分进化gydF4y2Ba IEEE / CAA自动化杂志》上gydF4y2Ba 2019年gydF4y2Ba 6gydF4y2Ba 2gydF4y2Ba 379年gydF4y2Ba 394年gydF4y2Ba 10.1109 / jas.2019.1911378gydF4y2Ba 2 - s2.0 - 85062872682gydF4y2Ba GamperlegydF4y2Ba R。gydF4y2Ba 穆勒gydF4y2Ba s D。gydF4y2Ba KoumoutsakosgydF4y2Ba P。gydF4y2Ba 一个参数研究微分进化gydF4y2Ba 智能系统的发展,模糊系统,进化计算gydF4y2Ba 2002年gydF4y2Ba 10gydF4y2Ba 10gydF4y2Ba 293年gydF4y2Ba 298年gydF4y2Ba RonkkonengydF4y2Ba J。gydF4y2Ba KukkonengydF4y2Ba 年代。gydF4y2Ba 价格gydF4y2Ba k V。gydF4y2Ba 实参的优化与微分进化gydF4y2Ba 1gydF4y2Ba 《2005年IEEE国会在进化计算gydF4y2Ba 2005年9月gydF4y2Ba 英国苏格兰gydF4y2Ba IEEEgydF4y2Ba 506年gydF4y2Ba 513年gydF4y2Ba ZahariegydF4y2Ba D。gydF4y2Ba 交叉对微分进化算法的行为gydF4y2Ba 应用软计算gydF4y2Ba 2009年gydF4y2Ba 9gydF4y2Ba 3gydF4y2Ba 1126年gydF4y2Ba 1138年gydF4y2Ba 10.1016 / j.asoc.2009.02.012gydF4y2Ba 2 - s2.0 - 67349171026gydF4y2Ba 田口方法gydF4y2Ba G。gydF4y2Ba JugulumgydF4y2Ba R。gydF4y2Ba 田口方法gydF4y2Ba 年代。gydF4y2Ba 计算机强大的工程:dfs的必需品gydF4y2Ba 2004年gydF4y2Ba 美国密尔沃基,WIgydF4y2Ba ASQ质量新闻gydF4y2Ba 费雪gydF4y2Ba r。gydF4y2Ba 使用多个测量分类问题gydF4y2Ba 优生学的年报gydF4y2Ba 1936年gydF4y2Ba 7gydF4y2Ba 2gydF4y2Ba 179年gydF4y2Ba 188年gydF4y2Ba 10.1111 / j.1469-1809.1936.tb02137.xgydF4y2Ba 杜达gydF4y2Ba r . O。gydF4y2Ba 哈特gydF4y2Ba p E。gydF4y2Ba 鹳gydF4y2Ba d·G。gydF4y2Ba 模式分类和场景分析gydF4y2Ba 1973年gydF4y2Ba 纽约,纽约,美国gydF4y2Ba 威利gydF4y2Ba DasarathygydF4y2Ba b . V。gydF4y2Ba 在附近的前缘:一个新的系统结构在部分暴露环境中识别和分类规则gydF4y2Ba IEEE模式分析与机器智能gydF4y2Ba 1980年gydF4y2Ba 2gydF4y2Ba 1gydF4y2Ba 67年gydF4y2Ba 71年gydF4y2Ba 10.1109 / tpami.1980.4766972gydF4y2Ba 2 - s2.0 - 0018923633gydF4y2Ba 麦克德莫特gydF4y2Ba J。gydF4y2Ba 福赛斯gydF4y2Ba r S。gydF4y2Ba 诊断分类基准的障碍gydF4y2Ba 模式识别的字母gydF4y2Ba 2016年gydF4y2Ba 73年gydF4y2Ba 41gydF4y2Ba 43gydF4y2Ba 10.1016 / j.patrec.2016.01.004gydF4y2Ba 2 - s2.0 - 84957900441gydF4y2Ba MangasariangydF4y2Ba o . L。gydF4y2Ba WolberggydF4y2Ba w·H。gydF4y2Ba 通过线性规划癌症诊断,gydF4y2Ba 1990年gydF4y2Ba 麦迪逊,美国WIgydF4y2Ba 威斯康星大学麦迪逊分校计算机科学gydF4y2Ba 技术报告gydF4y2Ba WolberggydF4y2Ba w·H。gydF4y2Ba MangasariangydF4y2Ba o . L。gydF4y2Ba 多面模式分离医学诊断方法应用于乳腺癌细胞学gydF4y2Ba 美国国家科学院院刊》上gydF4y2Ba 1990年gydF4y2Ba 87年gydF4y2Ba 23gydF4y2Ba 9193年gydF4y2Ba 9196年gydF4y2Ba 10.1073 / pnas.87.23.9193gydF4y2Ba 2 - s2.0 - 0025651706gydF4y2Ba EvettgydF4y2Ba i W。gydF4y2Ba 欧内斯特gydF4y2Ba j·S。gydF4y2Ba 法医科学的规则归纳gydF4y2Ba 1998年gydF4y2Ba 英国奥尔德马斯顿gydF4y2Ba 中央研究机构。内政部法医学服务gydF4y2Ba 昆兰gydF4y2Ba j . R。gydF4y2Ba 简化决策树gydF4y2Ba 国际人机研究杂志》上gydF4y2Ba 1987年gydF4y2Ba 27gydF4y2Ba 3gydF4y2Ba 221年gydF4y2Ba 234年gydF4y2Ba 10.1016 / s0020 - 7373 (87) 80053 - 6gydF4y2Ba 2 - s2.0 - 0023417432gydF4y2Ba 唐gydF4y2Ba Y。gydF4y2Ba 霁gydF4y2Ba J。gydF4y2Ba 高gydF4y2Ba 年代。gydF4y2Ba 戴gydF4y2Ba H。gydF4y2Ba 余gydF4y2Ba Y。gydF4y2Ba 待办事项gydF4y2Ba Y。gydF4y2Ba 一个修剪信贷分类分析的神经网络模型gydF4y2Ba 计算智能和神经科学gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 22gydF4y2Ba 9390410gydF4y2Ba 10.1155 / 2018/9390410gydF4y2Ba 2 - s2.0 - 85052583299gydF4y2Ba 新加坡gydF4y2Ba j . f . C。gydF4y2Ba LimgydF4y2Ba b S。gydF4y2Ba LimgydF4y2Ba l . e . N。gydF4y2Ba 神经网络使用田口方法的优化设计gydF4y2Ba NeurocomputinggydF4y2Ba 1995年gydF4y2Ba 7gydF4y2Ba 3gydF4y2Ba 225年gydF4y2Ba 245年gydF4y2Ba 10.1016 / 0925 - 2312 (94)00013 - igydF4y2Ba 2 - s2.0 - 0029278204gydF4y2Ba 杨gydF4y2Ba W。gydF4y2Ba TarnggydF4y2Ba Y。gydF4y2Ba 设计优化切削参数的操作基于田口方法gydF4y2Ba 材料加工技术杂志》上gydF4y2Ba 1998年gydF4y2Ba 84年gydF4y2Ba 1 - 3gydF4y2Ba 122年gydF4y2Ba 129年gydF4y2Ba 10.1016 / s0924 - 0136 (98) 00079 - xgydF4y2Ba 2 - s2.0 - 0032308324gydF4y2Ba 弗里德曼gydF4y2Ba M。gydF4y2Ba 使用中避免正常的假设隐含在方差分析gydF4y2Ba 美国统计协会杂志》上gydF4y2Ba 1937年gydF4y2Ba 32gydF4y2Ba 200年gydF4y2Ba 675年gydF4y2Ba 701年gydF4y2Ba 10.1080 / 01621459.1937.10503522gydF4y2Ba 2 - s2.0 - 84944811700gydF4y2Ba 余gydF4y2Ba c . H。gydF4y2Ba 探索性数据分析gydF4y2Ba 方法gydF4y2Ba 1977年gydF4y2Ba 2gydF4y2Ba 131年gydF4y2Ba 160年gydF4y2Ba 库克gydF4y2Ba n R。gydF4y2Ba 统计评估预后和诊断模型:ROC曲线gydF4y2Ba 临床化学gydF4y2Ba 2008年gydF4y2Ba 54gydF4y2Ba 1gydF4y2Ba 17gydF4y2Ba 23gydF4y2Ba 10.1373 / clinchem.2007.096529gydF4y2Ba 2 - s2.0 - 38749137358gydF4y2Ba