李 薇，樊瑤馳，江巧永，王 磊，徐慶征

（1.西安理工大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，西安 710048；2.陜西省網(wǎng)絡(luò)計(jì)算與安全技術(shù)重點(diǎn)實(shí)驗(yàn)室（西安理工大學(xué)），西安 710048；3.國(guó)防科技大學(xué)信息通信學(xué)院，西安 710106）

0 引言

自編碼器（AutoEncoder，AE）［1］是一種以復(fù)現(xiàn)輸入為輸出的神經(jīng)網(wǎng)絡(luò)，它將輸入數(shù)據(jù)以向量形式編碼，然后重構(gòu)原始圖像以學(xué)習(xí)其數(shù)據(jù)特征。AE 由輸入層、隱含層和輸出層組成。從輸入層到隱含層的轉(zhuǎn)換稱為編碼器，從隱含層到輸出層的轉(zhuǎn)換稱為解碼器。編碼器將輸入壓縮成一個(gè)潛在空間，解碼器是編碼器重構(gòu)后的輸出。堆疊自動(dòng)編碼器（Stacked AE，SAE）［2-3］是一種簡(jiǎn)單自動(dòng)堆疊編碼器模型。該模型通過獲得更深層的網(wǎng)絡(luò)模型，以提高算法的準(zhǔn)確性。目前，SAE 在圖像分類領(lǐng)域具有顯著的性能。

大量文獻(xiàn)表明，相鄰信息是解決圖像相關(guān)問題的關(guān)鍵因素［4-6］。采用SAE 必須預(yù)先轉(zhuǎn)換成矢量形式，其次，不斷地堆疊不僅會(huì)加深其原有結(jié)構(gòu)，也會(huì)逐漸降低性能，增加復(fù)現(xiàn)難度，從而難以有效地解決高維問題。為了解決這個(gè)問題，Masci 等［7］提出了卷積自編碼器（Convolutional AE，CAE），它可以很好地?cái)U(kuò)展到高維輸入，并直接應(yīng)用于二維圖像結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）［8-9］是一種典型的深度學(xué)習(xí)模型，具有權(quán)值共享、局部感受野、池化等特點(diǎn)，在解決許多實(shí)際問題時(shí)表現(xiàn)出比較好的性能。

在CAE 中，編碼器由一個(gè)卷積層和一個(gè)池化層組成，解碼器只包括一個(gè)反卷積層。CAE 在處理數(shù)據(jù)方面具有一定優(yōu)勢(shì)，然而在解決數(shù)據(jù)量大且復(fù)雜問題時(shí)性能會(huì)下降，因此很多學(xué)者提出了CAE 的改進(jìn)算法。Kavukcuoglu 等［10］提出堆疊卷積稀疏編碼，其特點(diǎn)是在解決實(shí)時(shí)問題時(shí)推理速度更快；Du 等［3］提出一種基于分層訓(xùn)練優(yōu)化的層疊卷積去噪自編碼器（Stacked Convolutional Denoising AE，SCDAE），以解決傳統(tǒng)的監(jiān)督模型需要大量標(biāo)記數(shù)據(jù)的問題；Li 等［11］提出一種完全卷積的自編碼器體系結(jié)構(gòu)，該結(jié)構(gòu)采用端到端的方式，將特征學(xué)習(xí)和聚類組合在一起進(jìn)行訓(xùn)練，以獲得更好的性能；Lin 等［12］提出一種深度重構(gòu)模型——用重建的自編碼器堆疊出卷積神經(jīng)網(wǎng)絡(luò)（CNN for Reconstruction，CNNR），以解決空間信息的丟失問題；Yu 等［13］提出流形正則化堆疊去噪自編碼器（Manifold Regularized Stacked Denoising AutoEncoder，MRSDAE）以優(yōu)化深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）參數(shù)和結(jié)構(gòu)。

演化算法（Evolutionary Algorithm，EA）是近年來流行的模擬自然選擇和適者生存機(jī)制的隨機(jī)搜索算法，在數(shù)學(xué)優(yōu)化領(lǐng)域受到廣泛關(guān)注，因此許多學(xué)者用演化算法優(yōu)化CNN 的參數(shù)和結(jié)構(gòu)。Sun 等［14］提出了一種靈活的CAE（Flexible CAE，F(xiàn)CAE），該算法利用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法自動(dòng)搜索CAE 的最優(yōu)結(jié)構(gòu)，并將最優(yōu)結(jié)構(gòu)堆疊為CNN，解決圖像分類問題；Gao 等［15］提出基于梯度優(yōu)先粒子群優(yōu)化（Gradient-priority PSO，GPSO）的CNN 識(shí)別算法以解決情緒任務(wù)。

由于深度神經(jīng)網(wǎng)絡(luò)在圖像分析中具有顯著的效果，因此被應(yīng)用于醫(yī)學(xué)圖像分析，以幫助醫(yī)護(hù)人員分析影像［16-17］。Moon 等［18］設(shè)計(jì)用于乳腺腫瘤診斷的計(jì)算機(jī)輔助診斷（Computer-Aided Diagnosis，CAD）系統(tǒng)，其特點(diǎn)是使用一種結(jié)合不同圖像內(nèi)容表示的圖像融合方法。

醫(yī)學(xué)圖像是分析患者病情的一個(gè)重要依據(jù)，而醫(yī)學(xué)圖像分類是以醫(yī)學(xué)影像為基準(zhǔn)識(shí)別圖像類別，以幫助醫(yī)生及時(shí)判斷患者病情，制定治療方案。然而現(xiàn)有醫(yī)學(xué)圖像數(shù)據(jù)集大多數(shù)沒有統(tǒng)一的分辨率，且不符合病情診斷的標(biāo)準(zhǔn)圖像，導(dǎo)致對(duì)病情無法做出及時(shí)準(zhǔn)確的判斷，延緩了治療進(jìn)度，因此通常采用人工對(duì)醫(yī)學(xué)圖像進(jìn)行分類，而人工分類技術(shù)良莠不齊，影響分類精度。雖然深度神經(jīng)網(wǎng)絡(luò)能夠用于醫(yī)學(xué)圖像分類，但分類精度不高，且需要大量時(shí)間進(jìn)行手動(dòng)調(diào)整深度學(xué)習(xí)模型參數(shù)，因此，自動(dòng)優(yōu)化神經(jīng)網(wǎng)絡(luò)模型參數(shù)以提高醫(yī)學(xué)圖像分類精度是目前迫切需要解決的重要問題。

綜上所述，將演化算法用于神經(jīng)網(wǎng)絡(luò)可以構(gòu)建比較好的網(wǎng)絡(luò)結(jié)構(gòu)，提高算法性能。然而經(jīng)典的優(yōu)化算法，如粒子群優(yōu)化算法，其本身具有權(quán)重、學(xué)習(xí)因子等參數(shù)，而這些參數(shù)的選擇是否合適，將影響算法的性能。有鑒于此，本文采用參數(shù)較少的教與學(xué)優(yōu)化（Teaching-Learning-Based Optimization，TLBO）算法［19］，并對(duì)經(jīng)典的TLBO 進(jìn)行改進(jìn)，設(shè)計(jì)基于TLBO的結(jié)構(gòu)優(yōu)化（TLBO Architecture Optimization，TLBOAO）算法，用TLBOAO 優(yōu)化卷積自編碼器的結(jié)構(gòu)。在卷積自編碼器的基礎(chǔ)上，設(shè)計(jì)基于TLBO 的可變卷積自編碼器（TLBO Variable CAE，TVCAE），然后堆疊為卷積神經(jīng)網(wǎng)絡(luò)，并將其用于求解醫(yī)學(xué)圖像分類問題，以提高分類精度。

本文的主要工作如下：

1）提出TLBOAO 算法，通過設(shè)計(jì)新的編碼策略，將可變卷積自編碼器的隱藏結(jié)構(gòu)編碼到每個(gè)個(gè)體中，從而優(yōu)化CAE結(jié)構(gòu)。

2）提出TVCAE 算法，充分利用最優(yōu)個(gè)體信息，使算法朝著更有希望的區(qū)域搜索，在有限計(jì)算資源下快速找到最優(yōu)結(jié)構(gòu)。

3）將TVCAE 算法用于求解醫(yī)學(xué)圖像分類問題。

1 相關(guān)工作

1.1 卷積自編碼器

CAE 包含三層：

1）卷積（conv）：卷積的目的是提取輸入圖片的不同特征。卷積層的輸出是對(duì)其輸入和權(quán)值的卷積運(yùn)算（*），也稱為核或?yàn)V波器。

2）池化（pool）：池化用于降維，一個(gè)池化層可以是最大池化或平均池化，在其輸入的r×c窗口內(nèi)進(jìn)行采樣操作（r和c分別表示窗口的長(zhǎng)與寬），減少輸出參數(shù)的數(shù)量。

3）反卷積（d_conv）：反卷積是對(duì)需要重建的圖像進(jìn)行反卷積運(yùn)算。

CAE 的數(shù)學(xué)形式為：

其中：conv(·)是卷積操作；pool(·)是池化操作；d_conv(·)是反卷積操作；σ是激活函數(shù)；b和c是偏置項(xiàng)；H和y分別是卷積學(xué)習(xí)特性和池化學(xué)習(xí)特征；是x的重建結(jié)果。

以圖像分類為例，用圖像的寬度、高度和通道數(shù)量表示一張圖片，為了便于分析，圖1 表示一個(gè)通道數(shù)為1 的二值圖像（Binary Image）的CAE 的結(jié)構(gòu)。

圖1 CAE的結(jié)構(gòu)Fig.1 Structure of CAE

1.2 教與學(xué)算法

TLBO 算法［19］是近些年比較流行的EA 之一。TLBO 算法模擬課堂教學(xué)和學(xué)習(xí)過程，分為教師教學(xué)和學(xué)生學(xué)習(xí)兩個(gè)階段。

教師教學(xué)階段是指教師通過教學(xué)提高學(xué)生的知識(shí)水平。教學(xué)過程如式（4）所示：

其中：Xi是第i個(gè)學(xué)生；ri由［0，1］內(nèi)的隨機(jī)數(shù)組成；T是班級(jí)教師；TF是教師因子；Mean是當(dāng)前班級(jí)平均成績(jī)。TF的更新如式（5）所示：

學(xué)生學(xué)習(xí)階段是指學(xué)生相互交流、學(xué)習(xí)知識(shí)，豐富知識(shí)。學(xué)習(xí)階段如式（6）所示：

其中：Xi和Xj分別表示第i個(gè)和第j個(gè)學(xué)生且i≠j；f（·）是要優(yōu)化（最小化）的目標(biāo)函數(shù)。

2 基于TLBO可變長(zhǎng)度的CAE

傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)在優(yōu)化不同數(shù)據(jù)集時(shí)需要對(duì)模型參數(shù)進(jìn)行調(diào)優(yōu)，而傳統(tǒng)手工調(diào)優(yōu)的方式十分耗時(shí)，為了實(shí)現(xiàn)自動(dòng)優(yōu)化深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，文獻(xiàn)［20-22］利用粒子群優(yōu)化算法和差分進(jìn)化（Differential Evolution，DE）算法優(yōu)化深度學(xué)習(xí)網(wǎng)絡(luò)參數(shù)，以提高算法性能。然而粒子群優(yōu)化算法和差分進(jìn)化算法自身有很多參數(shù)，且算法的性能在很大程度上依賴于參數(shù)，因此在進(jìn)行優(yōu)化時(shí)需要調(diào)整參數(shù)。同時(shí)，由于原始的CAE 長(zhǎng)度是固定的，所以難以堆疊出復(fù)雜的新型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如Alexnet［23］和VGGnet［24］。有鑒于此，本文利用TLBO 算法參數(shù)少的特點(diǎn)，提出了TLBOAO 算法，并設(shè)計(jì)了TVCAE。

2.1 TVCAE算法

在基本的CAE 上引入TLBOAO 算法，從而形成TVCAE，其可變結(jié)構(gòu)如圖2 所示。通過堆疊TVCAE，構(gòu)造深層次的復(fù)雜網(wǎng)絡(luò)，減少訓(xùn)練深層網(wǎng)絡(luò)結(jié)構(gòu)的資源消耗。

圖2 TVCAE的結(jié)構(gòu)Fig.2 Structure of TVCAE

2.2 TLBOAO算法

2.2.1 編碼策略

在初始化種群時(shí)，改進(jìn)基本的TLBO 算法，設(shè)計(jì)一種新型編碼策略，即將一個(gè)TVCAE 的隱藏結(jié)構(gòu)編碼到每個(gè)可變長(zhǎng)度的個(gè)體中。表1 是TVCAE 中卷積層和池化層編碼信息。圖3 是3 個(gè)TLBOAO 中編碼個(gè)體示例，其中以卷積核大小作為卷積層參數(shù)，以步長(zhǎng)作為池化層參數(shù)。圖4 是隱藏結(jié)構(gòu)編碼，其中以卷積核大小和特征映射數(shù)量作為卷積層參數(shù)，以步長(zhǎng)作為池化層參數(shù)，TLBOAO 算法總框架如算法1 所示。T表示教師，即最優(yōu)個(gè)體。算法中池化層和卷積層的計(jì)算規(guī)則一致。

表1 在TVCAE的卷積層和池化層中編碼信息Tab.1 Encoded information in convolutional layer and pooling layer of TVCAE

圖3 三個(gè)來自TLBOAO的不同編碼信息的個(gè)體Fig.3 Three individuals with different encoded information from TLBOAO

圖4 TLBOAO的隱藏結(jié)構(gòu)編碼Fig.4 Hidden structure coding for TLBOAO

2.2.2 初始化種群

個(gè)體的一個(gè)維度表示一層卷積層或者池化層，用TLBOAO 優(yōu)化參數(shù)時(shí)，對(duì)每一維（每一層）的參數(shù)進(jìn)行優(yōu)化，并構(gòu)造相應(yīng)的層。初始化種群如算法2 所示。

2.2.3 教師教學(xué)階段

在教學(xué)階段，首先隨機(jī)選擇一個(gè)個(gè)體Xj，比較Xj、T（教師）和當(dāng)前個(gè)體Xi的長(zhǎng)度，如果三個(gè)個(gè)體的長(zhǎng)度相等，則教學(xué)操作如下：

如果三個(gè)個(gè)體的長(zhǎng)度不相等，令Min為三個(gè)個(gè)體的最小長(zhǎng)度，教學(xué)操作如下所示：

其中：Xi和Xj分別表示第i個(gè)和第j個(gè)個(gè)體，且i≠j；M是當(dāng)前班級(jí)平均成績(jī)，即所有個(gè)體每一維的平均值，如果某一維平均值為空，則分配一個(gè)隨機(jī)初值；D是Xi個(gè)體搜索空間的維數(shù)。圖5 是3 個(gè)來自TLBOAO 的不同編碼信息的個(gè)體（圖3）的平均成績(jī)的計(jì)算示例。以卷積層的計(jì)算為例，圖3 中3 個(gè)個(gè)體的三層卷積核平均值分別為，則圖5 對(duì)應(yīng)的三層的卷積核平均值為4、3 和4。池化層和卷積層的計(jì)算規(guī)則一致。

圖5 圖3中3個(gè)個(gè)體的平均值Fig.5 Average values of three individuals in Figure 3

為了避免新產(chǎn)生的個(gè)體newXi的位置超出搜索空間，newXi更新如下：

其中：Xmax和Xmin分別表示搜索空間的上界和下界。

教學(xué)階段的偽代碼如算法3 所示。

2.2.4 學(xué)習(xí)階段

在學(xué)習(xí)階段，充分利用性能比較好的個(gè)體信息，以加快算法收斂。對(duì)于每一個(gè)個(gè)體Xi，其學(xué)習(xí)過程步驟是：首先，在當(dāng)前種群中隨機(jī)選擇兩個(gè)個(gè)體Xj，Xq，且i≠j≠q，比較Xj和Xq，性能最差的個(gè)體定義為Xworst；再比較Xi，Xj和Xq，性能最好的個(gè)體定義為Xbest。如果Xbest、Xi和Xworst長(zhǎng)度相等，則學(xué)習(xí)規(guī)則如下所示：

如果Xbest、Xi和Xworst長(zhǎng)度不相等，令Min是Xbest、Xi和Xworst中的最小長(zhǎng)度，則學(xué)習(xí)規(guī)則如下所示：

其中：Xmax和Xmin分別是搜索空間的上界和下界。學(xué)習(xí)階段的偽代碼如算法4 所示。

2.2.5 算法評(píng)價(jià)

將優(yōu)化得到的個(gè)體構(gòu)建成CAE 結(jié)構(gòu)，其中，目標(biāo)函數(shù)為重建誤差函數(shù)，誤差損失值為適應(yīng)度值，依據(jù)FCAE［14］設(shè)置，本文算法的訓(xùn)練次數(shù)設(shè)置為5，偽代碼如算法5 所示。

2.2.6 教師的深度訓(xùn)練

在算法得到的最優(yōu)個(gè)體即教師的基礎(chǔ)上，提取卷積層和池化層，再加上全連接層，構(gòu)建一個(gè)CNN 結(jié)構(gòu)，并使用該結(jié)構(gòu)解決醫(yī)學(xué)圖像分類問題。通過深度訓(xùn)練網(wǎng)絡(luò)模型對(duì)醫(yī)學(xué)圖像進(jìn)行分類，深度訓(xùn)練過程與算法TLBOAO 評(píng)價(jià)過程相同，只是使用更大的訓(xùn)練次數(shù)，例如100 或200。偽代碼如算法6 所示。

3 實(shí)驗(yàn)與結(jié)果分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

由于實(shí)驗(yàn)設(shè)備的限制，本文僅采用上海交通大學(xué)發(fā)布的醫(yī)學(xué)影像領(lǐng)域圖像數(shù)據(jù)集［25］中的乳腺超聲數(shù)據(jù)集（Breast ultrasound images，BreastMNIST）［26］，如圖6 所示，將1×500×500 的圖像重新調(diào)整為1×28×28。醫(yī)學(xué)影像領(lǐng)域圖像數(shù)據(jù)集是具有知識(shí)共享（Creative Commons，CC）許可的多個(gè)開放式醫(yī)學(xué)圖像數(shù)據(jù)集。通過對(duì)乳腺癌超聲掃描圖像進(jìn)行分類，可以在早期發(fā)現(xiàn)乳腺癌，并讓患者得到及時(shí)的治療，減少早期死亡人數(shù)。實(shí)驗(yàn)使用二元分類，即正常和良性屬于正常，惡性屬于不正常，進(jìn)行分類識(shí)別。

圖6 來自BreastMNIST數(shù)據(jù)集的示例Fig.6 Examples from BreastMNIST dataset

本文將數(shù)據(jù)集按照7∶1∶2 的比率劃分為訓(xùn)練、驗(yàn)證和測(cè)試集。

3.2 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)主要對(duì)比同類型的卷積自編碼器模型，包括卷積自編碼器（CAE）［7］、靈活的卷積自編碼器（FCAE）［14］，以及需要手動(dòng)調(diào)整參數(shù)的Alexnet［23］和VGGnet-11［24］。其中：CAE 是最早的卷積自編碼器，通過堆疊為更深層次的卷積神經(jīng)網(wǎng)絡(luò)，進(jìn)行圖像分類任務(wù)；FCAE 是將粒子群優(yōu)化算法與CAE 結(jié)合優(yōu)化CAE 網(wǎng)絡(luò)，進(jìn)行圖像分類任務(wù)；Alexnet 和VGGnet-11 是經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，具有較好的圖像分類效果。

實(shí)驗(yàn)參數(shù)設(shè)置如下：

1）FCAE 中權(quán)重w的值為0.729 84，c1 和c2 的值均為1.193。

2）由于本文算法要與同類型的需要手動(dòng)調(diào)整參數(shù)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)構(gòu)進(jìn)行對(duì)比，因此在優(yōu)化每一個(gè)個(gè)體時(shí)，卷積層的最大層數(shù)設(shè)置為5，池化層的最大層數(shù)設(shè)置為1。同時(shí)，由于計(jì)算設(shè)備的限制，TVCAE 實(shí)驗(yàn)的批處理大小（mini-batch size）設(shè)置為32，迭代次數(shù)（epochs）設(shè)置為5，依據(jù)最先進(jìn)的CNN［14，27］的約定，實(shí)驗(yàn)只對(duì)卷積層的參數(shù)進(jìn)行研究，池化層的內(nèi)核大小以及步長(zhǎng)設(shè)置為2。

3）卷積層的特征映射數(shù)量設(shè)置為［20，100］，具有寬度和高度相同大小的卷積核設(shè)置為［2，5］，L2 項(xiàng)的系數(shù)設(shè)置為［0.000 1，0.01］，L2 表示防止過擬合問題的權(quán)重衰減正則化項(xiàng)。在進(jìn)行CNN 模型訓(xùn)練時(shí)，批處理大小（mini-batch size）設(shè)置為32，迭代次數(shù)（epochs）設(shè)置為100。

3.3 實(shí)驗(yàn)結(jié)果

表2 是本文算法TVCAE 與CAE、FCAE 在對(duì)乳腺癌超聲掃描圖像分類精度對(duì)比結(jié)果。TVCAE 將卷積層、池化層和一層全連接層進(jìn)行組合，形成一個(gè)新的CNN 框架進(jìn)行圖像分類。實(shí)驗(yàn)結(jié)果表明，與CAE 和FCAE 相比，TVCAE 分類精度提升了0.78 個(gè)百分點(diǎn)。圖7 是TVCAE、FCAE 和CAE 分類精度趨勢(shì)圖，圖7 顯示TVCAE 算法在40 次迭代時(shí)就趨于穩(wěn)定，并且分類精度高于FCAE 和CAE。

圖7 單層網(wǎng)絡(luò)的分類精度準(zhǔn)確率趨勢(shì)Fig.7 Classification accuracy trend of one-layer networks

本文在使用CAE、FCAE 和TVCAE 對(duì)應(yīng)的堆疊層進(jìn)行分類精度對(duì)比時(shí)，是將每個(gè)算法的卷積層、池化層和兩層全連接層進(jìn)行組合，形成一個(gè)新的CNN 框架進(jìn)行圖像分類。表3是堆疊的TVCAE 與經(jīng)典算法Alexnet、VGGnet-11，及同類型CAE 算法、FCAE 算法的實(shí)驗(yàn)對(duì)比結(jié)果。其中：CAE-2、FCAE-2 和TVCAE-2 分別代表2 層的堆疊網(wǎng)絡(luò)。FCAE-3 和TVCAE-3 代表3 層堆疊網(wǎng)絡(luò)，與Alexnet 和CAE-2 相比，TVCAE 分類精度提升了3.12 個(gè)百分點(diǎn)；與FCAE-3 相比，TVCAE 分類精度提升了1.56 個(gè)百分點(diǎn)；與VGGnet-11 相比，TVCAE 分類精度提升了0.78 個(gè)百分點(diǎn)。實(shí)驗(yàn)結(jié)果表明，使用優(yōu)化的TVCAE 三層堆疊網(wǎng)絡(luò)，不僅可以快速構(gòu)建出較深的網(wǎng)絡(luò)結(jié)構(gòu)，并且分類精度可以達(dá)到不錯(cuò)的效果。

表2 TVCAE與CAE和FCAE的BreastMNIST分類精度對(duì)比Tab.2 Comparison of classification accuracy of TVCAE，CAE and FCAE for BreastMNIST

表3 堆疊TVCAE與Alexnet、VGGnet-11、CAE、FCAE的BreastMNIST分類精度對(duì)比Tab.3 Comparison of classification accuracy of TVCAE with Alexnet，VGGnet-11，CAE and FCAE for BreastMNIST

圖8 是TVCAE-3、FCAE-3、Alexnet、VGGnet-11 和CAE-2分類精度趨勢(shì)圖，圖8 顯示TVCAE-3 算法雖然出現(xiàn)波動(dòng)，但算法可以快速達(dá)到比較高的準(zhǔn)確率。在大多數(shù)情況下TVCAE-3 優(yōu)于FCAE-3、Alexnet、VGGnet-11 和CAE-2，且TVCAE-3 的分類精度多次達(dá)到0.9 以上。綜上所述，相較于其他算法，TVCAE 算法采用可變長(zhǎng)的編碼方案，在演化的不同階段，選擇不同的演化策略，并充分利用優(yōu)秀個(gè)體信息，因此性能比較好。

圖8 復(fù)雜網(wǎng)絡(luò)的分類精度準(zhǔn)確率趨勢(shì)Fig.8 Classification accuracy and accuracy trend of complex networks

本文利用教與學(xué)優(yōu)化算法無參數(shù)、優(yōu)化性能高的特點(diǎn)，優(yōu)化卷積自編碼器的模型參數(shù)：一方面，減少模型參數(shù)設(shè)置所需人力和時(shí)間，降低系統(tǒng)開銷；另一方面，改變?cè)芯矸e自編碼器模型的固定結(jié)構(gòu)，通過優(yōu)化模型參數(shù)和結(jié)構(gòu)以構(gòu)建更加有效的可變長(zhǎng)度卷積自編碼器。在此基礎(chǔ)上，堆疊深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類。實(shí)驗(yàn)結(jié)果表明，所采用的優(yōu)化算法相較于同類型算法，能夠得到更有效的效果；所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)相較于其他經(jīng)典方法，能夠快速得到更為準(zhǔn)確的分類結(jié)果。

4 結(jié)語

深度學(xué)習(xí)和計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，為醫(yī)學(xué)研究提供了新的研究方向，自動(dòng)精準(zhǔn)識(shí)別醫(yī)學(xué)圖像已成為醫(yī)學(xué)診斷的重要技術(shù)手段之一。為了進(jìn)一步提高醫(yī)學(xué)圖像分類方法性能，本文提出了一種基于教與學(xué)優(yōu)化的可變長(zhǎng)度的卷積自編碼器算法。首先，改進(jìn)基本的卷積自編碼器和教與學(xué)優(yōu)化算法，用教與學(xué)優(yōu)化算法優(yōu)化卷積自編碼器網(wǎng)絡(luò)參數(shù)和結(jié)構(gòu)；其次，將卷積自編碼器進(jìn)行堆疊，構(gòu)造新的卷積神經(jīng)網(wǎng)絡(luò)；最后，將本文算法應(yīng)用于醫(yī)學(xué)圖像分類。實(shí)驗(yàn)結(jié)果表明，本文提出的算法在圖像分類精度方面優(yōu)于多種經(jīng)典方法，是可行且有效的。