[发明专利]一种基于改进的粒子群寻优算法的代谢组学分析方法

权利要求书

1.一种基于改进的粒子群寻优算法的代谢组学分析方法，其特征在于，包括以下步骤：

首先：对病人和对照血液样本进行非目标检测，获得代谢组数据库，构建血液样本与病理特性的映射关系，划分训练集样本与测试集样本；

然后：通过训练集样本构建相应的基于改进的粒子群寻优的支持向量机，对测试集样本进行病理特性检测和分析；所述的构建基于改进的粒子群寻优的支持向量机，包括以下步骤:

将改进的粒子群算法与网格搜索法进行算法结合,在算法结合过程中提出新的自适应调整选参策略；

其中：

改进的粒子群算法包括：

初始化粒子群中粒子的速度、位置及个体历史最优和全局最优；

然后引入异步学习函数以及一种新的惯性权重函数，更新粒子的速度与位置；

再对粒子群算法中每次迭代后的种群进行聚集程度分析，将寻到全局最优值的粒子附近一定范围内的粒子聚集程度作为触发变异条件，引入Logistic函数，使该范围内选定的粒子进行混沌变异；所述将改进的粒子群算法与网格搜索法进行算法结合包括：将粒子群算法得到的参数组合经过自适应调整选参后进行粗糙网格搜索，将粗糙网格搜索法得到的参数组合经过自适应调整选参后进行精细网格搜索；所述异步学习函数，公式为：

c₁＝sin(2*t/T+2)+0.2*sin(10*t/T+20)+1

c₂＝-sin(2*t/T+2)-0.2*sin(10*t/T+20)+3

其中c₁和c₂是粒子群的学习因子，t为当前迭代次数，T为总迭代次数；

随迭代次数变化而变化的新分段惯性权重函数，公式为：

w＝sin(t/(0.66*T)+1.5)+0.1*sin(10*(t/T)-2)

其中w是粒子群的惯性权重，t为当前迭代次数，T为总迭代次数。

2.根据权利要求1所述的基于改进的粒子群寻优算法的代谢组学分析方法，其特征在于：所述将粒子群算法经过数据处理得到的最优参数组合进行粗糙网格搜索和精细网格搜索是：固定惩罚参数为粒子群算法得到的最优惩罚参数；在核函数参数附近空间进行步长为2～5的粗糙网格搜索，搜索范围是以粒子群算法得到的核函数参数为中心，以核函数参数整体寻优范围的1/5为搜索空间进行网格搜索；再以粗糙网格搜索法经过数据处理得到的最优参数组合为中心，进行步长为1的精细网格搜索，搜索空间是参数整体寻优最大值与最小值的差值f的1/20。

3.根据权利要求2所述的基于改进的粒子群寻优算法的代谢组学分析方法，其特征在于：所述的将粒子群算法与粗糙网格搜索法结合时的自适应调整选参策略包括：将粒子群算法得到的参数组合进行交叉验证后，对得到的准确率进行排序，取出准确率降序排列前5位的参数组合；对排序前4位的惩罚参数值和排序第5的惩罚参数值分别进行差值计算；若差值大于f的1/10，则取最小的惩罚参数所对应的参数组合，作为粒子群算法得到的最优参数组合；若某几项差值小于f的1/10，则取该几项中准确率最高的惩罚参数对应的参数组合，作为粒子群算法得到的最优参数组合。

4.根据权利要求2所述的基于改进的粒子群寻优算法的代谢组学分析方法，其特征在于：所述的将粗糙网格搜索法与精细网格搜索法结合时的自适应调整包括：选参策略将粗糙网格算法得到的参数组合进行交叉验证，并将其得到的准确率进行排序；取出准确率降序排列前10位的参数组合，对排序前9位的核函数参数值和排序第10的核函数参数值分别进行差值计算；若差值大于f的1/10，则取最小的核函数参数对应的参数组合作为粗糙网格搜索法得到的最优参数组合；若某几项差值小于f的1/10，则取该几项中对应准确率最高的核函数参数对应的参数组合作为粗糙网格搜索法得到的最优参数组合。