[发明专利]变长基因遗传算法的神经网络构建系统、方法及存储介质

权利要求书

1.基于变长基因遗传算法的神经网络构建系统，其特征在于，包括：

训练集生成模块，用于收集正常和COVID-19阳性病例肺部CT图像，并划分成训练集和测试集；

网络初始化模块，用于初始化初代种群，初代种群中包含所有CNN模型对应编码的染色体，并初始化最佳染色体的性能指标及对应染色体基因；

网络训练模块，用于采用训练集训练CNN模型，并采用测试集进行阳性病例检测，将检测正确度作为对应染色体的适应度值，并在最佳适应度值对应染色体的性能指标优于最佳染色体的性能指标时，采用其更新最佳染色体；

网络更新模块，用于根据染色体的适应度值，选取两条染色体进行交叉变异，重复交叉变异步骤设定次数，染色体的头部和尾部变异策略不同；

网络优化模块，用于初始化每条染色体的变异概率，在染色体变异概率小于其超参数时，判断染色体的长度是否小于长度阈值，若是，则在最佳染色体中选取连续基因片段插入染色体，否则在染色体中收缩多个连续基因片段；

网络选择模块，用于获取网络训练模块当前次训练完成后的设定阈值个最佳染色体，并将其与网络优化模块优化后的染色体进行合并作为子代种群；

迭代次数更新模块，用于子代种群生成后将迭代次数累加一次，判断迭代次数是否大于预设次数，若是，则进入网络生成模块，否则返回网络训练模块；

网络生成模块，用于解码子代种群中具有最佳性能指标的染色体的基因，获得最终的用于检测COVID-19CT图像的CNN神经网络。

2.根据权利要求1所述的基于变长基因遗传算法的神经网络构建系统，其特征在于，所述网络初始化模块包括：

参数获取模块，用于获取每条染色体对应CNN模型包括的卷积组件数量n_c、每个卷积组件的神经元数量n_cn、池化组件数量n_p、全连接组件数量n_f和每个全连接组件的神经元数量n_fn；

选择判断模块，用于随机选取池化组件或卷积组件作为基因顺次加入染色体的头部，并判断选取的组件是否为卷积组件，若是，进入第一执行模块，否则进入第一判断模块；

第一执行模块，用于将n_cn信息编码入对应基因，并在选取的参数大于预设阈值时，顺次在染色体头部加入BN组件，之后进入第一判断模块；

第一判断模块，判断染色体中的卷积组件和池化组件的数量是否均等于n_c和n_p，若是，进入染色体尾部添加模块，否则，返回选择判断模块继续执行；

染色体尾部添加模块，用于在染色体的头部后面顺次加入n_f个全连接组件作为染色体尾部，并将对应的神经元数量n_fn按序编码至全连接组件。

3.根据权利要求1所述的基于变长基因遗传算法的神经网络构建系统，其特征在于，所述网络更新模块包括：

归一化模块，用于对染色体的适应度值归一化处理，并将归一化值作为选择概率；

交叉变异模块，根据选择概率选取两条染色体，在染色体头部随机位置产生交叉点，并交换交叉点前面的基因片段及染色体尾部相同位置上的基因。