3.7.3.1 Cảm hứng
Hình 3.3:(a) Cá thể Salp; (b) Chuỗi Salp
Loài Salp thuộc họ Salpidae và có thân hình thùng trong suốt. Mô của chúng rất giống với loài sứa. Chúng cũng di chuyển rất giống vớiloài sứa, trong đó nước được bơm qua cơ thể như động lực để di chuyển về phía trước. Hình dạng của một cá thể salp được thể hiện trong Hình 3.1.a.
3.7.3.2 Mô hình toán học
SSA là một phương pháp tối ưu hóa mô phỏng hành vi kiếm ăn của Salpidae, một loài động vật biển không xương sống phù du. Giải thuật được đề xuất bởi Mirjalili và các cộng sự [35] vào năm 2017. Salp di chuyển và kiếm ăn theo một hành vi được gọi là chuỗi salp, một ví dụ về hành vi bầy đàn. SSA bắt đầu bằng cách chia dân số thành hai phần: những salp đi trước, gọi là những cá thể dẫn đầu (leader) và phần còn lại, những cá thể theo sau (follower). Những cá thể này thay đổi vị trí của chúng để tìm kiếm nguồn thức ăn. Để biểu diễn chuyển động này, phương trình 1 được sử dụng để cập nhật vị trí của những leader:
x1j = (
Fj+c1((ubj−lbj)×c2+lbj) c3≤0
Fj−c1((ubj−lbj)×c2+lbj) c3>0 (3.1) trong đóx1j biểu thị vị trí của leader theo chiều j.Fjlà mục tiêu (nguồn thức ăn) trong chiều thứ j.ubj và lbj lần lượt là cận trên và cận dưới.c2 và c3là các tham số ngẫu nhiên trong khoảng [0,1]. Thông số c1 được sử dụng để cân bằng giữa các bước exploration và exploitation, xuất phát từ công thức sau:
c1=2e−(tmax4t )2 (3.2) trong đó lần lặp hiện tại là t vàtmax là số vòng lặp tối đa.
CHƯƠNG 3 KIẾN THỨC NỀN TẢNG 22
Hình 3.4:Đồ thị hàm số của C1
Biểu đồ này cho thấy trong những vòng lặp đầu tiên giá trị củac1 sẽ lớn làm cho giá trị vị trí của các salp biến thiên lớn nghĩa là giải thuật SSA sẽ quét được hầu hết không gian tìm kiếm để phục vụ cho quá trình thăm dò. Khi vòng lặp tăng dần, giá trịc1 sẽ nhỏ dần tạo điều kiện cho giải thuật khai thác các vị trí lân cận nghiệm tốt nhất hiện tại.
Vị trí của các follower được cập nhật theo phương trình sau:
xij= 1
2(xij+xij−1) (3.3) trong đóxij biểu thị vị trí của follower thứi với i>1. Ta có mã giả của thuật toán SSA trong hình sau:
CHƯƠNG 3 KIẾN THỨC NỀN TẢNG 23
3.7.3.3 Mô phỏng thuật toán
Đây là mô phỏng thuật toán và những ảnh hưởng của mô hình toán học được thực hiện trong mục này. 20 salps được đặt ngẫu nhiên trên một không gian tìm kiếm với các nguồn thức ăn (chính là mục tiêu của bài toán) cố định hoặc di chuyển. Vị trí của các chuỗi salp và lịch sử của mỗi chuỗi salp được minh họa trong hình. Lưu ý rằng điểm màu xanh lam trong các hình thể hiện vị trí của nguồn thức ăn và vòng tròn tô đậm nhất chính là leader nằm ở đầu. Những follower được tô màu xám dựa trên vị trí của họ trong chuỗi salp đối với người lãnh đạo. Kiểm tra hành vi của chuỗi salp qua chín lần lặp lại liên tiếp trong Hình 3.3 và 3.5, có thể quan sát thấy rằng bầy có thể được định dạng và di chuyển bằng cách sử dụng phương trình được đề xuất một cách hiệu quả ngay sau lần lặp đầu tiên. Ngoài ra, có thể thấy rằng salp dẫn đầu thay đổi vị trí của nó xung quanh nguồn thức ăn và salp theo sau dần dần theo sau nó trong quá trình lặp lại. Mô hình tương tự đã được sử dụng cho cả mô phỏng và giá trị của mô hình được đề xuất trong cả không gian 2D và 3D được thể hiện rõ trong Hình 3.3 và 3.5. Có thể nói rằng mô hình có thể thể hiện cùng một hành vi trong không gian n chiều.
Hình 3.4 và 3.6 hiển thị lịch sử vị trí của chuỗi salps xung quanh nguồn thực ăn cố định và di động trong không gian 2D và 3D sau 100 lần lặp lại. Các điểm được tìm kiếm xung quanh nguồn thức ăn cố định cho thấy rằng salp di chuyển hiệu quả xung quanh không gian tìm kiếm. Sự phân bố các điểm là hợp lý và cho thấy mô hình đề xuất có khả năng khám phá và khai thác không gian xung quanh nguồn thức ăn tĩnh. Ngoài ra, hình 3 và 5 cho thấy rằng mô hình toán học được đề xuất yêu cầu các con salp trong chuỗi salp đuổi theo một nguồn thức ăn di chuyển. Sự phân bố của các điểm được tìm kiếm xung quanh điểm bắt đầu cao hơn điểm kết thúc. Điều này là do tham số c1 kiểm soát việc thăm dò và khai thác. Những phát hiện này bằng chứng rằng mô hình di chuyển chuỗi salp có thể khám phá và khai thác không gian xung quanh cả nguồn thức ăn cố định và di động.
Một số tính chất của thuật toán:
• Thuật toán sẽ lưu trữ giá trị tốt nhât đạt được qua các lần lặp thông qua nguồn thức ăn.
• Thuật toán SSA cập nhật vị trí của leader chỉ liên quan đến nguồn thức ăn, đây là giải pháp tốt nhất có được từ lần lặp đầu tiên đến hiện tại, vì vậy leader luôn tìm hiểu và khai thác không gian xung quanh nó.
• Thuật toán SSA cập nhật vị trí của những người theo dõi salp đối với nhau, để chúng di chuyển dần về phía leader.
• Mục đích cùa những follower ngăn cản thuật toán SSA khỏi dễ bị rơi vào trong optima cục bộ.
• Tham số c1 được giảm một cách phù hợp trong quá trình lặp lại, vì vậy thuật toán SSA trước tiên khám phá không gian tìm kiếm và sau đó khai thác nó.
CHƯƠNG 3 KIẾN THỨC NỀN TẢNG 24
Hình 3.6:Mô phỏng các bước lặp của thuật toán trong không gian 2 chiều
Hình 3.7:Mô phỏng vị trí của chuỗi salp qua 100 lần lặp của thuật toán trong không gian 2chiều chiều
CHƯƠNG 3 KIẾN THỨC NỀN TẢNG 25
Hình 3.8:Mô phỏng các bước lặp của thuật toán trong không gian 3 chiều
Hình 3.9:Mô phỏng vị trí của chuỗi salp qua 100 lần lặp của thuật toán trong không gian 3chiều chiều
4
PHƯƠNG PHÁP THỰC HIỆN
Trong chương này, chúng tôi sẽ mô tả chi tiết bài toán phân lớp tế bào bạch cầu, từ đó xây dựng phương pháp phân loại bao gồm hai bước: trích xuất đặc trưng sâu bằng một mạng CNN hiện đại và lựa chọn đặc trưng sử dụng một cải tiến của giải thuật Salp Swarm Algorithm (SSA).
Mục lục
4.1 Tổng quan phương pháp phân lớp tế bào bạch cầu đề xuất . . . 27