基于遗传算法的肺部CT图像自动分类研究

Egyptian Informatics Journal（2014）15，69开罗大学埃及信息学杂志www.elsevier.com/locate/eijwww.sciencedirect.com原创文章基于遗传算法C. Bhuvaneswaria，*，P.Arunaa，D.罗加纳坦ba印度泰米尔纳德邦奇丹巴拉姆安纳马莱大学计算机科学与工程系b印度Puducherry本地治里工程学院计算机科学与工程系接收日期：2014年1月8日;修订日期：2014年4月11日;接受日期：2014年5月5日2014年6月6日在线发布摘要计算机断层扫描（CT）图像中肺部疾病的自动分类是计算机辅助诊断系统的重要诊断工具。在这项研究中，我们提出了一种新的基于图像的特征提取技术，用于肺部CT图像的分类。提出了一种基于中值绝对偏差（MAD）技术的Gabor滤波器和Walsh Hadamard变换特征融合方法，该方法综合了两种模型的优点。拟议的制度包括三个阶段。在第一阶段中，对图像进行预处理，并通过基于融合的特征提取技术提取特征，然后是第二阶段，在第二阶段中，通过应用遗传算法选择排名靠前的特征来选择提取的特征。在最后阶段，分类器，即决策树，K近邻（KNN），多层感知器神经网络（MLP-NN）被用来执行肺部疾病的分类。支气管炎、肺气肿、胸腔积液和正常肺的总共400个数据集被用于训练和测试。多层感知器神经网络分类器的分类精度达到90%以上。该系统已被测试与一些真正的CT肺部图像，并取得了令人满意的结果，在肺部疾病的分类。©2014制作和主办由Elsevier B.V.代表计算机与信息学院开罗大学。1. 介绍*通讯作者。手机：+91 9994249954。电子邮件地址：bhuan.csdept@ gmail.com（C. Bhuvaneswari）。开罗大学制作和主办：Elsevier近年来，医学CT图像在临床诊断中得到了广泛的应用。它帮助医生更准确地检测和定位病理变化。计算机断层扫描图像可以根据其不同的灰度级区分不同的组织。肺部疾病可由感染、工作场所暴露、药物和各种疾病引起。X射线胸部摄影和计算机断层扫描（CT）是两种常见的解剖成像模式，常规用于检测和诊断各种肺部疾病。1110-8665© 2014由Elsevier B. V.代表开罗大学计算机与信息学院制作和主办。http://dx.doi.org/10.1016/j.eij.2014.05.001关键词计算机体层摄影术;分类;融合;遗传算法;训练70摄氏度。Bhuvaneswari等人医学图像在病人诊断、治疗、手术、医学参考和培训中起着至关重要的作用。医学数字成像和通信（DICOM）标准[1，17]允许将文本描述（称为Meta数据）与图像一起存储。这是自X射线发现以来最重要的突破，多年来CT一直是诊断放射学的基石。Kalender[2]对其技术和应用进行了出色的概述。CT成像在速度和分辨率方面已经发展到足以使其成为肺部成像的有价值的工具[3]。Chabat等人建议使用灌注梯度校正的CT肺部图像分类，[4]的文件。然而，大量的特征实际上代表了一个问题。它导致了使用自动CAD系统明确识别病理[6]。它可以帮助放射科医生分析数字图像，以显示疾病的可能结果。医学图像从不同的成像系统获得，例如MRI扫描、CT扫描、超声扫描。提出了一种新的自动化方法来量化由重力依赖性灌注梯度引起的受影响肺实质强度失真。由于遗传算法具有探索性和开拓性的特点，它能有效地处理大搜索空间，与其他算法相比，不易陷入局部最优解。这源于遗传算法在搜索空间中处理多个并发解决方案（个体）并应用概率遗传算子的能力[7从图像处理的角度来看，重要的是收集尽可能多的特征来表示图像，产生具有数百甚至数千个特征的向量来表示图像。Ginneken[10]将肺部区域提取方法分为两种不同的类别：基于规则的类别或基于像素分类的类别。大多数提出的方法属于基于规则的类别[11，12]，其中在提取过程中使用一系列步骤，测试和规则。计算机断层扫描已被发现是早期发现肿瘤的最可靠的方法。 Chiou等人[12]提出了基于神经网络的混合系统在肺结节检测中的应用，该系统基于人工神经网络架构，旨在提高肺癌肺放射学诊断的准确性和速度。HLND系统的配置包括以下处理阶段：数据采集和预处理，以降低和增强图形-背景-背景对比度，根据结节的最显著特征、圆盘形状和完整特征快速选择结节可疑者，确定结节的起搏和神经分类[13-15]。遗传算法（GA）是最常用的技术之一，niques进行特征选择，由于遗传算法的能力，获得精确或近似的解决方案，在非常大的搜索空间内，易于处理的时间。GA执行自适应搜索，遵循自然遗传学和基于自然选择的进化的标准概念[16]。由于其潜力，遗传算法在这项工作中进行特征选择。所提出的工作是这样组织的，系统的输入是CT肺部图像，对该图像进行预处理以增强图像，通过所提出的融合中值绝对偏差技术来进行特征提取，该融合中值绝对偏差技术融合了gabor滤波器和Walsh Hadamard变换的特征，特征选择是通过遗传算法进行的，图像的分类是通过分类器和性能测量完成的，本文讨论了各种方法的分类精度。2. 材料和方法肺气肿、支气管炎、胸腔积液和正常肺等肺部疾病的CT图像在这项工作中被考虑用于分类。患者年龄15 ~ 50岁，男女 各 半 。 图 像 从 Sri Manakula vinayagar 医 学 院 和Madagadipet，Puducherry医院的16层Philips MX 16 evo CT扫描仪获得，并由放射科医生进行分析。将原始图像分割成16· 16窗口的非重叠块，提取灰度图像。3. 拟议工作拟议工作的流程图见图1。该图解释了所提出的工作的框图，该工作在以下各个步骤中表示。3.1. 预处理应用中值滤波器和形态平滑滤波器技术来从图像中去除噪声并增强图像。中值滤波器将去除盐和胡椒噪声并产生增强的图像。膨胀和腐蚀过程是为了在形态上平滑图像。侵蚀涉及改变（去除）区域边缘处的像素，即，将二进制1值交换为0，而膨胀是区域从其边界向外生长的相反过程。腐蚀之后是膨胀被称为打开操作，其将明亮的细节抑制得更小，其中膨胀之后是腐蚀是关闭操作，其抑制计算的暗细节。在此工作中，较暗的细节被抑制，其中进行膨胀，然后进行侵蚀。预处理后的图像通过应用中值滤波器和形态学平滑来获得。3.2. 特征提取特征提取是指通过组合现有特征来创建新特征的子集。特征提取的目的是通过测量将一个感兴趣区域与另一个感兴趣区域区分开的某些特征来减少原始数据集。从原始图像的左上角提取每个子图像，并提取纹理特征和像素系数值。利用统计特征提取方法可以对医学图像中存在的纹理进行分析和表征。纹理分析是一种定量方法，可用于量化和检测结构异常。HN¼p200P2002年，exp -两个r2， r2预处理(A) 中值滤波(B) 形态平滑特征提取新型融合MAD技术特征选择遗传算法HN基于遗传算法的肺部疾病分类融合模型第一步第二步第三步第四步各种分类器分类(a) J48(b) k-最近邻(C)多层感知器神经网络第五步图1拟议工作框图Hadamard 变 换 返 回 序 列 值 。 快 速 沃 尔 什 - 阿 达 玛 变 换（FWHT）使用比快速傅立叶变换更少的系数准确地表示具有尖锐不连续性的信号。FWHT是一种分治算法，其递归地将大小为N的WHT分解为大小为N/2的两个较小的WHT。1.一、H N-1型图2所提出的融合技术的框图。图2示出了所提出的新颖的融合特征提取技术，其结合了gabor滤波器和Walsh Hadamard变换的特征。3.2.1. 伽柏滤波器利用统计特征提取方法可以对医学图像中的纹理进行分析和表征。Gabor滤波器是具有方向选择性和频率选择性特性的带通滤波器，在空间和频率域中具有最佳联合分辨率。 2D Gabor滤波器构成特定频率的正弦平面和调制高斯对于长度为N的离散序列，Walsh函数的集合是N× NHadamard矩阵。WHT的输出是整幅图像的像素系数，从 WHT 中 提 取 的 特 征 是 sum ， mean ， min ， max ，median。3.2.3. 申报的新型融合中位绝对偏差（MAD）技术类似于使用来自肺部CT扫描的多个图像，从相同源提取的多个样本的融合被称为多分辨率。将多种处理方法融合到单个样本上称为多算法。在模板级融合中，多个模板组合形成一个模板。特征级融合比其他层次的融合包含更丰富的信息。 的主要优点特征融合是它得出最具歧视性的信息，1.一、1 .一、X2y2！！从原始特征集的信息，也消除了冗余，功能集中的dant信息。x yx y其中r是高斯窗口的扩展，x，y是坐标。频率和方向表示的Gabor滤波器被发现是特别适合的纹理表示和歧视。Gabor滤波器将获得方向作为输入，设置为给定方向，对在该给定方向上具有结构的目标图像的位置给出强烈响应。因此，改变方向将更好地突出显示边缘。256· 256像素的图像大小被划分为12个块的子图像。伽柏滤波器的输出是整个图像的伽柏系数。从Gabor滤波器提取的特征是sum，mean，min，max，median。3.2.2. Walsh–HadamardWalsh-Hadamard变换（WHT）是将信号分解成基本函数集的非正弦正交变换技术，所述基本函数集是具有值为+1或-1的矩形波或方波的Walsh函数。沃尔什-采 用 模 板 级 融 合 的 方 法 对 Walsh Hadamard 变 换（WHT）和Gabor滤波器提取的特征进行融合。WHT从频域提取特征，Gabor捕获与空间定位、方向选择性和空间频率相对应的显著视觉特征。采用均值绝对偏差技术对Gabor和WHT的特征进行融合. MAD使用中位数作为偏差评分，并且它比标准差更稳健，作为离散度的度量，并且当与标准差一致时，不太容易受到离群值的影响。MAD的优点是它可以转换为近似标准差的值。绝对偏差的中位数计算方法是取绝对偏差的中位数与中位数（|X1-MED|、 |X2-MED|、.....的问题。. 、|X n-MED| ）和的是 说的 绝 对 偏 差 由 （ （ |X n-MED|））/N. Gabor系数表示为gi1、gi2、gi3 gin，WalshHadamard系数表示为Walsh Hadamard变换（像素系数）Gabor特征（纹理系数）使用MAD技术（MAD值）的-1-HN-1ð2Þð1ÞPNfi72 C. Bhuvaneswari等人表示为wi1，wi2，wi3......................，win，融合特征向量xi1，-通过对特征向量进行归一化来得到xi2，xi3，xin，使用MAD与相同的平均值。从每个块中提取的特征被组合用于整个图像，从而导致每个图像的60个特征。所提取的特征被馈入用于特征选择以获得排名靠前的特征。3.3. 特征选择特征选择（FS）算法是根据给定的分类精度从固定的原始特征集合中搜索最佳特征子集来选择减少的相关特征的过程，该特征通过搜索最佳特征子集来改善分类。该方法去除了与维数cruse无关或冗余的特征，从而减少了计算和存储开销。特征选择问题涉及基于给定的优化标准从总共“D”个特征中选择“d”个特征的子集采用遗传算法搜索最优解。选择了前60个特征，并使用各种分类器对其有效性进行了研究。3.3.1. 遗传算法遗传算法[7]是一种基于种群的搜索方法，它在单次迭代中从一组点（种群）移动到另一组点，并使用一组控制算子进行可能的改进。GA被视为函数优化器，尽管GA应用的问题范围是相当广泛的特征[8]。它通过进化提高了适应性。给定问题的解决方案以称为“染色体”的字符串的形式表示，该字符串由一组称为“基因”的元素组成，这些元素保存优化变量的一组值。一旦创建了初始种群，该种群中的个体就通过拟合函数进行评估，该函数告知优化任务的解决方案中染色体的优良性。此外，拟合是函数通过遗传算法中的最小化或最大化来优化。基于该适应度函数，选择染色体，并对所选择的染色体进行变异、交叉等遗传操作。这些染色体进化，更好的个体，直到它达到全局最优解。A. GA操作员。最简单的遗传算法包括三个算子：选择、交叉（单点）和变异。选择选择种群中的染色体进行繁殖。一个染色体越好，它被选择繁殖的次数就越多。图3遗传算法的伪代码。产生后代，两点交叉，交叉率为0.7.然后通过拟合函数对种群中的个体进行评估，所提出的工作的拟合函数是均方根误差（RMSE），并且交叉，评估和选择的过程重复预定的世代数，或者直到找到满意的解决方案或条件失败。 在遗传算法的特征选择算法中，个体由位串组成：位数为1表示特征选择; 0表示不应选择此特征，突变率为0.01，停止条件为均方根误差阈值0.001或500次操作，生成500次，适合性条件为RMSE，交叉算子为两点。 遗传算法与适应度函数的演示如图所示。 五、该图表示各代的拟合函数图。第7代和第27代在图中被表示为样本。数据集从第1列到第59列排列P.S.佛里j1ð3Þ列，排名靠前的要素的图如下所示y=第1至27列。1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2其中Ps（i）和f（i）分别是第i条染色体的选择概率和适合度值[9]。遗传算法的伪代码和一般框架在图1和图2中表示。分别为3和4。遗传算法所遵循的过程解释如下。在搜索空间30的初始群体中，这些是从特征提取的新颖方法提取的特征，并且经由交叉算子组合以第28至542 2 2 2 2 2 2 2 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 4 4第55至594 4 4 4 4k的当前图范围为1至60，第1-4列中的值58,32,29,15,57,60,54,4,1,8531320591035，42，37，7，16，51，3，56，6，34，9，2，5，17，19开始;生成P个解的随机种群（染色体）;对于每个个体i P：计算适应度（i）;对于i=1，为世代数;随机选择一个操作（交叉或变异）;如果交叉;随机选择两个亲本ia和ib;在后代上生成ic =crossover（ia和ib）;否则如果突变;随机选择一个染色体i;生成后代ic= mutate（i）; End if;计算后代ic的适应度;如果ic优于最差染色体，则用ic替换最差染色体;下一个i;检查终止是否= true; End;X基于遗传算法的肺部疾病分类融合模型4. 分类器4.1. 决策树决策树学习器是一种树结构，其中每个非叶节点表示对特征的测试，每个分支表示测试的结果，每个叶节点表示类标签。决策树分类器之所以流行，是因为决策树分类器的构建不需要任何领域知识，并且以树的形式获得的知识很容易理解。此外，决策树归纳的分类步骤简单快速。除了分裂标准，构建决策树的另一个有趣的挑战是克服数据的过度拟合。J48是C4.5算法的早期版本，由J. Ross Quinlan开发。决策树表示来自机器学习算法的信息，提供了一种快速表达数据结构的方法[20]。C4.5是一个广泛使用的基于决策树的分类器，它是由C4.5在这项工作中实现的，用于构建修剪树和子树提升技术。4.2. k近邻图4遗传算法框架。K-NN是一种典型的基于实例的预测模型。通过K-NN，新测试样本的类标签由其k个最近邻的基于它们的欧几里得距离的主要类决定。基于直觉的最近邻分类是直接的，并且基于最近邻类的示例被分类。考虑多个邻居，因此该技术通常称为k-最近邻居（k-NN），其中k个最近邻居确定类。由于在运行时需要训练示例，因此它也被称为基于内存的分类。它被认为是一种惰性学习技术，因为归纳会被运行时延迟。由于分类是基于训练样本的，因此也称为基于样本的分类或基于案例的分类[21，22]。Minkowski距离的公式为： .！1上述列表示为顶部将经排名的特征和所选择的特征馈送到分类器中。MDpqq; xiqq;pjQf-Xifjf2 Fð4Þ图5各代适应度函数的表示P74C. Bhuvaneswari等人图6 MLP-NN的框图KNN分类器对训练集中的图像邻居进行排名，并使用k个最相似邻居的类标签来预测输入图像的类4.3. 多层感知器神经网络多层感知器（MLP）在输入层和输出层之间有一个隐藏层。MLP可以实现非线性判别（用于分类）和非线性回归函数（用于回归）。生物神经元输入层神经元作为感觉单元计算恒等函数y=x。隐层和输出层中的每个神经元计算输入和权重值的S形函数，响应连接。隐藏层或输出层中的第j个神经元Oj的输出在数学上表示为1Ojth¼100000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000000其中net j= W ji o i，W ji=第i个和第j个神经元之间连接的权重。它是一个两层网络，因为输入层不执行计算。隐藏单元必须实现非线性函数，即，sigmoid或者它等价于简单的sigmoid- tron。Sigmoid可以被看作是一个连续的、可微的阈值处理。通过从输出到输入的误差反向传播，将感知器学习算法扩展到多层。隐藏输出学习图7各种方法的输出。(a)输入图像，（b）增强图像，（c）中值滤波图像，（d）形态平滑图像，（e）gabor滤波图像，（f）Walsh Hadamard变换和（g）建议的融合技术。基于遗传算法的肺部疾病分类融合模型图6示出了表示三层的MLP-NN的框图。在所提出的工作中，输入层被表示为神经元，其中有一个隐藏层，输出层具有表示疾病分类的四个类标签的可能性。5. 实验及结果图8输出屏幕。图9分类准确率（百分比）。权重：就像感知器学习一样，将隐藏单元视为输入。学习输入到隐藏权重：应用链式规则计算梯度。我们所提出的方法是基于如图1所示的建议流程图在肺部疾病CT数据集上实现的。输入数据集由400幅图像组成：100幅图像是正常肺部图像，支气管炎、肺气肿、胸腔积液图像的每种疾病分别由100幅图像组成。纹理特征从Gabor滤波器中提取，像素系数由Walsh Hadamard变换计算，Gabor和WHT的特征采用中值绝对偏差进行融合。融合技术将从gabor和WHT提取的特征相结合，并消除这些方法重叠的特征，并在此提出的特征提取方法中获得图像的15个窗口的平均值，中值，最大值，最小值的最合适的特征，从而产生60个特征特征选择采用遗传算法。提取的60个特征被送入选择过程。下一步是确定每个所选特征与肺部疾病分类过程的相关性。在使用GA进行评估的过程中，随着代数的增加，某些特征可能会被多次选择。如果该特征被选择多次，则该特征在特征选择中被赋予更重要的意义。选择特征的次数为max、min、mean和median。遗传算法的参数设置如下：种群规模为30，交叉概率为两点交叉，交叉率为0.7，变异类型为双对数变异率为0.01，停止条件为RMSE阈值为0.001或500次操作，500代适应条件采用两点交叉算子，适应函数为均方根误差值。实验结果表明，随着样本图像数量的增加，十次交叉验证方法的分类精度也得到了提高。对使用不同数据集的各种分类器进行了比较研究图7表示使用matlab代码针对四个不同数据集通过各种方法实现的输出。图形用户界面中的研究工作的输出屏幕如图所示。八、下面图9中描述了三种类型的分类器的各种分类算法的输出以及分类精度。分类准确度见表1。表2列出了给定数据集的相应疾病性能表2分类详细疾病明智的。分类器正确分类为肺气肿正确分类为支气管淤积正确分类为胸膜炎正确归类为正常GA_J4887858284GA_KNN87888587遗传神经网络92919092表1分类准确度（百分比）。特征提取和选择技术Gabor滤波器与遗传算法WalshHadamard变换与遗传算法融合和遗传算法J48KNNMLP-NN77.1972.8885.9672.8874.5877.1983.0586.4491.5376 C. Bhuvaneswari等人表3各分类器的性能指标。技术J48KNNMLP-NN精度召回F-measure精度召回F-measure精度召回F-measureGabor滤波器和GA0.750.780.780.720.710.770.840.860.85Walsh Hadamard变换与遗传算法0.720.710.730.750.750.750.750.780.77建议的融合和GA0.830.830.720.880.860.870.920.910.92确认我 们 想 借 此 机 会 感 谢 Ramesh Kumar 博 士 ， (R.D)SriManakula Vinayagar医学院和Hos-pital Madagadipet放射科教授兼主任，为分析肺部疾病数据集提供帮助。引用图10业绩计量。在表3中给出了诸如精确度、召回率、F-度量的度量。精度是指测量值与真值的偏差及其离散度，召回率是指测量值与假值的偏差。F-Measure指的是结合精确度和召回率的度量，是精确度和召回率的调和平均值。计算J 48、KNN、MLP-NN分类器的精确度、召回率、F度量的各种值精确度、召回率和F度量的图形表示如图所示。 10.6. 结论在这项工作中，提出了一种新的基于融合的特征提取和特征选择是通过遗传算法，选择排名靠前的功能和分类是通过J48，KNN，MLP NN分类器进行分类肺CT数据集。该算法是基于纹理和像素系数特征的概念设计的。该方法有效地用于肺部疾病的检测，具有高灵敏度、特异性和准确性 。 10 倍 交 叉 验 证 方 法 的 分 类 准 确 度 为 gabor 滤 波 器85.96，Walsh Hadamard变换77.19，91.53为所提出的特征提取方法。结果表明，MLP神经网络分类器与中位数绝对偏差技术和遗传算法的特征选择产生更好的结果。这证明了使用遗传算法与分类器融合的选择。这种方法具有进一步发展的潜力，因为这种简单性将促使对肺部疾病的类型进行分类。所开发的分类系统有望为医生提供有价值的诊断。这项工作可以进一步扩展，包括更多的特征提取和选择方法，用于分类更多的肺部疾病。[1] Graham R，Perriss R，Scarsbrook A. Dicom去神秘化：数字文件格式及其在放射学实践中的应用综述。临床放射学2005：1133-40。[2] Kalender WA.计算机断层摄影：基础，系统技术，图像质量，应用。第3版，埃尔兰根：出版社; 2011年。[3] Pugatch RD，Faling LJ.胸部计算机断层扫描：现状报告。胸部1981;80：618-26.[4] Chabat，F，Hansell DM，Yang GZ. CT肺图像分类，灌注梯度校正。第七届图像处理及其应用国际会议，1999年1月。p.402-406[5] 马修电视。遗传算法。孟买：印度理工学院，1996年。[6] 放大图片作者：Kendall G.遗传算法。In：BurkeE，KendallG，editors.搜索方法学-最优化和决策支持技术入门教程。Berlin：Springer; 2005. [第4章][7] Golberg DE.搜索、优化和机器学习中的遗传算法 。NewYork：Addison Wesley.[8] Haupt RL，Haupt SE.实用遗传算法。第二版New Jersey，United States：John Wiley Sons.[9] 梅兰妮·M遗传算法导论。Bradford Book. 伦敦，英格兰：麻省理工学院出版社，马萨诸塞州剑桥;1999年，第五次印刷。[10] 杨晓梅，王晓梅，王晓梅.高维空间数据库中的分维与相似性搜索。在：IEEE信息重用和集成国际会议，夏威夷，美国;2006年。p. 380-384.[11] Speckmann EJ，Elger CE.介绍EEG和DC电位的神经生理学基础。在：Neidermeyer E，Lopes da Silva F，编辑，脑电图，第 5 版 ， Lippincott Williams Wilkins ， New York ， 2005[Chapter 2].[12] 邱宇，卢宇飞，弗里德曼MT，弗里茨S。基于神经网络的混合系统在肺结节检测中的应用。在：基于计算机的医疗系统，第六届IEEE年会论文集，IEEE; 1993年。p. 211-216[13] Ginneken BV，Romeny BM，Viergever MA.计算机辅助诊断在胸部摄影中的应用概况。IEEE Trans MedImaging 2001;20（12）。[14] [10]李文，李文.基于螺旋CT图像的肺结节计算机辅助诊断。计算机医学图像图表2008;22（2）：157-67。基于遗传算法77的肺部疾病分类融合模型[15] 作者：Lin D，Yan C.基于神经模糊网络的肺结节识别规则提取。Neural Inform Process IEEE2002;4：2049-53.[16] Golberg DE.搜索、优化和机器学习中的遗传算法。ReadingMA：Addison Wesley;1989.[17] Graham R，Perriss R，Scarsbrook A. Dicom去神秘化：数字文件 格 式 及 其 在 放 射 学 实 践 中 的 应 用 综 述 。 临 床 放 射 学2005;60：1133-40。[20] 罗伟。提高分类树的精度。AnnalAppl Stat 2009;3（4）：1710-37.[21] 吴伟杰，李伟杰. 用距离函数改进k-近邻分类基于接收器操作特性的选择。数据库中的机器学习和知识发现LNAI。BerlinHeidelberg：Springer; 2008. p. 489- 504[22] Gil-Pita，Yao R.进化编辑的k-最近邻分类器。IntJ Neural SystDec 2008;18（6）：459-67.[23] Roy K，Chaudhuri C，Kundu M，Nasipuri M，Basu DK. 多层感知器和最近邻分类器在手写数字识别中的比较。J InformSci Eng2005;21（6）：1245-57.