新型进化计算与深度学习方法及其在疾病预防与控制的应用

This research proposal is aimed to investigate suitable evolutionary algorithms for new designed deep models that have more powerful data representation capability. On the other hand, the project will also solve the problem that deep models need too much learning time by employing the-state-of-the-art Big Data techniques. Finally, all these research fruits will be used to disease diagnosis, control and prevention. Over all, there are four research areas in this research project. ① In term of fuzzy theory, a novel deep model with more powerful data representation capability will be developed. ② After the new deep models are established, corresponding adaptive evolutionary algorithms will be developed and employed to search optimal values for all the parameters in the deep models. ③ As a full-scale Big Data platform with advanced computing frameworks have already been established in our lab, the proposed deep models and learning algorithms will be implemented. ④ The research fruits are applied to diagnose disease, forecast and control developing trend by discovering a large amount of medical data. Disease control and prevention is important for civil health, social stability and national security. However, it is extremely difficult to handle this task due to its super non-linearity and stochastic characteristics. Current models and approaches, such as statistics and machine learning, cannot meet the requirements in accuracy and timeliness during the processes of disease diagnose, developing trend forecast and control.

本项目是研究基于新型进化算法，拥有更加强大数据表达能力的新型深度模型及其学习方法，同时利用大数据技术解决深度模型的训练时间过高的问题，然后对海量的医疗数据进行分析来诊断、预测以及控制疾病。本课题有四项具体的研究内容：① 根据模糊理论提出拥有更强数据表达能力的深度模型；② 根据提出的深度模型，探索恰当的进化算法来优化模型中的参数；③ 基于研究室已经搭建的大数据平台及提出的深度模型，开发深度模型的训练技术；④ 通过对收集的海量医疗数据进行大数据分析，对相应疾病进行诊断、预测发展趋势以及控制。疾病的预防与控制是一个十分困难的任务，关乎到人民健康、社会稳定和国家安全。由于 此问题本身附有超非线性性和随机性，因此对解决它的科学方法与技术提出了更高的要求。传统的处理方法与模型不足以满足对疾病进行及时准确地诊断、预测以及控制的性能要求。本课题对疾病预防与控制提出了一套具体而有效的解决方法。

随着人工智能的蓬勃发展，深度学习网络在数据处理或者应用层面都取得了斐然的成绩。但由于深层网络结构的复杂性及超参数的数量巨大，深层学习网络存在训练时间过多的瓶颈问题。另一方面，为了追求精度，深度模型需要持续增加层数及参数，为网络结构分析与训练带来了巨大挑战。因此，如何在保证效果的前提下极大地缩短神经网络系统的训练时间已成为大数据研究背景下的研究热点。另外，如何理解深度模型以及它们背后的数学机理也是目前未能解决的问题。.近几年来，人工智能领域中，如何建立新一代人工智能基础理论体系已经成为国家战略层面系统中关键一环，并列入国家科技部重点支持领域。项目组围绕深度学习模型，进化计算方法，新型神经网络模型方面等，面向复杂大数据的分析与处理，在特定疾病相关数据处理等实际应用场景领域进行了一系列的理论探索。提出基于模糊子系统的具有更强数据表达能力的深度模型，研究适合从大数据中学习的训练方法，并验证其有效性。提出基于易经占卜的创新性的模拟进化算法的开发、研究和验证，并且在初步提出框架基础上，进一步增加相关变体结构，探讨相关进化计算的预测潜力和相关应用方法。提出基于浅层神经网络的新型高性能的神经网络研究方法，给出大数据下模型选择及处理的新选择，和在疾病智能诊断、预防与控制这一实际问题上的可靠解决途径。发表相关论文43篇；指导博士研究生17人；申请发明专利1 项，开发疾病相关调度软件1个。.本项目最终搭建了深宽度模型全面发展的学习系统理论，同时开发了新型进化学习算法，从而为疾病的分析，预测与控制等应用提供了可用途径。