10.3969/j.issn.1671-7775.2014.01.011
基于演化学习超网络的微阵列数据分类
为解决传统模式识别方法学习结果过于复杂且难以解读的问题,提出了一种基于遗传算法的演化学习超网络模型.与传统的基于梯度下降和超边替代的超网络学习算法不同,演化学习超网络模型在其学习过程中引入了遗传算法.将超网络的超边集合划分成多个子种群;对子种群中的个体进行选择、交叉和变异等遗传操作,并对每一代种群进行子种群间优秀个体的迁移.每个子种群并行执行演化操作,完成演化后得到一个具有决策能力的超网络分类器.利用演化超网络对急性白血病、肺癌和前列腺数据集进行分类试验.结果表明,演化学习超网络对3个数据集的分类准确率分别为96.21%,99.26%,96.09%.所提出的方法与其他传统的模式识别方法相比,具有更高的分类准确率,而且其学习结果具有很好的可读性,有利于挖掘与癌症诊断密切相关的基因对高阶关联关系.
微阵列数据分类、模式识别、机器学习、超网络、遗传算法
35
TP391.4(计算技术、计算机技术)
国家自然科学基金资助项目61203308,61075019;重庆市自然科学基金资助项目cstc2012jjA40034;重庆市大学生创新创业训练计划项目201210617003
2016-09-18(万方平台首次上网日期,不代表论文的发表时间)
共7页
56-62