结合最优类别信息离散的细粒度超网络微阵列数据分类

被引：5

作者：

王进

张军

胡白帆

机构：

[1] 不详

[2] 计算智能重庆市重点实验室重庆邮电大学

[3] 不详

来源：

上海交通大学学报 | 2013年 / 12期

基金：

教育部留学回国人员科研启动基金;

关键词：

模式识别; 机器学习; 超网络; 细粒度;

D O I：

10.16183/j.cnki.jsjtu.2013.12.008

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

针对传统演化超网络只能有效处理二值数据输入的问题,提出一种结合最优类别信息离散(Optimal Class-Dependent Discretization,OCDD)的细粒度演化超网络模型,对连续数据进行离散化生成细粒度二进制编码,并通过对其进行演化学习得到具备决策能力的超网络分类器.该方法避免了传统超网络模型对连续数据进行直接二值化后的高信息损失,使演化超网络的概率估计更接近于数据真实分布,提高了超网络的决策分类能力.对结肠癌、肺癌、前列腺癌和急性白血病4种DNA微阵列数据集进行实验的结果表明,结合OCDD的细粒度演化超网络具有比传统演化超网络更高的识别率和鲁棒性.

引用

页码：1856 / 1862

页数：7

共 15 条

[1]

DNA computing hardware design and application to multiclass cancer data. Choi S W,Lee C H. Proceedings of the ICONIP 2008 . 2008

[2]

Granular SVM-RFE gene selection algorithm for reliable prostate cancer classification on microarray expression data. Tang Y H,Zhang Y Q,Huang Z,et al. Proceedings of the Fifth IEEE Symposium on Bioinformatics and Bioengineering . 2005

[3]

Evolving hypernet-work models of binary time series for forecasting pricemovements on stock markets. Bautu E,Kim S,Bautu A,et al. Proceedings of 2009IEEE Congress on Evolutionary Computation . 2009

[4] 应用有效信息比率的离散化算法 [J].

诸文智 ;

王靖程 ;

张彦斌 ;

贾立新 .

西安交通大学学报 , 2011, (04) :12-17

[5] 基于类-属性关联度的启发式离散化技术 [J].

周世昊 ;

倪衍森 .

控制与决策 , 2011, (10) :1504-1510

[6] 超网络道路限速标志识别 [J].

王进 ;

孙开伟 ;

李钟浩 .

小型微型计算机系统, 2012, 33 (12) :2709-2714

[7] 癌症识别中一种基于组合GCM和CCM的分类算法 [J].

卢新国 ;

林亚平 ;

骆嘉伟 ;

李丹 .

软件学报, 2010, 21 (11) :2838-2851

[8] Cancer classification using ensemble of neural networks with multiple significant gene subset's [J].

Cho, Sung-Bae ;

Won, Hong-Hee .

APPLIED INTELLIGENCE, 2007, 26 (03) :243-250

[9]

Hypernetworks: A molecular evolutionary architecture for cognitive learning and memory. Zhang,Byomg-Tak. IEEE Computational Intelligence Magazine . 2008

[10]

A global optimal algorithm for class-dependent discretization of continuous data. Lili Liu,Andrew K. C. Wong,Yang Wang. Intelligent Data Analysis . 2004

← 1 2 →