基于残差超网络的DNA微阵列数据分类

被引：4

作者：

王进 ^{[1
]}

朱文晓 ^{[1
]}

孙开伟 ^{[1
,2
]}

邓欣 ^{[1
]}

陈乔松 ^{[1
]}

机构：

[1] 重庆邮电大学计算智能重庆市重点实验室

[2] 韩国仁荷大学信息与通信工程系

来源：

重庆邮电大学学报(自然科学版) | 2015年 / 05期

关键词：

超网络; 初始化; 残差算法; 稳定性; 收敛性;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

DNA微阵列数据特征维度高,包含噪音,属性之间以及属性与样本类别之间有着复杂的关联性。然而传统超网络的超边一般是从训练集中随机选取属性而组成,难以保证超边质量,而且其分类性能受超边初始化过程影响很大,导致效果不稳定。针对传统超网络的这一局限,提出一种基于残差分析的超网络分类模型。残差算法根据显著性检验,首先假设属性相互独立,然后根据95%的置信水平,运用残差分析,用落入拒绝域的属性值对超网络的超边库进行初始化,以获取关联性较高的超边集合。然后采用梯度下降法进行超网络的演化学习。对急性白血病、前列腺癌和肺癌数据集的实验表明:与传统演化超网络分类器相比,该方法不仅有较高的分类精度,而且提高了分类的稳定性和收敛性。

引用

页码：647 / 653+659 +659

页数：8

共 8 条

[1] 基于演化学习超网络的微阵列数据分类 [J].