基于演化学习超网络的微阵列数据分类

被引：5

作者：

王进

黄萍丽

孙开伟

蔡通

机构：

[1] 重庆邮电大学计算智能重庆市重点实验室

来源：

江苏大学学报(自然科学版) | 2014年 / 35卷 / 01期

关键词：

微阵列数据分类; 模式识别; 机器学习; 超网络; 遗传算法;

D O I：

暂无

中图分类号：

TP311.13 [];

学科分类号：

1201 ;

摘要：

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.

引用

页码：56 / 62

页数：7

共 8 条

[1] 基于演化超网络的中文文本分类方法 [J].