基于演化学习超网络的微阵列数据分类

• 作者: 孙开伟 王进 蔡通 黄萍丽
• 来源期刊: 江苏大学学报（自然科学版）
• 学科: 工学
• 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
• 年，卷（期）: 2014,（1）
• 页码范围: 56-62
• 页数: 7页
• 分类号: TP391.4
• 字数: 5261字
• 语种: 中文
• DOI: 10.3969/j.issn.1671-7775.2014.01.011

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王进	重庆邮电大学计算智能重庆市重点实验室	50	202	8.0	12.0
2	孙开伟	重庆邮电大学计算智能重庆市重点实验室	10	38	3.0	6.0
3	黄萍丽	重庆邮电大学计算智能重庆市重点实验室	1	3	1.0	1.0
4	蔡通	重庆邮电大学计算智能重庆市重点实验室	1	3	1.0	1.0