基于残差超网络的DNA微阵列数据分类

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.

关键词：超网络、初始化、残差算法、稳定性、收敛性

所属期刊栏目：27

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61203308,61403054;重庆市基础与前沿研究计划cstc2014jcyjA40001,cstc2013jcyjA40063;重庆教委科学技术研究项目自然科学类KJ1400436;The National Natural Science Foundation of China61203308, 61403054;The Fundamental and Frontier Research Project of Chongqingcstc2014jcyjA40001, cstc2013jcyjA40063;The Science Foundation Project of CQ Education CommissionKJ1400436

在线出版日期：2016-01-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：647-653,659