基于输出不一致测度的极限学习机集成的基因表达数据分类
选择性集成学习已经成为分析基因表达数据、获取生物学信息的有力工具.为了更好地挖掘基因表达数据,利用极限学习机的集成,克服单个ELM用于数据分类时性能欠稳定的缺点,文中提出了一种基于输出不一致测度的ELM相异性集成算法(D-D-ELM).算法首先以输出不一致测度为标准对多个ELM模型进行相异性判断,其次根据ELM的平均分类精度剔除掉相应的模型,最后对筛选后的分类模型用多数投票法进行集成.算法被运用到Breast、Leukemia、Colon、Heart基因表达数据上,并通过理论和实验得到验证.实验结果的统计学分析表明D-D-ELM能够以更少的模型数量达到较稳定的分类精度.
极限学习机、基因表达数据、集成算法、输出不一致测度、分类
36
TP181(自动化基础理论)
国家自然科学基金61272315,60842009,60905034;浙江省自然科学基金Y1110342,Y1080950;浙江大学包氏留学基金
2013-04-07（万方平台首次上网日期，不代表论文的发表时间）
共8页
341-348
