針對(duì)微陣列基因表達(dá)數(shù)據(jù)高維小樣本、高冗余且高噪聲的問(wèn)題,提出一種基于FCBF特征選擇和集成優(yōu)化學(xué)習(xí)的分類算法FICS-EKELM。首先使用快速關(guān)聯(lián)過(guò)濾方法 FCBF濾除部分不相關(guān)特征和噪聲,找出與類別相關(guān)性較高的特征集合;其次,運(yùn)用抽樣技術(shù)生成多個(gè)樣本子集,在每個(gè)訓(xùn)練子集上利用改進(jìn)烏鴉搜索算法同步實(shí)現(xiàn)最優(yōu)特征子集選擇和核極限學(xué)習(xí)機(jī)KELM分類器參數(shù)優(yōu)化;然后基于基分類器構(gòu)建集成分類模型對(duì)目標(biāo)數(shù)據(jù)進(jìn)行分類識(shí)別;此外運(yùn)用多核平臺(tái)多線程并行方式進(jìn)一步提高算法計(jì)算效率。在六組基因數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該算法不僅能用較少特征基因達(dá)到較優(yōu)的分類效果,并且分類結(jié)果顯著高于已有和相似方法,是一種有效的高維數(shù)據(jù)分類方法。 

【文章來(lái)源】：計(jì)算機(jī)應(yīng)用研究. 2019,36(10)北大核心CSCD

【文章頁(yè)數(shù)】：6 頁(yè)

【文章目錄】：
0 引言
1 理論介紹
    1.1 FCBF算法(fast correlation-based filter)
    1.2 核極限學(xué)習(xí)機(jī)(KELM)
2 改進(jìn)烏鴉搜索算法(improved crow search algo-rithm,ICS)
3 FICS-EKELM模型
    3.1 產(chǎn)生訓(xùn)練子集
    3.2 構(gòu)建基分類器模型
    3.3 集成分類器模型
    3.4 并行模型計(jì)算
4 實(shí)驗(yàn)分析
    4.1 實(shí)驗(yàn)設(shè)置
    4.2 實(shí)驗(yàn)結(jié)果討論
5 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]基于ReliefF和蟻群算法的特征基因選擇方法[J]. 吳辰文,李晨陽(yáng),郭叔瑾,閆光輝.  計(jì)算機(jī)應(yīng)用研究. 2018(09)
[2]K-S檢驗(yàn)與mRMR相結(jié)合的基因選擇算法[J]. 謝娟英,胡秋鋒,董亞非.  計(jì)算機(jī)應(yīng)用研究. 2016(04)



本文編號(hào)：3443749