發(fā)布時間：2018-06-18 09:49

  本文選題：深度學(xué)習(xí) + 偏最小二乘�。� 參考：《計算機(jī)應(yīng)用研究》2017年01期

【摘要】：偏最小二乘在多元變量分析中得到了廣泛的應(yīng)用。但偏最小二乘方法內(nèi)部采用主成分分析,不能充分表達(dá)數(shù)據(jù)的非線性特征,對非線性數(shù)據(jù)的預(yù)測精度較低。提出了一種融入深度學(xué)習(xí)的偏最小二乘優(yōu)化方法,該方法利用深度學(xué)習(xí)的稀疏自編碼器對特征空間提取非線性結(jié)構(gòu),將提取的特征成分取代偏最小二乘中的成分,從而形成能適應(yīng)非線性的模型。分別采用大承氣湯、麻杏石甘湯、葛根芩連湯和UCI數(shù)據(jù)集的數(shù)據(jù)進(jìn)行分析處理,實(shí)驗(yàn)結(jié)果表明,融入深度學(xué)習(xí)的偏最小二乘優(yōu)化方法能較好地反映中醫(yī)藥數(shù)據(jù)的特征。
[Abstract]:Partial least squares is widely used in multivariate variable analysis. However, the principal component analysis (PCA) is used in the partial least squares method, which can not fully express the nonlinear characteristics of the data, and the prediction accuracy of the nonlinear data is low. In this paper, a partial least squares optimization method with depth learning is proposed. In this method, the nonlinear structure is extracted from the feature space by using the sparse self-encoder of depth learning, and the extracted feature components are replaced by the components in the partial least squares. Thus, a model which can adapt to nonlinear is formed. The data of Dachengqi decoction, Maxingshigan decoction, Gegen Qinlian decoction and UCI data set were analyzed and processed respectively. The experimental results showed that the partial least square optimization method combined with deep learning could better reflect the characteristics of traditional Chinese medicine data.
【作者單位】： 江西中醫(yī)藥大學(xué)計算機(jī)學(xué)院;江西中醫(yī)藥大學(xué)藥學(xué)院;
【基金】：國家自然科學(xué)基金資助項(xiàng)目(61363042,61562045) 江西省自然科學(xué)基金重大資助項(xiàng)目(20152ACB20007) 江西省高�？萍悸涞赜媱濏�(xiàng)目(LD12038) 江西中醫(yī)藥大學(xué)校級研究生創(chuàng)新專項(xiàng)資金項(xiàng)目(JZYC15S09)
【分類號】：O212.4

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡煜;;偏最小二乘方法和二次判別分析方法應(yīng)用于基因芯片數(shù)據(jù)分析[J];鞍山師范學(xué)院學(xué)報;2007年04期

2 葉明;張磊;;偏最小二乘通徑模型在貿(mào)易發(fā)展指數(shù)中的應(yīng)用[J];統(tǒng)計與信息論壇;2010年09期

3 金勇進(jìn),梁燕;偏最小二乘(PartialLeast Square)方法的擬合指標(biāo)及其在滿意度研究中的應(yīng)用[J];數(shù)理統(tǒng)計與管理;2005年02期

4 趙璐;匡建超;羅鑫;王眾;金婷;;基于偏最小二乘支持向量機(jī)的圖書館效益評價研究[J];科技管理研究;2010年02期

5 殷弘;汪寶彬;;懲罰的偏最小二乘(英文)[J];數(shù)學(xué)雜志;2013年01期

6 陳高波;;基于最小一乘的單因變量偏最小二乘算法[J];武漢工業(yè)學(xué)院學(xué)報;2006年02期

7 楊慧中;陳定三;;局部懲罰加權(quán)核偏最小二乘算法及其應(yīng)用[J];控制工程;2011年06期

8 張忠誠;;成分?jǐn)?shù)據(jù)的偏最小二乘回歸分析法[J];長春師范學(xué)院學(xué)報;2005年11期

9 ;會議信息[J];數(shù)理統(tǒng)計與管理;2008年06期

10 王魏;趙立杰;岳恒;柴天佑;;多變量動態(tài)模糊偏最小二乘建模方法及其應(yīng)用[J];系統(tǒng)仿真學(xué)報;2010年05期

相關(guān)博士學(xué)位論文 前1條

1 黃新;基于化學(xué)數(shù)據(jù)的若干統(tǒng)計學(xué)習(xí)新方法研究[D];中南大學(xué);2013年

相關(guān)碩士學(xué)位論文 前6條

1 李洪強(qiáng);基于核偏最小二乘的故障診斷方法研究[D];東北大學(xué);2009年

2 羅純;基于成分?jǐn)?shù)據(jù)若干分析方法的研究[D];中南大學(xué);2011年

3 夏麗莎;基于偏最小二乘的武漢城市圈經(jīng)濟(jì)研究[D];華中科技大學(xué);2010年

4 張艷粉;基于偏最小二乘的BP網(wǎng)絡(luò)模型及其應(yīng)用[D];重慶大學(xué);2007年

5 裴振中;偏最小二乘—最大熵法在石油勘探風(fēng)險評價中的應(yīng)用[D];成都理工大學(xué);2005年

6 陳海波;市場經(jīng)濟(jì)下天然氣價格預(yù)測研究——偏最小二乘神經(jīng)網(wǎng)絡(luò)模型（PLSNN）應(yīng)用[D];成都理工大學(xué);2004年

，

本文編號：2035054