腦成像表型和基因變異已成為影響精神分裂癥等復(fù)雜疾病的重要因素。研究人員根據(jù)以往在致病機理方面的深入研究,已經(jīng)提出了很多基于深度神經(jīng)網(wǎng)絡(luò)或正則化的模型,這些模型通常包含某種形式的懲罰項或具有重建目標的自編碼器結(jié)構(gòu),但其所使用的多模態(tài)數(shù)據(jù)的特征維數(shù)往往大于樣本個數(shù)。為了應(yīng)對高維數(shù)據(jù)分析的困難并突破深度典型關(guān)聯(lián)分析的局限性,文中提出了一種由多模態(tài)線性特征學(xué)習(xí)的主成分分析和基于限制玻爾茲曼機的多模態(tài)非線性特征學(xué)習(xí)的多層信念網(wǎng)絡(luò)組成的有效模型。該模型和先前的先進模型一起被應(yīng)用在實際的多模態(tài)數(shù)據(jù)集上進行測試和分析。實驗發(fā)現(xiàn),與已有模型相比,深度主成分相關(guān)自編碼器模型學(xué)習(xí)的特征具有更高的分類性能和更強的關(guān)聯(lián)性。在分類精度方面,兩類模態(tài)數(shù)據(jù)的分類精度均超過了90%,相比平均精度在65%左右的基于CCA的模型和平均精度在80%左右的基于DNN的模型,該模型的分類效果有了顯著提高。在聚類性能評估的實驗中,該模型以93.75%的平均歸一化互信息指標和3.8%的平均分類錯誤率指標進一步驗證了其優(yōu)越的分類性能。在最大關(guān)聯(lián)性分析方面,當頂層節(jié)點輸出維度一致時,該模型以0.926的最大關(guān)聯(lián)性勝于其他先進模型,在高維...

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 數(shù)學(xué)模型
    2.1 典型關(guān)聯(lián)分析
    2.2 稀疏典型關(guān)聯(lián)分析
    2.3 深度典型關(guān)聯(lián)分析
    2.4 深度典型相關(guān)自編碼器
    2.5 深度主成分相關(guān)自編碼器
3 實驗分析
    3.1 分類精度的比較
    3.2 聚類性能的評估
    3.3 最大關(guān)聯(lián)性分析



本文編號：3834306