期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
3
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于演化学习超网络的微阵列数据分类
被引量：
5
1
作者
王进
黄萍丽
+1 位作者
孙开伟
蔡通
《江苏大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2014年第1期56-62,共7页
为解决传统模式识别方法学习结果过于复杂且难以解读的问题,提出了一种基于遗传算法的演化学习超网络模型.与传统的基于梯度下降和超边替代的超网络学习算法不同,演化学习超网络模型在其学习过程中引入了遗传算法.将超网络的超边集合划...
为解决传统模式识别方法学习结果过于复杂且难以解读的问题,提出了一种基于遗传算法的演化学习超网络模型.与传统的基于梯度下降和超边替代的超网络学习算法不同,演化学习超网络模型在其学习过程中引入了遗传算法.将超网络的超边集合划分成多个子种群;对子种群中的个体进行选择、交叉和变异等遗传操作,并对每一代种群进行子种群间优秀个体的迁移.每个子种群并行执行演化操作,完成演化后得到一个具有决策能力的超网络分类器.利用演化超网络对急性白血病、肺癌和前列腺数据集进行分类试验.结果表明,演化学习超网络对3个数据集的分类准确率分别为96.21%,99.26%,96.09%.所提出的方法与其他传统的模式识别方法相比,具有更高的分类准确率,而且其学习结果具有很好的可读性,有利于挖掘与癌症诊断密切相关的基因对高阶关联关系.
展开更多
关键词
微阵列数据分类
模式识别
机器学习
超网络
遗传算法
在线阅读
下载PDF
职称材料
用于微阵列数据分类的子空间融合演化超网络
被引量：
2
2
作者
王进
刘彬
+2 位作者
张军
陈乔松
邓欣
《电子学报》
EI
CAS
CSCD
北大核心
2016年第10期2308-2313,共6页
针对传统模式识别方法在学习具有小样本特性的DNA微阵列数据时存在的过拟合问题,本文提出了一种子空间融合演化超网络模型.该模型通过子空间划分、超边全覆盖和子空间融合三种方法降低模型对初始化的依赖,减少了对数据空间的拟合误差,...
针对传统模式识别方法在学习具有小样本特性的DNA微阵列数据时存在的过拟合问题,本文提出了一种子空间融合演化超网络模型.该模型通过子空间划分、超边全覆盖和子空间融合三种方法降低模型对初始化的依赖,减少了对数据空间的拟合误差,提高了演化超网络的泛化能力.对四个DNA微阵列数据集的实验结果表明,子空间融合演化超网络的识别率和在小样本训练集下的泛化能力均优于参与对比的其他传统模式识别方法.
展开更多
关键词
模式识别
微阵列数据分类
演化超网络
子空间
过拟合
在线阅读
下载PDF
职称材料
基于BTLBOGSA与CNN的基因微阵列数据分类模型
3
作者
赵晚昭
谢聪
《广西科学》
CAS
北大核心
2022年第2期260-268,共9页
针对现有基因微阵列数据分类中存在的数据维度高、容易发生过拟合的问题,提出了基于BTLBOGSA(Binary TLBOGSA)与卷积神经网络(Convolutional Neural Network,CNN)的基因微阵列数据分类模型(BTLBOGSA-CNN)。该模型首先针对基因微阵列数...
针对现有基因微阵列数据分类中存在的数据维度高、容易发生过拟合的问题,提出了基于BTLBOGSA(Binary TLBOGSA)与卷积神经网络(Convolutional Neural Network,CNN)的基因微阵列数据分类模型(BTLBOGSA-CNN)。该模型首先针对基因微阵列数据分类时存在的数据维度高的问题,利用新的编码策略,将连续搜索空间转换为二元搜索空间,结合教与学优化(Teaching-Learning-Based Optimization,TLBO)算法的二元变体与引力搜索算法(Gravitational Search Algorithm,GSA)的各自特点,基于BTLBOGSA方法从基因微阵列数据集中选择具有高鉴别性的基因;然后针对基因微阵列数据分类易发生过拟合问题的现象,利用卷积神经网络进行基因微阵列数据的分类。利用公开的基因微阵列数据集进行仿真实验,从TLBO算法与GSA结合的有效性、BTLBOGSA与CNN结合的有效性、BTLBOGSA-CNN与其他已有分类模型相比的有效性3个方面进行对比分析,结果表明,BTLBOGSA-CNN模型可以在较少的特征基因下取得较高的分类精度,具有较高的可行性和有效性。
展开更多
关键词
基因
微阵列数据分类
教与学优化算法
引力搜索算法
特征选择
卷积神经网络
在线阅读
下载PDF
职称材料
题名
基于演化学习超网络的微阵列数据分类
被引量：
5
1
作者
王进
黄萍丽
孙开伟
蔡通
机构
重庆邮电大学计算智能重庆市重点实验室
出处
《江苏大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2014年第1期56-62,共7页
基金
国家自然科学基金资助项目(61203308
61075019)
+1 种基金
重庆市自然科学基金资助项目(cstc2012jjA40034)
重庆市大学生创新创业训练计划项目(201210617003)
文摘
为解决传统模式识别方法学习结果过于复杂且难以解读的问题,提出了一种基于遗传算法的演化学习超网络模型.与传统的基于梯度下降和超边替代的超网络学习算法不同,演化学习超网络模型在其学习过程中引入了遗传算法.将超网络的超边集合划分成多个子种群;对子种群中的个体进行选择、交叉和变异等遗传操作,并对每一代种群进行子种群间优秀个体的迁移.每个子种群并行执行演化操作,完成演化后得到一个具有决策能力的超网络分类器.利用演化超网络对急性白血病、肺癌和前列腺数据集进行分类试验.结果表明,演化学习超网络对3个数据集的分类准确率分别为96.21%,99.26%,96.09%.所提出的方法与其他传统的模式识别方法相比,具有更高的分类准确率,而且其学习结果具有很好的可读性,有利于挖掘与癌症诊断密切相关的基因对高阶关联关系.
关键词
微阵列数据分类
模式识别
机器学习
超网络
遗传算法
Keywords
microarray data classification
pattern recognition
machine learning
hypernetwork
geneticalgorithm
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
用于微阵列数据分类的子空间融合演化超网络
被引量：
2
2
作者
王进
刘彬
张军
陈乔松
邓欣
机构
重庆邮电大学计算智能重庆市重点实验室
出处
《电子学报》
EI
CAS
CSCD
北大核心
2016年第10期2308-2313,共6页
基金
国家自然科学基金(No.61203308
No.61403054)
+1 种基金
重庆教委科学技术研究项目(自然科学类)(No.KJ1400436)
重庆市基础与前沿研究计划项目(No.cstc2014jcyj A40001)
文摘
针对传统模式识别方法在学习具有小样本特性的DNA微阵列数据时存在的过拟合问题,本文提出了一种子空间融合演化超网络模型.该模型通过子空间划分、超边全覆盖和子空间融合三种方法降低模型对初始化的依赖,减少了对数据空间的拟合误差,提高了演化超网络的泛化能力.对四个DNA微阵列数据集的实验结果表明,子空间融合演化超网络的识别率和在小样本训练集下的泛化能力均优于参与对比的其他传统模式识别方法.
关键词
模式识别
微阵列数据分类
演化超网络
子空间
过拟合
Keywords
pattern recognition
microarray data classification
evolutionary hypernetwork
subspace
over-fitting
分类号
TP39 [自动化与计算机技术—计算机应用技术]
在线阅读
下载PDF
职称材料
题名
基于BTLBOGSA与CNN的基因微阵列数据分类模型
3
作者
赵晚昭
谢聪
机构
广西农业职业技术大学
出处
《广西科学》
CAS
北大核心
2022年第2期260-268,共9页
基金
广西自然科学基金项目(2021GXNSFBA220080)
广西高等教育本科教学改革工程项目(2021JGA425)
+1 种基金
广西中青年教师科研基础能力提升项目(2021KY1736)
国家自然科学基金企业创新发展联合基金(U19B2021)资助。
文摘
针对现有基因微阵列数据分类中存在的数据维度高、容易发生过拟合的问题,提出了基于BTLBOGSA(Binary TLBOGSA)与卷积神经网络(Convolutional Neural Network,CNN)的基因微阵列数据分类模型(BTLBOGSA-CNN)。该模型首先针对基因微阵列数据分类时存在的数据维度高的问题,利用新的编码策略,将连续搜索空间转换为二元搜索空间,结合教与学优化(Teaching-Learning-Based Optimization,TLBO)算法的二元变体与引力搜索算法(Gravitational Search Algorithm,GSA)的各自特点,基于BTLBOGSA方法从基因微阵列数据集中选择具有高鉴别性的基因;然后针对基因微阵列数据分类易发生过拟合问题的现象,利用卷积神经网络进行基因微阵列数据的分类。利用公开的基因微阵列数据集进行仿真实验,从TLBO算法与GSA结合的有效性、BTLBOGSA与CNN结合的有效性、BTLBOGSA-CNN与其他已有分类模型相比的有效性3个方面进行对比分析,结果表明,BTLBOGSA-CNN模型可以在较少的特征基因下取得较高的分类精度,具有较高的可行性和有效性。
关键词
基因
微阵列数据分类
教与学优化算法
引力搜索算法
特征选择
卷积神经网络
Keywords
gene microarray data classification
teaching-learning-based optimization algorithm
gravitational search algorithm
feature selection
convolutional neural network
分类号
TP301 [自动化与计算机技术—计算机系统结构]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于演化学习超网络的微阵列数据分类
王进
黄萍丽
孙开伟
蔡通
《江苏大学学报（自然科学版）》
EI
CAS
CSCD
北大核心
2014
5
在线阅读
下载PDF
职称材料
2
用于微阵列数据分类的子空间融合演化超网络
王进
刘彬
张军
陈乔松
邓欣
《电子学报》
EI
CAS
CSCD
北大核心
2016
2
在线阅读
下载PDF
职称材料
3
基于BTLBOGSA与CNN的基因微阵列数据分类模型
赵晚昭
谢聪
《广西科学》
CAS
北大核心
2022
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
