基于FCBF特征选择和集成优化学习的基因表达数据分类算法

发布时间：2021-10-18 23:55

　　针对微阵列基因表达数据高维小样本、高冗余且高噪声的问题,提出一种基于FCBF特征选择和集成优化学习的分类算法FICS-EKELM。首先使用快速关联过滤方法 FCBF滤除部分不相关特征和噪声,找出与类别相关性较高的特征集合;其次,运用抽样技术生成多个样本子集,在每个训练子集上利用改进乌鸦搜索算法同步实现最优特征子集选择和核极限学习机KELM分类器参数优化;然后基于基分类器构建集成分类模型对目标数据进行分类识别;此外运用多核平台多线程并行方式进一步提高算法计算效率。在六组基因数据集上的实验结果表明,该算法不仅能用较少特征基因达到较优的分类效果,并且分类结果显著高于已有和相似方法,是一种有效的高维数据分类方法。 

【文章来源】：计算机应用研究. 2019,36(10)北大核心CSCD

【文章页数】：6 页

【文章目录】：
0 引言
1 理论介绍
    1.1 FCBF算法(fast correlation-based filter)
    1.2 核极限学习机(KELM)
2 改进乌鸦搜索算法(improved crow search algo-rithm,ICS)
3 FICS-EKELM模型
    3.1 产生训练子集
    3.2 构建基分类器模型
    3.3 集成分类器模型
    3.4 并行模型计算
4 实验分析
    4.1 实验设置
    4.2 实验结果讨论
5 结束语


【参考文献】：
期刊论文
[1]基于ReliefF和蚁群算法的特征基因选择方法[J]. 吴辰文,李晨阳,郭叔瑾,闫光辉.  计算机应用研究. 2018(09)
[2]K-S检验与mRMR相结合的基因选择算法[J]. 谢娟英,胡秋锋,董亚非.  计算机应用研究. 2016(04)



本文编号：3443749