融入深度学习的偏最小二乘优化方法

发布时间：2018-06-18 09:49

  本文选题：深度学习 + 偏最小二乘　； 参考：《计算机应用研究》2017年01期

【摘要】：偏最小二乘在多元变量分析中得到了广泛的应用。但偏最小二乘方法内部采用主成分分析,不能充分表达数据的非线性特征,对非线性数据的预测精度较低。提出了一种融入深度学习的偏最小二乘优化方法,该方法利用深度学习的稀疏自编码器对特征空间提取非线性结构,将提取的特征成分取代偏最小二乘中的成分,从而形成能适应非线性的模型。分别采用大承气汤、麻杏石甘汤、葛根芩连汤和UCI数据集的数据进行分析处理,实验结果表明,融入深度学习的偏最小二乘优化方法能较好地反映中医药数据的特征。
[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.
【作者单位】： 江西中医药大学计算机学院;江西中医药大学药学院;
【基金】：国家自然科学基金资助项目(61363042,61562045) 江西省自然科学基金重大资助项目(20152ACB20007) 江西省高校科技落地计划项目(LD12038) 江西中医药大学校级研究生创新专项资金项目(JZYC15S09)
【分类号】：O212.4

【相似文献】

相关期刊论文 前10条

1 胡煜;;偏最小二乘方法和二次判别分析方法应用于基因芯片数据分析[J];鞍山师范学院学报;2007年04期

2 叶明;张磊;;偏最小二乘通径模型在贸易发展指数中的应用[J];统计与信息论坛;2010年09期

3 金勇进,梁燕;偏最小二乘(PartialLeast Square)方法的拟合指标及其在满意度研究中的应用[J];数理统计与管理;2005年02期

4 赵璐;匡建超;罗鑫;王众;金婷;;基于偏最小二乘支持向量机的图书馆效益评价研究[J];科技管理研究;2010年02期

5 殷弘;汪宝彬;;惩罚的偏最小二乘(英文)[J];数学杂志;2013年01期

6 陈高波;;基于最小一乘的单因变量偏最小二乘算法[J];武汉工业学院学报;2006年02期

7 杨慧中;陈定三;;局部惩罚加权核偏最小二乘算法及其应用[J];控制工程;2011年06期

8 张忠诚;;成分数据的偏最小二乘回归分析法[J];长春师范学院学报;2005年11期

9 ;会议信息[J];数理统计与管理;2008年06期

10 王魏;赵立杰;岳恒;柴天佑;;多变量动态模糊偏最小二乘建模方法及其应用[J];系统仿真学报;2010年05期

相关博士学位论文 前1条

1 黄新;基于化学数据的若干统计学习新方法研究[D];中南大学;2013年

相关硕士学位论文 前6条

1 李洪强;基于核偏最小二乘的故障诊断方法研究[D];东北大学;2009年

2 罗纯;基于成分数据若干分析方法的研究[D];中南大学;2011年

3 夏丽莎;基于偏最小二乘的武汉城市圈经济研究[D];华中科技大学;2010年

4 张艳粉;基于偏最小二乘的BP网络模型及其应用[D];重庆大学;2007年

5 裴振中;偏最小二乘—最大熵法在石油勘探风险评价中的应用[D];成都理工大学;2005年

6 陈海波;市场经济下天然气价格预测研究——偏最小二乘神经网络模型（PLSNN）应用[D];成都理工大学;2004年

，

本文编号：2035054