基于堆叠式自编码器的新型分子毒性预测模型

发布时间：2021-03-30 23:52

　　本文提出了一种新型的分子毒性预测模型,采用堆叠式自编码器（SAE）对高维的稀疏数据进行特征提取,而后对分类器进行改进,使用胶囊网络作为分类器进行毒性预测分类,为了证明该模型的有效性,我们将SAE+CAPS与传统的softmax分类器和SAE+softmax分类器进行了对比,实验结果表明相较于另外两种模型而言该模型拥有更高的性能。 

【文章来源】：电子技术与软件工程. 2020,(15)

【文章页数】：2 页

【部分图文】：

SAE+CAPS结构

堆叠式自动编码器(SAE)由多个层组成，每个层由单个AE学习。在无监督特征提取中，采用贪婪式分层预训练进行逐层初始化，通过微调来训练最终的SAE模型。具体来说，贪婪式分层方法是原始输入数据通过在第一层AE上的训练，得到第一级的特征，然后将第一级的特征作为输入在第二层AE训练得到下一级的特征，一直到最后一层的AE,最终可以得到信息充分、维数较低的特征提取。因此，自编码器的叠加可以实现对原始数据的特征提取，同时可以达到降维的效果得到维数较低的特征。上述过程是SAE的与训练过程，这个过程中可以实现特征的提取，但是并不具备分类功能，因此通常在SAE后添加一个分类器来达到预测分类的效果。在预训练完成后应用反向传播算法，利用随机梯度下降算法对整个SAE进行微调，堆叠式自编码器（SAE）的结构图如图1所示。图2：胶囊网络的机构

胶囊网络的机构


本文编号：3110372