典型文献
基于BTLBOGSA与CNN的基因微阵列数据分类模型
文献摘要：
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.
文献关键词：
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
中图分类号：
作者姓名：
赵晚昭;谢聪
作者机构：
广西农业职业技术大学,广西南宁 530007
文献出处：
引用格式：
[1]赵晚昭;谢聪-.基于BTLBOGSA与CNN的基因微阵列数据分类模型)[J].广西科学,2022(02):260-268
A类：
BTLBOGSA,基因微阵列数据分类,TLBOGSA
B类：
数据分类模型,数据维度,过拟合,Binary,Convolutional,Neural,Network,搜索空间,空间转换,Teaching,Learning,Based,Optimization,变体,引力搜索算法,Gravitational,Search,Algorithm,特征基因,分类精度,教与学优化算法,特征选择
AB值：
0.142556
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
