孟亚琼,陆慧娟,严 珂,关 伟

(1.中国计量大学 信息工程学院,浙江 杭州 310018;2.中国计量大学 现代科技学院,浙江 杭州 310018)

面向基因数据分类的AGA-ELM算法研究

孟亚琼1,陆慧娟1,严 珂1,关 伟2

(1.中国计量大学 信息工程学院,浙江 杭州 310018;2.中国计量大学 现代科技学院,浙江 杭州 310018)

对基因表达数据进行分类时,超限学习机(ELM)算法具有学习效率高、泛化能力强、分类精度高的优点.为了解决超限学习机算法受输入权值矩阵和隐含层偏差随机初始化的影响,本文利用自适应遗传算法(AGA)具有良好的全局搜索效果对超限学习机的输入权值矩阵和隐含层偏差进行优化,提出了基于自适应遗传算法优化超限学习机(AGA-ELM)的分类算法.通过实验表明,该算法与已有的ELM、GA-ELM以及SVM算法相比，分类精度更高,可用于基因数据分类.

超限学习机;自适应遗传算法;基因表达数据分类

基因数据存在着样本小、维数高以及非线性等特点,使得基因表达数据的分析存在着一定的困难.目前比较新的适用于基因表达数据分类的方法主要有:二维主成分分析法、二维线性判别分析法、支持向量机方法、K最近邻法、支持向量机算法以及超限学习机(extreme learning machine, ELM)算法[1-2].本文主要研究的是ELM.

超限学习机,是由黄广斌提出来的求解单隐层神经网络的算法.后来又有许多专家学者对ELM进行了研究.罗庚合[3]提出一种基于可拓聚类的ELM神经网络.该神经网络是以隐含层神经元的径向基中心向量作为输入层权值,采用可拓聚类……