基于BP神經(jīng)網(wǎng)絡(luò)的腫瘤數(shù)據(jù)分類(lèi)方法研究.pdf

1、從腫瘤基因數(shù)據(jù)的角度識(shí)別不同亞型的腫瘤，不僅可以與傳統(tǒng)形態(tài)學(xué)上的腫瘤進(jìn)行對(duì)照、辨別，還能夠理解腫瘤的產(chǎn)生機(jī)制，最終對(duì)腫瘤的病理轉(zhuǎn)變提供積極的診斷建議;對(duì)腫瘤基因數(shù)據(jù)集進(jìn)行分析處理，進(jìn)而采用模式識(shí)別方法判別腫瘤的良性、惡性類(lèi)別，是目前腫瘤基因數(shù)據(jù)的重點(diǎn)研究?jī)?nèi)容之一。
　　針對(duì)腫瘤基因數(shù)據(jù)集屬性多維性特點(diǎn)而導(dǎo)致分類(lèi)效果不佳的難點(diǎn)，提出了一種基于逆向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)的腫瘤數(shù)據(jù)分類(lèi)方法，該方法的側(cè)重點(diǎn)

2、:1）如何高效率的刪除噪聲數(shù)據(jù)和冗余特征集合，提取出少量的和有價(jià)值的發(fā)病基因集合作為BP神經(jīng)網(wǎng)絡(luò)(BPNN)的特征輸入，以此簡(jiǎn)化神經(jīng)網(wǎng)絡(luò)的輸入結(jié)構(gòu)和加快收斂的速率;2）如何避免BPNN在優(yōu)化網(wǎng)絡(luò)權(quán)重和閾值過(guò)程中易陷入極值的狀況。
　　針對(duì)問(wèn)題1，提出了一種基于隨機(jī)森林和鄰域粗糙集(Random Forest andNeighborhood Rough Set，RFNRS)的復(fù)合型特征選擇方法;該方法從特征選擇的角度篩去原始高維特征

3、集合中的噪聲數(shù)據(jù)和冗余特征屬性集合，首先利用Relief系列算法預(yù)處理腫瘤基因數(shù)據(jù)集，然后使用基于隨機(jī)森林的封裝式特征算法刪除冗余的特征屬性集合，最后利用鄰域粗糙集的前向搜索獲取最簡(jiǎn)、最優(yōu)集合。經(jīng)過(guò)6種腫瘤基因數(shù)據(jù)實(shí)驗(yàn)，該特征選擇方法可以較快的篩選出不相關(guān)的屬性集合，十折交叉驗(yàn)證后的識(shí)別精度以及處理速率均得到有效的提高;針對(duì)問(wèn)題2，將人工智能算法中的思維進(jìn)化算法(MindEvolutionary Algorithm，MEA)引入進(jìn)來(lái)構(gòu)造

4、了MEA-BPNN模型，利用MEA中的趨同算子在子群體的范圍內(nèi)尋找最佳的個(gè)體解，利用異或算子保證全局空間中最佳個(gè)體解;在不同腫瘤基因數(shù)據(jù)集上進(jìn)行對(duì)比驗(yàn)證，證明了MEA-BPNN的分類(lèi)精度優(yōu)于傳統(tǒng)的BPNN和GA-BPNN算法。
　　綜上所述，根據(jù)處理腫瘤基因數(shù)據(jù)集的難點(diǎn)以及BPNN識(shí)別建模中的不足，提出一種復(fù)合型特征篩選方法RFNRS并引入了智能算法MEA，一方面RFNRS可以快速選擇出合適的致癌基因，降低BPNN的網(wǎng)絡(luò)訓(xùn)練時(shí)間，