基于残差超网络的DNA微阵列数据分类

DNA微阵列数据特征维度高，包含噪音,属性之间以及属性与样本类别之间有着复杂的关联性。然而传统超网络的超边一般是从训练集中随机选取属性而组成，难以保证超边质量，而且其分类性能受超边初始化过程影响很大，导致效果不穗定。针对传统超网络的这一局限,提出一种基于残差分析的超网络分类模型。残差算法根据显著性检验，首先假设属性相互独立，然后根据95%的置信水平，运用残差分析，用落入拒绝域的属性值对超网络的超边库进行初始化，以获取关联性较高的超边集合。然后采用梯度下降法进行超网络的演化学习。对急性白血病、前列腺癌和肺癌数据集的实验表明：与传统演化超网络分类器相比，该方法不仅有较高的分类精度，而且提高了分类的稳定性和收敛性。