CN112801163B - 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 - Google Patents
基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 Download PDFInfo
- Publication number
- CN112801163B CN112801163B CN202110088875.1A CN202110088875A CN112801163B CN 112801163 B CN112801163 B CN 112801163B CN 202110088875 A CN202110088875 A CN 202110088875A CN 112801163 B CN112801163 B CN 112801163B
- Authority
- CN
- China
- Prior art keywords
- mouse model
- hippocampal
- biomarker
- sample
- iteration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000090 biomarker Substances 0.000 title claims abstract description 90
- 238000010172 mouse model Methods 0.000 title claims abstract description 71
- 230000000971 hippocampal effect Effects 0.000 title claims abstract description 69
- 238000010187 selection method Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 20
- 101000831205 Danio rerio Dynein axonemal assembly factor 11 Proteins 0.000 claims description 6
- 102100024282 Dynein axonemal assembly factor 11 Human genes 0.000 claims description 6
- 241001559542 Hippocampus hippocampus Species 0.000 claims description 6
- 101000831210 Homo sapiens Dynein axonemal assembly factor 11 Proteins 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 abstract description 7
- 238000013145 classification model Methods 0.000 abstract description 6
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 210000001320 hippocampus Anatomy 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000011541 reaction mixture Substances 0.000 description 1
- -1 saving manpower Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法，包括：1：输入小鼠模型海马生物标记物样本数据；步骤2：对所述的小鼠模型海马生物标记物样本数据进行预处理；步骤3：构建与小鼠模型海马生物标记物训练样本对应的加权无向图；步骤4：通过鼠模型海马生物标记分类模型对待分类小鼠模型海马组织样本数据进行分类；步骤5：使用多目标优化算法动态更新加权无向图；步骤6：通过多目标优化算法的结果获得特征选择后的小鼠模型海马生物标记物。本发明能从大量的生物标记物样本中筛选出数量较少且重要性较高的生物标记物。
Description
技术领域
本发明属于生物技术领域，具体的说是一种基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法。
背景技术
随着生物技术手段的蓬勃发展，大量与基础生命活动相关的海马生物标记物被研究人员不断发现。目前海马生物标记物的特征选择方法主要是通过对比分析在实验组和对照组小鼠模型海马生物标记物的表达水平差异。传统的方法虽然具有解释性较高但是研究周期长并且要消耗较大的人力和物力，同时难以捕捉到不同标记物共同作用对实验的影响。
发明内容
本发明是为了解决上述现有技术存在的不足之处，提出一种基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法，以期能从大量的生物标记物样本中筛选出数量较少且重要性较高的生物标记物，从而有效提高筛选生物标记物的效率和准确性，同时也有利于缩短研究周期，降低研究开销。
本发明为达到上述发明目的，采用如下技术方案：
本发明一种基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法的特点是按如下步骤进行：
步骤1：采集T个小鼠模型海马组织样本，并测定第t个小鼠模型海马组织样本中d个生物标记物作为所述第t个小鼠模型海马组织样本的属性特征，记为xt，并有：
表示第t个小鼠模型海马生物标记物样本中第i个属性特征，t＝1，2，...，T；i＝1，2，...，d；令所述第t个小鼠模型海马生物标记物样本的标签记为yt，且yt∈{1，0}，yt＝1时，表示该样本为阳性样本，当yt＝0时，表示该样本为阴性样本；
步骤2：对所述第t个小鼠模型海马生物标记物样本的属性特征xt进行标准化处理，得到第t个小鼠模型海马生物标记物样本
并与所述第t个小鼠模型海马生物标记物样本的标签yt构成样本空间(x′t，yt)，从而得到T个小鼠模型海马生物标记物样本的训练数据集，记为
其中，
表示第t个小鼠模型海马生物标记物样本中第i个类别；
步骤3：采用皮尔逊积矩相关系数对训练数据集S中每两个小鼠模型海马生物标记物样本x′i和x′j计算其相关性，记为Wi，j；i，j∈{1，2，...，T}且i≠j；
步骤4：计算对训练数据集S中第i个小鼠模型海马生物标记物样本x′i的Fisher评分，记为Wi；i＝1，2，...，T；
步骤5：构建一个无向加权图OG＝<V，E>，所述无向加权图OG中的第i个点Vi代表训练数据集S中的第i小鼠模型海马生物标记物样本x′i，令Fisher评分Wi为第i个节点Vi的权重，令Wi，j为第i个点Vi与第j个Vj之间的边Ei，j的权重；
步骤6：保留所述无向加权图OG中与每个节点相连边的权重中较大的前λ个邻居边，得到一个新的无向加权图，记为CG＝<V′，E′>；
步骤7：根据新的无向加权图CG，通过进化多目标优化方法初始化一个包含N个个体的种群；
步骤8：定义当前迭代次数为p、最大迭代次数为P；定义当前独立迭代次数为q、最大独立迭代次数为Q；初始化p＝1；
步骤9：初始化q＝1；
步骤10：在第p次当前迭代的第q次当前独立迭代的每个种群中的N个个体在进入多目标种群独立进化过程中，根据无向加权图CG生成第p次当前迭代的第q次当前独立迭代个体k对应的子图
步骤11：从子图
中提取对应的生物标记物，并计算精度
和特征数
步骤12：根据第p次当前迭代的第q次当前独立迭代的个体k的精度
和特征数
计算第p次当前迭代的第q次当前独立迭代的拥挤距离
和适应度值
从而根据第p次当前迭代的第q次当前独立迭代的拥挤距离
和适应度值
选取Pareto前沿面中的个体存入外部存档Arc中，并选取一半子代个体作为第p次当前迭代的第q+1次当前独立迭代的父代个体；
步骤13：将q+1赋值给q，将p+1赋值给p后，重复步骤10至步骤12，直到达到所述最大独立迭代次数Q为止；
步骤14：计算外部存档Arc中每个个体对应生物标记物的辨别力，并根据生物标记物出现的不同次数计算所述新的无向加权图CG中每个节点权重的增量；
步骤15：用每个节点权重及其增量之和来更新新的无向加权图CG中每个节点的权重，并清空外部存档Arc；
步骤16：重复步骤9至步骤15，直到达到所述最大独立迭代次数P为止，并选取种群中精度最高的个体及其对应生物标记物，从而实现小鼠模型海马生物标记物的特征选择。与现有技术相比，本发明的有益效果在于：
1、本发明方法不同于传统的生物标记物特征选择方法，是通过从小鼠模型海马组织样本中测定小鼠模型海马组织样本的属性特征，利用于动态图结构的多目标优化训练小鼠模型海马生物标记物样本分类模型，从而能够从大量的生物标记物中快速高效筛选出数目较少的重要生物标记物，可以大规模节省人力物力财力，并可以达到与传统实验和统计分析方法结合相同或更高的精度。
2、本发明在训练小鼠模型海马生物标记物分类模型过程中，构造了一个与生物标记物对应的动态无向加权图，其结构和节点的权重将被动态调整，能够很好的度量生物标记物之间复杂的相互关系，以选择高质量的生物标记物，从而克服了传统方法不能有效度量多个生物标记物之间复杂关系的不足，使训练得到的分类模型优于传统分类模型，从而提高了小鼠模型海马生物标记物模型的分类性能和准确率。
3、本发明在训练小鼠模型海马生物标记物分类模型过程中，采取直接同时优化分类精度和特征数两个目标，从而克服了传统分类方法不能有效解决分类精度和特征数这两个矛盾的优化目标，能够在选择出分类精度较高的生物标记物的同时使得已选择的生物标记物的数目较少，有利于降低研究成本和复杂度。
附图说明
图1为本发明小鼠模型海马生物标记物的多目标特征选择方法的流程图；
图2为本发明将无向加权图划分为不同子结构的流程图。
具体实施方式
本实施例中，一种基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法，用以从小鼠模型海马生物标记物选出数目较少且重要性较高的部分生物标记物。具体地说，如图1所示，按如下步骤进行：
步骤1：采集T个小鼠模型海马组织样本，并测定第t个小鼠模型海马组织样本中d个生物标记物作为第t个小鼠模型海马组织样本的属性特征，记为xt，并有：
表示第t个小鼠模型海马生物标记物样本中第i个属性特征，t＝1，2，...，T；i＝1，2，...，d；令第t个小鼠模型海马生物标记物样本的标签记为yt，且yt∈{1，0}，yt＝1时，表示该样本为阳性样本，当yt＝0时，表示该样本为阴性样本。将小鼠模型海马生物标记物分类问题建模为阳性样本和阴性样本的二分类问题；
步骤2：对第t个小鼠模型海马生物标记物样本的属性特征xt进行标准化处理，将属性特征转换为分类器处理的数据格式，并对数据做适当的归一化，减小模型训练的计算复杂度，得到第t个小鼠模型海马生物标记物样本
并与第t个小鼠模型海马生物标记物样本的标签yt构成样本空间(x′t，yt)，从而得到T个小鼠模型海马生物标记物样本的训练数据集，记为
其中，μ′i t表示第t个小鼠模型海马生物标记物样本中第i个类别；
步骤3：采用皮尔逊积矩相关系数对训练数据集S中每两个小鼠模型海马生物标记物样本x′i和x′j计算其相关性，记为Wi，j；i，j∈{1，2，...，T}且i≠j；
步骤4：计算对训练数据集S中第i个小鼠模型海马生物标记物样本x′i的Fisher评分，记为Wi；i＝1，2，...，T；
步骤5：构建一个无向加权图OG＝<V，E>，无向加权图OG中的第i个点Vi代表训练数据集S中的第i小鼠模型海马生物标记物样本x′i，令Fisher评分Wi为第i个节点Vi的权重，令Wi，j为第i个点Vi与第j个Vj之间的边Ei，j的权重；构建的与生物标记物对应的无权加权图，能够很好地度量生物标记物之间复杂的相互关系。
步骤6：保留无向加权图OG中与每个节点相连边的权重中较大的前λ个邻居边，得到一个新的无向加权图，记为CG＝<V′，E′>，这一步骤可以精简步骤5的无向加权图OG中相关性较低的边，在可接受的模型精度损失范围内降低后续计算复杂度。
步骤7：根据新的无向加权图CG，通过进化多目标优化方法初始化一个包含N个个体的种群，种群中个体的长度与无向加权图CG中边的数目相同，个体采用“0-1”编码，“1”表示对应的边包含在个体中，“0”表示对应的边未包含在个体中。
步骤8：定义当前迭代次数为p、最大迭代次数为P；定义当前独立迭代次数为q、最大独立迭代次数为Q；初始化p＝1；
步骤9：初始化q＝1；
步骤10：在第p次当前迭代的第q次当前独立迭代的每个种群中的N个个体在进入多目标种群独立进化过程中，根据无向加权图CG生成第p次当前迭代的第q次当前独立迭代个体k对应的子图
步骤11：对于子图
中的节点i，根据式(1)计算对应的中心性c′i：
式(1)中,[...]是取整函数，ci表示节点i的度，
是连接到节点i的所有边的权重总和。如图2所示，依据c′i值的大小将子图
从外向内划分为不同层次结构，从划分不同层次结构后的子图
中提取最内层的节点作为的生物标记物，构建分类模型并计算精度
和特征数
步骤12：根据第p次当前迭代的第q次当前独立迭代的个体k的精度
和特征数
计算第p次当前迭代的第q次当前独立迭代的拥挤距离
和适应度值
从而根据第p次当前迭代的第q次当前独立迭代的拥挤距离
和适应度值
选取Pareto前沿面中的个体存入外部存档Arc中，Arc中的个体将作为优秀个体，指导后续步骤中节点权重的变化。选取一半子代个体作为第p次当前迭代的第q+1次当前独立迭代的父代个体；
步骤13：将q+1赋值给q，将p+1赋值给p后，重复步骤10至步骤12，直到达到最大独立迭代次数Q为止；
步骤14：将外部存档Arc中个体i对应的特征子集为fsi，将样本集合T中的所有样本投影到特征子集fsi上并将投影后的样本集合命名为
根据式(2)计算外部存档Arc中每个个体对应生物标记物的辨别力
式(2)中，
表示与样本
同一类别中相连边权重较大样本的距离，
表示与样本
不同的类别中相连边权重较小样本的距离；
的值越高，意味着特征子集fsi中的特征越有助于分类，使用
这一指标可以实现动态更新无向加权图CG中节点的权重，选择更优的特征子集。
步骤15：根据生物标记物出现的不同次数，根据式(3)计算新的无向加权图CG中每个节点j的权重增量ΔWj：
式(3)中fsi，j表示特征子集fsi中特征j的权重值；
步骤16：用每个节点权重及其增量之和Wj+ΔWj来更新无向加权图CG中每个节点的权重，并清空外部存档Arc；
步骤17：重复步骤9至步骤16，直到达到最大独立迭代次数P为止，并选取种群中精度最高的个体及其对应生物标记物，从而实现小鼠模型海马生物标记物的特征选择。
通过仿真数据集的例子来说明本发明的具体实施方法和验证本发明方法的效果。
1)、准备标准数据集
本发明使用Madelon数据集作为标准数据集验证小鼠模型海马生物标记物的多目标特征选择方法的有效性，Madelon数据集是广泛应用于特征选择问题的标准数据集。在Madelon数据集中，包含2000条数据即对应采集到的2000个小鼠模型海马组织样本，使用全部样本来验证本发明对于小鼠模型海马生物标记物的特征选择的性能。对于这2000个训练样本，将其划分为训练样本和测试样本数据。
2)、评价指标
采用分类精度和特征数目作为本实例的评价指标，用来评测在不同的小鼠模型海马组织样本上本发明实现特征选择的性能。分类精度值越高且特征数目越少，表示特征选择效果越好。
3)、在标准数据集上进行实验
为了验证本发明所提方法的有效性，将本发明的分类算法(GBFSSND)与此前经典的GCNC算法、UGFS算法和PSO(4-2)算法在Madelon数据集上进行建模和预测，并将它们的分类精度和特征数目进行比较。实验结果如表1所示。
表1对比实验结果
从表1可以看出在标准数据集Madelon中，本发明的GBFSSND特征选择算法相较于其他三个算法，在获得较低特征数目的同时还能获得较高的分类精度，继而体现出本发明的有效性。
Claims (1)
1.一种基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法，其特征是按如下步骤进行：
步骤1：采集T个小鼠模型海马组织样本，并测定第t个小鼠模型海马组织样本中d个生物标记物作为所述第t个小鼠模型海马组织样本的属性特征，记为xt，并有：
表示第t个小鼠模型海马生物标记物样本中第e个属性特征，t＝1，2，...，T；e＝1，2，…，d；令所述第t个小鼠模型海马生物标记物样本的标签记为yt，且yt∈{1，0}，yt＝1时，表示该样本为阳性样本，当yt＝0时，表示该样本为阴性样本；
步骤2：对所述第t个小鼠模型海马生物标记物样本的属性特征xt进行标准化处理，得到第t个小鼠模型海马生物标记物样本
并与所述第t个小鼠模型海马生物标记物样本的标签yt构成样本空间(x′t，yt)，从而得到T个小鼠模型海马生物标记物样本的训练数据集，记为
其中，
表示第t个小鼠模型海马生物标记物样本中第e个类别；
步骤3：采用皮尔逊积矩相关系数对训练数据集S中每两个小鼠模型海马生物标记物样本x′i和x′j计算其相关性，记为Wi，j；i，j∈{1，2，...，T}且i≠j；
步骤4：计算对训练数据集S中第i个小鼠模型海马生物标记物样本x′i的Fisher评分，记为Wi；i＝1，2，...，T；
步骤5：构建一个无向加权图OG＝<V，E>，所述无向加权图OG中的第i个点Vi代表训练数据集S中的第i小鼠模型海马生物标记物样本x′i，令Fisher评分Wi为第i个节点Vi的权重，令Wi，j为第i个点Vi与第j个点Vj之间的边Ei，j的权重；
步骤6：保留所述无向加权图OG中与每个节点相连边的权重中较大的前λ个邻居边，得到一个新的无向加权图，记为CG＝<V′，E′>；
步骤7：根据新的无向加权图CG，通过进化多目标优化方法初始化一个包含N个个体的种群；
步骤8：定义当前迭代次数为p、最大迭代次数为P；定义当前独立迭代次数为q、最大独立迭代次数为Q；初始化p＝1；
步骤9：初始化q＝1；
步骤10：在第p次当前迭代的第q次当前独立迭代的每个种群中的N个个体在进入多目标种群独立进化过程中，根据无向加权图CG生成第p次当前迭代的第q次当前独立迭代个体k对应的子图
步骤11：从子图
中提取对应的生物标记物，并计算精度
和特征数
步骤12：根据第p次当前迭代的第q次当前独立迭代的个体k的精度
和特征数
计算第p次当前迭代的第q次当前独立迭代的拥挤距离
和适应度值
从而根据第p次当前迭代的第q次当前独立迭代的拥挤距离
和适应度值
选取Pareto前沿面中的个体存入外部存档Arc中，并选取一半子代个体作为第p次当前迭代的第q+1次当前独立迭代的父代个体；
步骤13：将q+1赋值给q，将p+1赋值给p后，重复步骤10至步骤12，直到达到所述最大独立迭代次数Q为止；
步骤14：计算外部存档Arc中每个个体对应生物标记物的辨别力，并根据生物标记物出现的不同次数计算所述新的无向加权图CG中每个节点权重的增量；
步骤15：用每个节点权重及其增量之和来更新新的无向加权图CG中每个节点的权重，并清空外部存档Arc；
步骤16：重复步骤9至步骤15，直到达到所述最大迭代次数P为止，并选取种群中精度最高的个体及其对应生物标记物，从而实现小鼠模型海马生物标记物的特征选择。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110088875.1A CN112801163B (zh) | 2021-01-22 | 2021-01-22 | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110088875.1A CN112801163B (zh) | 2021-01-22 | 2021-01-22 | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112801163A CN112801163A (zh) | 2021-05-14 |
| CN112801163B true CN112801163B (zh) | 2022-10-04 |
Family
ID=75811227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110088875.1A Active CN112801163B (zh) | 2021-01-22 | 2021-01-22 | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112801163B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115966739B (zh) * | 2023-03-13 | 2023-06-02 | 湖北工业大学 | 基于改进海马优化算法的燃料电池参数辨识方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578132A (zh) * | 2017-09-11 | 2018-01-12 | 天津工业大学 | 一种基于免疫优化的垃圾车路径获取方法 |
| CN108090513A (zh) * | 2017-12-19 | 2018-05-29 | 天津科技大学 | 基于粒子群算法和典型关联分析法的多生物特征融合算法 |
| CN108681570A (zh) * | 2018-05-04 | 2018-10-19 | 安徽大学 | 一种基于多目标进化算法的个性化网页推荐方法 |
| CN108897990A (zh) * | 2018-06-06 | 2018-11-27 | 东北大学 | 面向大规模高维序列数据的交互特征并行选择方法 |
| CN109145960A (zh) * | 2018-07-27 | 2019-01-04 | 山东大学 | 基于改进粒子群算法的数据特征选择方法及系统 |
| CN110880354A (zh) * | 2019-10-24 | 2020-03-13 | 广东药科大学 | 一种基于群体智能的药物-靶标相互作用预测方法 |
| CN112183459A (zh) * | 2020-10-20 | 2021-01-05 | 安徽大学 | 一种基于进化多目标优化的遥感水质图像分类方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8190539B2 (en) * | 2008-06-11 | 2012-05-29 | International Business Machines Corporation | Evolutionary facial feature selection |
| US8838510B2 (en) * | 2011-09-16 | 2014-09-16 | International Business Machines Corporation | Choosing pattern recognition algorithms and data features using a genetic algorithm |
| US10523682B1 (en) * | 2019-02-26 | 2019-12-31 | Sailpoint Technologies, Inc. | System and method for intelligent agents for decision support in network identity graph based identity management artificial intelligence systems |
-
2021
- 2021-01-22 CN CN202110088875.1A patent/CN112801163B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107578132A (zh) * | 2017-09-11 | 2018-01-12 | 天津工业大学 | 一种基于免疫优化的垃圾车路径获取方法 |
| CN108090513A (zh) * | 2017-12-19 | 2018-05-29 | 天津科技大学 | 基于粒子群算法和典型关联分析法的多生物特征融合算法 |
| CN108681570A (zh) * | 2018-05-04 | 2018-10-19 | 安徽大学 | 一种基于多目标进化算法的个性化网页推荐方法 |
| CN108897990A (zh) * | 2018-06-06 | 2018-11-27 | 东北大学 | 面向大规模高维序列数据的交互特征并行选择方法 |
| CN109145960A (zh) * | 2018-07-27 | 2019-01-04 | 山东大学 | 基于改进粒子群算法的数据特征选择方法及系统 |
| CN110880354A (zh) * | 2019-10-24 | 2020-03-13 | 广东药科大学 | 一种基于群体智能的药物-靶标相互作用预测方法 |
| CN112183459A (zh) * | 2020-10-20 | 2021-01-05 | 安徽大学 | 一种基于进化多目标优化的遥感水质图像分类方法 |
Non-Patent Citations (5)
| Title |
|---|
| A Community Structure Enhancement-Based Community Detection Algorithm for Complex Networks;Yansen Su et al;《IEEE TRANSACTIONS ON SYSTEMS, MAN, AND CYBERNETICS: SYSTEMS》;20190604;2833-2846 * |
| Evolutionary Population Dynamics and Grasshopper Optimization approaches for feature selection problems;Majdi Mafarja et al;《Knowledge-Based Systems》;20181231;1-21 * |
| Integration of multi-objective PSO based feature selection and node centrality for medical datasets;Mehrdad Rostami et al;《Genomics》;20200725;4370–4384 * |
| Multi-Objective Optimization of Critical Node Detection Based on Cascade Model in Complex Networks;Lei Zhang et al;《IEEE TRANSACTIONS ON NETWORK SCIENCE AND ENGINEERING》;20200930;第7卷(第3期);2052-2066 * |
| 基于社团检测的粒子群优化特征选择算法的研究;万江船;《中国优秀硕士学位论文全文数据库信息科技辑》;20200715;第2020年卷(第7期);I138-516 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112801163A (zh) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111312329B (zh) | 基于深度卷积自动编码器的转录因子结合位点预测的方法 | |
| CN108446741B (zh) | 机器学习超参数重要性评估方法、系统及存储介质 | |
| CN108038492A (zh) | 一种基于深度学习的感性词向量及情感分类方法 | |
| CN112102899A (zh) | 一种分子预测模型的构建方法和计算设备 | |
| CN115131618B (zh) | 基于因果推理的半监督图像分类方法 | |
| CN107016416B (zh) | 基于邻域粗糙集和pca融合的数据分类预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN112348360A (zh) | 一种基于大数据技术的中药生产工艺参数分析系统 | |
| CN112801163B (zh) | 基于动态图结构的小鼠模型海马生物标记物的多目标特征选择方法 | |
| CN115526246A (zh) | 一种基于深度学习模型的自监督分子分类方法 | |
| CN115881232A (zh) | 一种基于图神经网络和特征融合的scRNA-seq细胞类型注释方法 | |
| CN108596118B (zh) | 一种基于人工蜂群算法的遥感影像分类方法及系统 | |
| Tiruneh et al. | Feature selection for construction organizational competencies impacting performance | |
| Patra et al. | Deep learning methods for scientific and industrial research | |
| CN117493813A (zh) | 一种城市碳强度的分析方法及相关设备 | |
| CN116110526B (zh) | 一种钛合金应力腐蚀临界应力强度因子预测方法 | |
| CN117173697A (zh) | 细胞团分类识别方法、装置、电子设备及存储介质 | |
| CN111708865A (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 | |
| CN116521863A (zh) | 一种基于半监督学习的标签抗噪文本分类方法 | |
| CN115758462A (zh) | 信创环境下实现敏感数据识别的方法、装置、处理器及其计算机可读存储介质 | |
| CN114334168A (zh) | 结合协同学习策略的粒子群混合优化的特征选择算法 | |
| CN114548212A (zh) | 一种水质评价方法及系统 | |
| CN113177604B (zh) | 一种基于改进l1正则化和聚类的高维数据特征选择方法 | |
| CN118394944B (zh) | 基于深度学习的主题建模与情感分析方法及系统 | |
| CN110782950A (zh) | 基于偏好网格和莱维飞行的多目标粒子群算法的肿瘤关键基因识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |