基于BTLBOGSA与CNN的基因微阵列数据分类模型

作者：赵晚昭; 谢聪^*

来源：广西科学, 2022, 29(02): 260-268.

DOI：10.13656/j.cnki.gxkx.20220526.005

• 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

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。

• 单位
  广西农业职业技术学院