文献类型：期刊文章

作　　者：陆慧娟[1,2] 安春霖[2] 马小平[1] 郑恩辉[3] 杨小兵[2]

机构地区：[1]中国矿业大学信息与电气工程学院,江苏徐州221008 [2]中国计量学院信息工程学院,杭州310018 [3]中国计量学院机电工程学院,杭州310018

出　　处：《计算机学报》

基　　金：国家自然科学基金(61272315;60842009;60905034);浙江省自然科学基金(Y1110342;Y1080950);浙江大学包氏留学基金资助~~

年　　份：2013

卷　　号：36

期　　号：2

起止页码：341-348

语　　种：中文

收录情况：BDHX、BDHX2011、CSA、CSA-PROQEUST、CSCD、CSCD2013_2014、EI(收录号：20131216135848)、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：选择性集成学习已经成为分析基因表达数据、获取生物学信息的有力工具.为了更好地挖掘基因表达数据,利用极限学习机的集成,克服单个ELM用于数据分类时性能欠稳定的缺点,文中提出了一种基于输出不一致测度的ELM相异性集成算法(D-D-ELM).算法首先以输出不一致测度为标准对多个ELM模型进行相异性判断,其次根据ELM的平均分类精度剔除掉相应的模型,最后对筛选后的分类模型用多数投票法进行集成.算法被运用到Breast、Leukemia、Colon、Heart基因表达数据上,并通过理论和实验得到验证.实验结果的统计学分析表明D-D-ELM能够以更少的模型数量达到较稳定的分类精度.

关 键 词：极限学习机 基因表达数据 集成算法  输出不一致测度  分类  

分 类 号：TP181]