[发明专利]基于集成极端学习机的肿瘤基因表达谱数据识别方法

权利要求书

1.一种基于集成极端学习机的肿瘤基因表达谱数据识别方法，包括成员ELM的选择和成员ELM间的集成步骤，其特征在于，包括下列步骤：

步骤1：肿瘤基因表达谱数据集的预处理，包括肿瘤表达谱数据的基因选择和归一化；

步骤2：对步骤1中得到的数据集通过Bagging方法按一定的比例来生成N个样本集，并将这N个样本集再按一定比例生成N个训练集和验证集；

步骤3：在步骤2中的N个训练集上学习生成N个极端学习机，根据N个ELM在相应验证集上的识别率选出最高的L个ELM(L<N)组成备选成员ELM库；

步骤4：以集成系统中成员ELM间的差异度为优化目标，利用标准粒子群优化算法从L个ELM中优化选取组成集成系统的K个成员极端学习机(K<L)；

步骤5：利用极小范数最小二乘法计算出K个成员极端学习机的集成投票权重；

步骤6：将求得的K个投票权重对相应的K个成员极端学习机进行集成，得到一个集成ELM系统，将该集成ELM系统对新增肿瘤基因表达谱样本进行肿瘤识别。

2.根据权利要求1所述的基于集成极端学习机的肿瘤基因表达谱数据识别方法，其特征在于，所述步骤4中进一步包含下列步骤：

步骤4.1：对种群中每个粒子的位置和速度进行初始化；从L个ELM中随机选取的K个ELM，把这K个ELM的编号作为粒子的初始位置即每一粒子表示一组成员学习机，粒子初始速度从(0,1)内随机获取；在K维空间里第i个粒子的位置可表示为矢量x_i＝(x_i1,x_i2,…,x_iK),k＝1,2,…,K，x_ik表示第i个集成系统的第k个成员学习机，粒子飞行的速度表示为矢量v_i＝(v_i1,v_i2,…,v_ik)；

步骤4.2：依据以下公式调整粒子的当前速度和位置：

v_id(t+1)＝w×v_id(t)+c₁×rand(t)×(p_id(t)-x_id(t))+c₂×rand(t)×(p_gd(t)-x_id(t))  (1)

x_id(t+1)＝x_id(t)+v_id(t+1)   (2)

步骤4.3：根据式(4)算出各个粒子的适应值；

以成员间的相似度作为标准粒子群优化中的适应度函数，这里的相似度是任意两个ELM的输入层权值矩阵和隐单元阈值向量转化的两个向量间的夹角余弦；若余弦值越小，意味着两个向量间夹角越大，表明两个ELM的输入权值矩阵和隐单元阈值间的差异越大，从而两个ELM的差异度越大；将成员间的差异性转化为两个向量间的夹角的余弦，通过计算夹角余弦来计算成员间的差异度，具体如下：

cosθ=α·β|α|·|β|---(3)]]>

fitness(i)=Σk1=1KΣk2=k1+1Kcosθik1k2=Σk1=1KΣk2=k1+1Kαik1·αik2T|αik1|·|αik2T|---(4)]]>

其中

Zik=[WHik;Bik],αik=(Zik(:))T,Bik=[b11,b21,...,bH1]H×1T,]]>

WHik=wh11wh12...wh1nwh21wh22...wh2n............whH1whH2...whHNH×n;]]>

式(3)中的α,β分别表示两个向量，θ表示这两个向量间的夹角；WH_ik，B_ik，Z_ik分别表示第i个粒子第k维成员ELM的输入权值矩阵、隐层阈值向量和它们的连接矩阵，α_ik表示Z_ik按照列的形式转化成的一个行向量，表示第i个粒子中第k₁和第k₂个分量所代表的的两个ELM的夹角余弦值；若余弦值越小即夹角越大，则两者间相似度越小从而两个ELM的差异度越大；反之，两者间差异度越小。fitness(i)表示第i个粒子中任意两两成员ELM间相似度值的总和，fitness(i)值越小，表示第i个粒子中的各个ELM间的整体相似度越小，即该粒子代表的集成系统中成员间的差异度越大；粒子位置各分量是被选中成员ELM的编号，速度在每一次迭代完都取整；同时，粒子的位置只在[1，L]内取值，若某个粒子某一位置的值大于L，则取L，若小于1，则取1；

步骤4.4：在粒子群优化过程中，将各个粒子的相似度值与其所经过的最优位置P_i(历史最优位置)的相似度值进行比较，若较小，则更新当前粒子历史最优位置为当前粒子；

步骤4.5：在粒子群优化过程中，将各个粒子的相似度值与全局最优位置P_g的相似度值进行对比，若较小，则更新全局最优粒子为当前粒子；

步骤4.6：如未达到预期的目标(一般全局最优粒子具有足够好的适应度值)或未达到预先设定的最大迭代次数，则返回至步骤4.2，否则转至步骤4.7；

步骤4.7：输出全局最优粒子，该粒子代表最终选出最优的成员ELM集合。

3.根据权利要求1所述的基于集成极端学习机的肿瘤基因表达谱数据识别方法，其特征在于，所述步骤5中进一步包含下列步骤：

步骤5.1：根据步骤4中优选出的K个ELM计算在肿瘤基因表达谱数据集上的输出，判断出在所有样本的输出类别，记下类别标签；式(5)表示K个ELM在肿瘤基因表达谱数据集Ntr个样本上的输出类别标签矩阵，YY_l,k表示第k个ELM在第l个样本上的输出类别；

YY=YY1,1YY1,2...YY1,KYY2,1YY2,2...YY2,K............YYNtr,1TTNtr,2...YYNtr,K---(5)]]>

步骤5.2根据极小范数最小二乘法求出集成系统的投票权重，即按式(7)求出式(6)中β的极小范数最小二乘解；

最优的集成系统投票权值β向量应满足式(6)，其中T表示肿瘤基因表达谱数据集上Ntr个样本的期望输出类别向量，β_k表示集成系统中第k个ELM的投票权重，

(YY)β＝T   (6)

其中

T＝[t₁,t₂,…,t_Ntr]^T,β＝[β₁,β₂,…,β_K]^T

采用极小范数最小二乘法求集成系统的投票权向量，如下式：

β^=YY+T---(7)]]>

YY⁺是K个ELM上Ntr个样本的输出类别标签矩阵的摩尔彭德诺斯广义逆。