[发明专利]基于流形学习与闭环深度卷积双网络模型的基因特征提取方法

摘要

一种基于流形学习与闭环深度卷积双网络模型的基因特征提取方法，包括以下步骤：第一步，基于流形学习的癌症关联基因特征粗提取，第二步，基于闭环深度卷积双网络结构的基因特征精细提取，过程如下：采用正向卷积神经网络和反向卷积神经网络相结合的双网络结构，利用卷积神经网络的特征提取能力对基因表达数据集进行深度抽象，最终投影出关键特征；反向卷积神经网络实现关键特征的逆投影。本发明提供一种最大程度保留基因特征并实现快速降维的基于流形学习与闭环深度卷积双网络模型的基因特征提取方法。

主权项

一种基于流形学习与闭环深度卷积双网络模型的基因特征提取方法，其特征在于：所述提取方法包括以下步骤：第一步，基于流形学习的癌症关联基因特征粗提取，过程如下：1.1运用自适应密度聚类算法对基因表达数据做初始聚类处理，实现聚类中心的自动确定，对于聚类完成的每个类在类内降维为线性模型；1.2建立局部线性模型间的最小穿越树MST，将每个小线性模型根据它的聚类中心构成一个树的框架，采用其聚类中心作为线性模型代表，将所有聚类中心建立一个MST树，不断迭代相邻两个线性模型映射到同一线性模型构建遍历的骨架；1.3遍历流形的全局MST，沿着MST的框架将一个线性模型映射到另一个线性模型上，把已遍历过的映射合并为整块的线性模型映射到新的线性模型的方向上，最终流形形成在高维空间中的低维表示；1.4通过在全局超线性模型上运行独立分量分析ICA，再对高维空间的低维线性模型降维，将低维线性模型在低维空间中显示；第二步，基于闭环深度卷积双网络结构的基因特征精细提取，过程如下：采用正向卷积神经网络和反向卷积神经网络相结合的双网络结构，利用卷积神经网络的特征提取能力对基因表达数据集进行深度抽象，最终投影出关键特征；反向卷积神经网络实现关键特征的逆投影。