一种基于GPU的并行演化超网络DNA微阵列基因数据分类系统及方法

摘要

本发明提出了一种基于GPU的并行演化超网络DNA微阵列基因数据分类系统及其方法，涉及智能信息处理技术领域。对DNA微阵列数据进行预处理后，将经过处理后的二进制字符串作为超网络的输入信息，在主机的CPU上对超网络进行初始化，初始化后的超网络转交给GPU设备，将超边库分成多个组，分别在GPU上并行执行基于遗传算法的演化学，获取先验知识，搜索具有决策能力的最佳超边，演化完成后的超网络利用大量超边共同对输入样本进行分类。本发明在GPU上实现了基于遗传算法的超网络并行演化学，具有较短的学和识别时间，系统执行效率较高。超网络能够利用大量具有决策能力的个体共同对样本进行分类，具有较高的系统识别率和泛化能力。

主权项

一种基于并行演化超网络的DNA微阵列基因数据分类系统，其特征在于，该系统包括：数据预处理单元：对微阵列数据进行信噪比特征选择，提取与微阵列数据分类相关的特征基因，将每个微阵列数据样本进行二值化，处理后数据作为超网络的输入信息；初始化超网络模型：根据给定的经过预处理后DNA微阵列数据，从中抽取一部分作为训练集，根据输入的训练集样本产生超边，形成一个超边库，建立初始化超网络模型；超网络演化学习单元：将初始化超网络的超边库平均分成多个组，分配给GPU的各个线程模块，各线程模块中的线程并行执行基于遗传算法的演化学习过程，完成演化学习后的超网络获取训练集数据的先验知识，得到具有决策能力的最佳超边，超边包含对癌症分类起关键作用的特征基因组合；超网络分类器：超网络利用超边库中具有决策能力的超边与输入的待测DNA微阵列数据样本进行匹配运算，将匹配的超边按类别进行划分，取匹配成功次数最多的超边类别作为该输入的待测DNA微阵列数据样本的分类结果，比较训练样本的类别与分类结果，记下分类正确的样本数和分类不正确的样本数，对待测样本的类别进行判断；根据超网络对训练集样本分类正确与否，根据公式：计算超边的适应值，其中，#_c为超边的匹配值，#_w表示超边的错误值，α为错误预期值，β为正确预期值；每次从超边集合中随机抽取a个个体进行适应值对比，其中适应值最大的个体遗传到下一代演化中。