发明名称 |
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。 |
申请公布号 |
CN103258147B |
申请公布日期 |
2016.12.28 |
申请号 |
CN201310200205.X |
申请日期 |
2013.05.24 |
申请人 |
重庆邮电大学 |
发明人 |
王进;黄萍丽;孙开伟 |
分类号 |
G06F19/24(2011.01)I |
主分类号 |
G06F19/24(2011.01)I |
代理机构 |
重庆市恒信知识产权代理有限公司 50102 |
代理人 |
刘小红 |
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:<img file="FDA0001107797800000011.GIF" wi="310" he="118" />计算超边的适应值,其中,#<sub>c</sub>为超边的匹配值,#<sub>w</sub>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。 |
地址 |
400065 重庆市南岸区黄桷垭崇文路2号 |