丁凌
- 作品数：4 被引量：5H指数：1
- 供职机构：重庆邮电大学更多>>
- 发文基金：教育部留学回国人员科研启动基金国家自然科学基金重庆市自然科学基金更多>>
- 相关领域：自动化与计算机技术更多>>
- 演化超网络在多类型癌症分子分型中的应用被引量：5
- 2013年
- 该文提出一种用于多类型癌症分子分型的演化超网络模式识别方法。首先采用"一对多"方法,将一个多类分型问题转化为多个二类分型问题;然后利用信噪比方法对DNA微阵列数据进行信息基因选择;经过超网络对训练集的演化学习,构造一系列二类分类器并进行集成,最终构建一个多类型癌症分型系统并对待测样本进行分类。对急性白血病、儿童小圆蓝细胞肿瘤和GCM数据集实验结果表明:演化超网络留一交叉验证(LOOCV)识别率分别为:98.61%,100%和85.35%。演化超网络有利于挖掘癌症相关基因,具有良好的学习结果可读性。
- 王进丁凌孙开伟李钟浩
- 关键词：模式识别微阵列
- Bagging选择性集成演化硬件DNA微阵列数据分类方法
- 2013年
- 为了提高演化硬件(EHW)分类系统的泛化能力和减少硬件代价,提出了一种用于DNA微阵列数据分类的演化硬件多分类器选择性集成学习方法。重点讨论了基于Bagging的选择性集成学习策略和基于虚拟可重构结构的演化硬件分类系统构架。通过对原始数据训练集的随机重采样生成训练子集完成对演化硬件基分类器的训练,并选择其中识别率较高的基分类器进行集成以获得更高的分类性能。演化硬件分类系统对DNA微阵列数据的学习与分类均在Xilinx Virtex xcv2000E FPGA硬件平台上实现。通过对急性白血病和肺癌数据集的对比实验表明:相对于传统演化硬件集成学习方法,这种方法在保证较高识别率的基础上有效降低了硬件代价,且具有更短的学习时间和较强的泛化能力。
- 王进冉仟元丁凌赵蕊
- 关键词：BAGGINGDNA微阵列
- 基于演化超网络集成的癌症分子分型方法
- 癌症的正确分类是现代癌症治疗的重要组成部分，准确的癌症诊断可以为癌症患者采取适合的治疗方法提供帮助。传统的癌症诊断方法主要依据症状、体征、影像检查、组织细胞病理等临床和组织病理学信息进行诊断，存在诊断时间长，花费高等缺点...
- 丁凌
- 关键词：癌症诊断生物传感器基因芯片
- 过滤特征基因选择及演化硬件急性白血病分型被引量：1
- 2012年
- 提出一种基于虚拟可重构结构的内部演化硬件癌症分子分型方法.为有效处理DNA微阵列数据和便于硬件实现,对比研究了5种基于过滤模式的信息基因选择方法.演化硬件通过系统学习和系统分类两个阶段对经过特征选择的信息基因进行处理.对急性白血病数据集的实验结果表明,基于信噪比信息基因选择方法的演化硬件分类器识别率最高.演化硬件具有和其他传统模式识别方法可比的识别率,识别时间仅需0.12μs.
- 王进丁凌孙开伟李钟浩
- 关键词：模式识别演化硬件微阵列分子分型
