使用SVM的纠错输出码(HE-ECOC)(Liu等人, 2016年),马尔可
夫毯(MB)与NB(王,2014年)和分布式排名过滤器(DRF)与基
于相关性的特征选择(CFS)(Bolón-Canedo等人,2015年)。这些
包装器方法能够发现基因-基因相互作用,从而提高基因选择过程的性
能 。 然 而 , 在 高 维 数 据 的 情 况 下 , 这 些 技 术 的 计 算 开 销 很 高
(Alshamlan等人,2015年)。混合方法是将过滤器方法和包装器方法
的优点结合起来的一种方法 在该方法中,首先应用过滤器技术来选
择最显著的基因,然后应用包装器方法来搜索基因的最佳子集。
在高维癌症数据的分类中,两个主要目标是集中的,即最小化基因
的数量(NoG)和最大化分类准确率(CAP)。因此,该问题可以映射
为二元多目标模型.近年来,几种多目标优化技术吸引研究人员同时最小
化NoG和最大化CAP,而不是单目标优化技术,即NSGA-II(Ravi等
人, 2017)、MOPSO(Zhao和Suganthan,2011)、MOCGA(Qi
等人, 2006)、多目标萤火虫算法(MOFA)(Marichelvam等人,
2013 ) 、 CMOPSO ( Sun 等 人 , 2019 ) 、 多 目 标 重 力 搜 索 算 法
( MOGSA ) ( Rashedi 等 人 , 2018 ) 、 基 于 多 目 标 教 学 的 优 化
( MOTLBO ) ( Patel 和 Savsani , 2016 ) 和 多 目 标 差 分 进 化
(MODE)算法(Cheng等人, 2016年)。
虽然这些方法有效地处理了多目标问题中的一个特定问题,但它们
不能解决所有优化模型中的各种问题。因此,总是存在着解决具有不同
特征的问题的新方法的可能性。通常,元启发式算法经历
该模型在
10
个基准高维癌症数据集上实现
.
此外,该算法与其他
17
个现有的模型,也进行了比较。一些性能指标,如
10
倍交叉验证方
法的准确性,选择的
NoG
,灵敏度,
MCC
,
F-
测量,和特异性被用
来衡量所提出的算法的有效性
其余部分的工作安排如下:第2节讨论所有支持和建议的方法部分。
第3节涵盖了实验设置部分。第四部分是结果分析部分。结论部分在第5
中讨论。
2.
方法
本节讨论了本研究中使用的所有支持和建议的方法。
2.1.
KELM
模型
Huang
等人(
Huang
,
2011
)提出了
KELM
,其中内核函数在
基本
ELM
中解释。
KELM
将线性不可分模型映射到高维特征空间,
实现线性可分性,提高了分类准确率。
在基本ELM;gshbh1
由方程式(1),g
(
s
)
表示输出函数,s表示样本,h
(
s
)
和H表示隐
藏层的输出矩阵,b表示输出权重。为了使KELM更加普遍化,
稳定,则添加正则化参数(C)。现在,
B
将是COM-
推测如下:
特定的搜索空间。在集约化阶段,该算法探索整个有利区域的最佳结
果,然后是多样化阶段(Lozano和García-Martínez,2010)。在这
里,采用Jaya优化算法(Rao,2016),因为该算法在这两个阶段之间
进行了适当的平衡。不仅如此,Jaya算法能够处理约束和无约束优化
问题
.
它是在保留最好的基础上设计的,
在这项工作中,径向基函数(RBF)作为核函数(黄和Siew,2004
年)。径向基核可以表示如下:
Kx;y
e
-ak
x
-
y
k5
其中
a
表示内核参数。 从等式(4)Eq. 显然,KELM取决于两个参
数,例如正则化系数(C)和核参数(
a
)。因此,这些参数将被有效地
优化。
2.2.
Jaya
算法
Jaya
是一种优化(
Rao
,
2016
)方法,不需要任何特定的面向算
法的参数。该算法计算时间短,实现复杂度低,收敛速度快
. Jaya
算
法的步骤详细说明为算法
1
: