16、基因表达数据诊断与水下航行器路径规划的智能方法

基因表达数据诊断与水下航行器路径规划的智能方法

基因表达数据诊断的集成学习方法

1. 背景与目标

基因与疾病密切相关，包含着关于身体状况的宝贵信息。通过对基因数据集的恰当分析，能够在很大程度上降低死亡率。先进的机器学习方法，如集成方法、专家系统和人工智能，被广泛应用于医疗保健问题。本文提出了一种先进、稳健的扩展集成机器学习模型，用于医疗诊断。

2. 相关工作

众多研究人员在基因表达数据的集成学习方面开展了大量工作：
- Adulaziz 等人（2020）提出了一种有效的集成提升学习方法 EBL - RBFNN，对癌症基因表达数据集的分类准确率达到 98.4%。
- Abasi 等人（2021）使用稳定套索（SCOPE）从大量基因中确定核心基因。
- Nair 等人（2019）利用 ElStream 和多数投票技术进行基因表达分析。

3. 提出的方法

本研究提出了一个两阶段的方法，用于高效诊断医疗保健微阵列数据：
- 第一阶段 ：采用统计方法（如 Luka、Passiluukka）、模糊熵测量和受动物利他行为启发的鲸鱼优化算法（AltWOA）进行特征选择。
- 第二阶段 ：设计一个扩展的集成预测模型，结合异构基分类器、投票分类器、堆叠分类器和混合分类器。

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;