癌症是一个复杂的世界性健康问题,因其高死亡率而受到科学家的关注。随着高通量测序技术的快速发展,丰富的基因表达谱数据为癌症患者的精确诊断和决策提供了很好的信息。越来越多的机器学习方法被用于检测癌症,如SVM、决策树和神经网络。然而,这些诊断方法大多是监督学习方法。在生物信息学中,获取标签数据是昂贵的,现有的数据常常是不足够的,那么半监督学习在这种场景中可以发挥关键作用。本文中,将应用基于图卷积网络(GCN)的半监督学习算法来预测样本是否患癌。然后研究创新性地将GCN应用于基因选择。实验中使用TCGA数据库中的数据集来验证本文的方法。文中得到的实验结果充分证明了所使用模型的有效性,并且在标签稀疏的数据集上,也能超过很多经典的机器学习方法。 种基于图的卷积神经网络的半监督学习方法，来预测一个样本是否罹患癌症，本质上属于二分类问题。这种方法充分考虑了样本之间的相关性本文由公司网站张家港大棚弯管机 转摘采集转载中国知网整理! !   http://www.dapengwanguanji.com/，通过类似于图像中的卷积方法，图中的结点(即样本)通过卷积方式，安全驾驶行为识别-电动倒角机数控折弯机张家港电动钢管滚圆机折弯机不断从相邻结点获取信息。本文在TCGA的LUAD、UCEC、COAD的基因表达谱数据集上，利用图卷积网络进行分类。相比其它经典机器学习方法，GCN使用的训练样本虽少，但是却获得了更高的准确率和AUC。本文也改进了GCN网络结构，改进前只能用于解决分类问题，本次研究则将其用于特征选择问题，也就是选择与疾病相关的基因。研究中通过加入隐藏层，这个隐藏层的权值就是每个基因的权值。实验结果表明，改进后的GCN找出的相关基因可以很好地区分开正常和癌症样本。并且相比经典的特征选择方法，本文提出的改进后模型，可以选择出更多的疾病相关基因。同时也能探查挖掘一些未被发现的驾驶者非安全驾驶行为是引发恶性交通事故的重要原因,本文通过对于构成视频的图像序列提取时空兴趣点,扩展成Cuboid并进行向量化特征描述,得到驾驶员的动作行为的向量表示,然后使用PCA算法对于得到的特征向量进行降维,并使用K-means算法对其进行聚类,所得到的聚类中心作为Cuboid原型字典中心,最后,使用KNN算法对不同驾驶者的非安全驾驶行为进行有效识别分类。实验结果表明这种方法能够对于不同个体的体貌差异具有一定的容忍性,对于不同驾驶者的相似的非安全的驾驶行为具有较好的识别能力安全驾驶行为识别-电动倒角机数控折弯机张家港电动钢管滚圆机折弯机本文由公司网站张家港大棚弯管机 转摘采集转载中国知网整理! !   http://www.dapengwanguanji.com/