[发明专利]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

权利要求书

1.一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，对待测样本的类别进行判断。

2.根据权利要求1所述的分类系统，其特征在于，通过对训练样本的特征进行随机采样产生包含样本的特征组合及样本的类别标识的超边。

3.根据权利要求1或2所述的分类系统，其特征在于，超边库中的每组超边作为遗传算法中的一个子种群，每条超边对应子种群中的一个个体，每个子种群在GPU的一个线程模块上并行执行演化学习，演化学习过程包括：训练集分类、适应值计算、选择、交叉和变异。

4.根据权利要求1或2所述的分类系统，其特征在于，根据超网络对训练集样本分类正确与否，根据公式：计算超边的适应值，其中，#_c为超边的匹配值，#_w表示超边的错误值，α为错误预期值；β为正确预期值。

5.根据权利要求3所述的分类系统，其特征在于，每完成一代演化，子种群间进行一次优秀个体迁移，子种群中适应值较大的超边向邻近子种群迁移，代替邻近子种群中适应值较小的超边，形成一个定向迁移环。

6.一种基于并行演化超网络的DNA微阵列基因数据分类方法，其特征在于，该方法包括：数据预处理单元对微阵列数据进行信噪比特征选择，得到的特征向量作为微阵列数据分类的样本数据库，将每个微阵列数据样本进行二值化，抽取一部分数据作为超网络的训练集；初始化超网络单元根据输入训练集样本数据产生超边，组成超网络超边库，构建初始化超网络模型；超网络演化学习单元将超网络超边库中的超边平均分组，将每条超边分配给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，完成演化学习后的超网络获取训练集数据的先验知识，搜索到具有决策能力的最佳超边；超网络分类器：利用超边库中具有决策能力的超边与输入的待测样本进行匹配，对待测样本的类别进行判断。

7.根据权利要求6所述的分类方法，其特征在于，通过对训练样本的特征进行随机采样产生包含样本的特征组合及样本的类别标识的超边。

8.根据权利要求6或7所述的分类方法，其特征在于，超边库中的每组超边作为遗传算法中的一个子种群，每条超边对应子种群中的一个个体，每个子种群在GPU的一个线程模块上并行执行演化学习，演化学习过程包括：超网络的演化学习进程分为多个并行线程块，分别分配给GPU的各个网格，将超网络的超边库平均分组，每个组作为遗传算法的一个子种群，每条超边对应子种群中的一个个体，一个线程块控制一个子种群的演化学习，个体上的一系列演化操作均由相应的线程来完成。

9.根据权利要求6或7所述的分类方法，其特征在于，根据超网络对训练集样本分类正确与否，根据公式：计算超边的适应值，其中，#_c为超边的匹配值，#_w表示超边的错误值，α为错误预期值；β为正确预期值。

10.根据权利要求8所述的分类方法，其特征在于，每完成一代演化，子种群间进行一次优秀个体迁移，子种群中适应值较大的超边向邻近子种群迁移，代替邻近子种群中适应值较小的超边，形成一个定向迁移环。