[发明专利]一种基于高斯模糊积分的HBV分类方法

权利要求书

1.一种基于高斯模糊积分的HBV分类方法，其特征在于，包括下述步骤：

S1、从HBV数据库中筛选HBV患者的DNA序列；

S2、数据库根据聚类方法分为四个小的数据集合B1、C1、C2以及C3；

S3、对数据集进行分类，依靠分类器的分类和病例的真实类别，可以有四种结果用于预测评价；

真正类---患者诊断为患病，而真有病的情况；

假正类---患者诊断为患病，而未患病的情况；

真负类---患者诊断为无病，而真无病的情况；

假负类---患者诊断为无病，而真有病的情况；

令TP,FP,TN和FN分别表示真正类、假正类、真负类和假负类的数目，对于每个学习和评价实验，Accuracy准确度、Sensitivity敏感度和Specificity特异性定义如下，用作分类的性能或适应度的指示器；

Accuracy＝(TP+TN)/(TP+TN+FP+FN),

Sensitivity＝TP/(TP+FN),

Specificity＝TN/(TN+FP)，

S4、将高斯模糊积分构造的分类器应用于HBV数据库，对HBV进行分类，所述高斯模糊积分构造的分类器具体为：

假设给定特征集X＝{x₁,x₂,…,x_n}，f为特征函数，相应的特征值为f(x₁),f(x₂),…,f(x_n)，将特征值进行降序排列满足f(x₁')≤f(x₂')≤…≤f(x_n')，其中(x₁',x₂',…,x_n')是(x₁,x₂,…,x_n)的变形；

将被积函数扩展为高斯形式，并基于此构建扩展模糊积分分类器，基于高斯函数的模糊积分定义如下：

∫e-(f(x)-b)22c2dμ=Σi=1n[e-(f′(xi)-b)22c2-e-(f′(xi-1)-b)22c2]μ({x′i,x′i+1,...,x′n});]]>

通过投影所有待分类数据会在L轴求得一个高斯模糊积分值，此时可采用一个线性分类方法将这些虚拟值进行分类，在一次投影后并不一定能够正确分类所有数据，通过不断学习得到一组优化的模糊测度值，来对虚拟点在L上的分布进行调节，直至获得满意分类结果。