[发明专利]一种基于高斯模糊积分的HBV分类方法

摘要

本发明公开了一种基于高斯模糊积分的HBV分类方法，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；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。本发明基于高斯分布的模糊积分，通过高斯函数表示被积函数来完成模糊积分的投影，然后再根据投影得到的虚拟积分值进行线性分类，提高HBV分类精度，简化了HBV分类过程。

主权项

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：$\∫e^{-\frac{{(f\left(x\right)-b)}^2}{2c^2}}\mathrm{d\μ}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[e^{-\frac{{(f^{\′}\left(x_i\right)-b)}^2}{2c^2}}-e^{-\frac{{(f^{\′}\left(x_{i-1}\right)-b)}^2}{2c^2}}]\mathrm{\μ}\left(\right\{{x^{\′}}_i,{x^{\′}}_{i+1},...,{x^{\′}}_n\left\}\right);$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。