基于核范数正则化的抗癌药物组合协同作用预测

目的抗癌药物联合疗法是一种很有前途的治疗策略。针对特定癌症类型,选择高度协同的药物组合,对提高癌症疗效至关重要。然而,确定具有协同作用的药物组合是一项复杂而困难的工作。本研究旨在完全以数据驱动、计算建模的方式优化抗癌药物组合高通量虚拟筛选,为“旧药重新定位新组合”提供理论参考。方法借鉴矩阵填充思想,构建了基于核范数正则化的计算模型NNRM,用于预测抗癌药物组合的协同得分和协同状态。针对固定细胞系构造对称的协同得分观测矩阵;采用分折技巧将观测矩阵稀疏化;借助“交替方向乘子法”和“软阈值估计”求解模型。结果将NNRM应用于O’Neil团队发布的数据集,预测的协同得分与观测值之间的均方根误差为14.78,预测的协同状态准确率为0.94,优于随机森林(RF)和支持向量机(SVM),完全可以与深度学习模型相媲美。此外,NNRM预测的部分缺失值结果与已有研究或临床实践相吻合。结论NNRM可实现大规模、批量预测抗癌药物组合的协同作用,极大地降低了已有模型对数据的要求和计算成本,缩短了高通量虚拟筛选的测试时间,可以作为抗癌药物组合高通量虚拟筛选的可选择工具。

基于对偶的不精确交替方向乘子法求解核范数正则化最小二乘问题

数据时代的所有事物都可以用数据描述记录.在数据分析中,对部分缺失数据补充,即矩阵补全问题.此类问题已有一定的研究,如通过求解核范数正则化最小二乘问题来达到所需效果.该文从对偶问题出发,使用交替方向乘子法(ADMM)来求解.在一定假设条件下,讨论了不精确对偶交替方向乘子法(dADMM)的全局收敛性.数值试验中,通过与原问题交替方向乘子法(pADMM)进行比较,验证了该算法的优越性.

基于正则化的胎心监护图智能分类算法研究

目的:基于凸优化理论探讨智能评估胎儿在子宫中健康状态的方法,快速准确评估胎儿在宫内的健康状态。方法:在详细描述胎心监护数据参数含义的基础上,阐述基于数据的核范数正则化评估方法;采用波尔图大学公开的真实数据集,在Matlab软件环境下实施算法流程,计算该方法用于胎儿健康状态分类的准确性。结果:基于正则化的胎心监护图智能分类算法优化了数据量过小所导致的过拟合问题,准确率最高达92.14%,高于逻辑回归模型、卷积神经网络方法、RF+GBDT+AdaBoost+XGBoost融合模型以及最小二乘支持向量机的算法准确率。结论:本算法可以辅助临床医师对胎儿状态进行智能评估,提高临床决策的准确性。

一种新的基于矩阵秩序数优化的矩阵补全算法研究

设计出一种新的基于矩阵秩序数优化的截断式核范数正则化矩阵补全算法来还原低秩矩阵的缺失数据。所设计的算法为最小化min(m,n)-r类奇异值的之和,矩阵的长度用n表示、矩阵的宽度用m表示。基于秩值为r的矩阵,其最大的r类非零的奇异值均是不受约束的,由此能获得一类针对几何矩阵秩函数的最准确的类似值。从而提出运用乘子的交替方向算法完成求解过程的优化处理。仿真实验结果表明,新的基于矩阵秩序数优化的矩阵补全算法相比核范数、矩阵分解等传统算法能够更加有效的恢复缺失信息。

基于张量环分解的三维地震数据重建方法

地震数据处理一直是地震学研究的热点,地震数据重建是地震数据处理中不可或缺的一环。本研究提出一种基于张量环分解的三维地震数据重建方法。通过张量环分解将大的三维数据转换成小的三维数据的乘积,利用张量环隐空间的低秩结构对张量环因子施加低秩约束,在使用交替方向乘子法和增广拉格朗日函数求解过程中对张量环因子进行核范数正则化和奇异值分解,通过循环多线性乘积将小的三维数据恢复为大的三维数据,最终获得三维地震数据重建结果。仿真数据和真实数据的实验结果表明,与正交矩阵追踪汉克尔重建方法和数据驱动紧致框架方法相比,本方法具有更好的重建效果和计算效率。

一种求解低秩矩阵补全的修正加速近端梯度算法

设计适应大规模数据的快速算法是求解低秩矩阵补全的重点。文章改变了加速近端梯度算法的步长,对近似函数的近端最优点和上一迭代点增加了一个仿射组合。通过控制仿射系数,能够使得到的新迭代点有靠近原函数的趋势,进而能在保持算法精度的同时提高算法效率。最后通过相应的数值实验证明了算法的有效性和稳定性。

基于极端学习机的人脸特征深度稀疏自编码方法

针对输入人脸特征的不准确性导致识别系统识别率不高的问题,提出了一种有效的基于极端学习机(ELM)的人脸特征深度稀疏自编码(DSAE)方法。首先,利用截断式核范数构造损失函数,通过最小化损失函数提取人脸图像的稀疏特征;其次,利用极端学习机自编码器(ELM-AE)模型进行人脸特征的自编码,实现数据维度的降低以及噪声过滤;最后,通过经验风险极小化得到最优的深度结构。在ORL、IMM、Yale和UMIST人脸数据集上的实验结果表明,DSAE方法对高维人脸图像的识别率明显优于极端学习机、随机森林(RF)等算法,且具有良好的泛化性能。