本文提出了一種新型的分子毒性預(yù)測模型,采用堆疊式自編碼器（SAE）對高維的稀疏數(shù)據(jù)進行特征提取,而后對分類器進行改進,使用膠囊網(wǎng)絡(luò)作為分類器進行毒性預(yù)測分類,為了證明該模型的有效性,我們將SAE+CAPS與傳統(tǒng)的softmax分類器和SAE+softmax分類器進行了對比,實驗結(jié)果表明相較于另外兩種模型而言該模型擁有更高的性能。 

【文章來源】：電子技術(shù)與軟件工程. 2020,(15)

【文章頁數(shù)】：2 頁

【部分圖文】：

SAE+CAPS結(jié)構(gòu)

堆疊式自動編碼器(SAE)由多個層組成，每個層由單個AE學(xué)習(xí)。在無監(jiān)督特征提取中，采用貪婪式分層預(yù)訓(xùn)練進行逐層初始化，通過微調(diào)來訓(xùn)練最終的SAE模型。具體來說，貪婪式分層方法是原始輸入數(shù)據(jù)通過在第一層AE上的訓(xùn)練，得到第一級的特征，然后將第一級的特征作為輸入在第二層AE訓(xùn)練得到下一級的特征，一直到最后一層的AE,最終可以得到信息充分、維數(shù)較低的特征提取。因此，自編碼器的疊加可以實現(xiàn)對原始數(shù)據(jù)的特征提取，同時可以達到降維的效果得到維數(shù)較低的特征。上述過程是SAE的與訓(xùn)練過程，這個過程中可以實現(xiàn)特征的提取，但是并不具備分類功能，因此通常在SAE后添加一個分類器來達到預(yù)測分類的效果。在預(yù)訓(xùn)練完成后應(yīng)用反向傳播算法，利用隨機梯度下降算法對整個SAE進行微調(diào)，堆疊式自編碼器（SAE）的結(jié)構(gòu)圖如圖1所示。圖2：膠囊網(wǎng)絡(luò)的機構(gòu)

膠囊網(wǎng)絡(luò)的機構(gòu)


本文編號：3110372