买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：江南大学

摘要：本发明属于人工智能算法应用‑多标签亚细胞定位预测方法，涉及一种基于深度迁移学习的多标签亚细胞定位预测方法。过程如下：首先，对原始数据进行数据清洗以获得数据集1和数据集2，去除冗余信息，提高模型效率。接着，采用MDNDO和SMDU重采样算法对不平衡数据集进行处理，确保模型在各类别样本上都能获得良好性能。本发明基于AlexNet，重新修改了输出层的网络结构，充分利用了已有结构，捕获特征信息，最终在输出层输出预测结果。本发明进一步引入了SHAP算法，量化每个特征对模型预测结果的贡献度，帮助用户更好地理解模型的工作原理和决策依据。

主权项：1.基于深度迁移学习的多标签亚细胞定位预测方法，其特征在于，步骤如下：第一步：数据处理；该阶段包括训练数据和测试数据的划分以及数据格式的转换；1.1数据集的处理方法1.2数据转换通过手动编写的python脚本截取序列的前35和后35个核苷酸作为图片输入来提取特征；第二步,包含利用MDNDO进行上采样、基于SMDU进行下采样2个步骤；2.1MDNDO上采样算法输入：原始k类训练样本：每类样本的数量：nk输出：合成的Mk个训练样本：1：首先输入第k类原始训练样本以及第k类样本的数量,基于A-1,C-2,G-3,T-4对序列编码2：计算每个样本的协方差矩阵的对角矩阵: b＝sizec,2；z＝zerosb,b；m＝zeros2*b,1；3：计算z矩阵，利用多维正态分布合成样本，其中z矩阵代表的是x的自相关矩阵相关系数矩阵，以cj1表示需要生成的数据的均值，0.05代表其概率因子：zj1,j2＝0.05*cj1^2；提取z矩阵的对角线元素并将其赋值到t矩阵的第i列：t:,i＝diagz；生成对角矩阵并存储到t1中：t1{i}＝diagt:,i；4：生成kp个合成样本： 5：找到每个合成样本与所有其他样本的最小范式数： m1i,j1＝minnn1；6：根据计算结果重新升序排列7：选取最优的合成样本并返回2.2SMDU下采样算法输入：g类的原始训练样本：每类样本的数量：ng输出：欠采样后的Mk个训练样本：1：输入类的原始训练样本，样本数；2：使用公式：A-1,C-2,G-3,T-4对序列编码，对每个类的矩阵进行标准化处理，对每列进行标准化；3：归一化Xg矩阵的所有列；wi,k＝Xgi,kg对于每个样本i，归一化矩阵Xg的所有列，得到变换矩阵w：wi,k＝Xgi,kmaxXg:,k4：计算样本之间的马氏距离，并构建距离矩阵；D1＝pdistw,"mahal"；D＝squareformD1；5：忽略自身距离，将对角线元素设置为零；Di,j＝0；6：提取非零元素并进行升序排序；D1＝nonzerosD；D2＝sortD1,'ascend'；7：选择最相似的样本对；删除每对样本中的一个，减少样本数量8：计算并返回欠采样后的样本第三步，在这一阶段中，基于AlexNet迁移学习方法构建一个强大且鲁棒性高的多标签分类模型；整个过程涉及对输入数据的特征提取和输出层分类器的训练，以优化整体预测性能；第四步：可解释分析4.1SHAP算法在SHAP算法中所有特征都被视为“贡献者”，通过计算每个“贡献者”的Shapley值来衡量其对最终输出值的影响，公式如下：yi＝ybase+fxi,1+fxi,2+…+fxi,k式中：代表第i个样本的第k个特征；fxi,k代表xi,k的Shapely值，ybase代表整个模型的基线；yi代表第i个样本的预测值；直观上,当fxi,k0说明该特征对预测结果有正向作用；反之，当fxi,k0时，说明该特征对预测结果有反向作用；4.2特征重要性计算。

全文数据：

权利要求：

百度查询： 江南大学 基于深度迁移学习的多标签亚细胞定位预测方法