基于单类图分类的化合物分类方法

论文摘要

为减少新药设计过程中化合物筛选与结构优化的成本,提高筛选与优化的精确性,提出一种用于化合物分类的单类图分类方法。对化合物的严格拓扑结构提出优化频繁子图的方法选取特征子图,自适应地挖掘每阶段支持度下信息量表示更全的闭频繁子图,将提取的频繁子图作为特征样本输入,通过Adaboost集成一类支持向量机分类算法训练分类模型。实验结果表明,该方法可以明确提取相关性较高的频繁子结构,显著降低频繁子图挖掘后的特征空间,有效提高分类的准确性和泛化性。

论文目录

• 0 引言
• 1 相关工作
•   1.1 频繁子图挖掘
•   1.2 基于集成学习的单类分类
• 2 基于单类图分类的化合物分类方法研究
•   2.1 相关定义
•   2.2 关键子结构发现
•   2.3 集成一类支持向量机
• 3 实验及结果分析
•   3.1 数据预处理
•   3.2 参数设定与评价指标
•   3.3 实验对比
• 4 结束语

文章来源

类型: 期刊论文

作者: 王晓东,张阳,王美丽

关键词: 图分类,频繁子图挖掘,特征选择,单类分类,自适应增强

来源: 计算机工程与设计 2019年03期

年度: 2019

分类: 信息科技,工程科技Ⅰ辑

专业: 有机化工,计算机软件及计算机应用

单位: 西北农林科技大学信息工程学院

基金: 国家自然科学基金项目(61402374),陕西省科技统筹创新工程计划基金项目(2014KTDZ03-02-2)

分类号: TQ460.1;TP391.41

DOI: 10.16208/j.issn1000-7024.2019.03.026

页码: 748-754

总页数: 7

文件大小: 241K

下载量: 69