申请/专利权人：福建理工大学

申请日：2023-12-20

公开（公告）日：2024-03-19

公开（公告）号：CN117435995B

主分类号：G06F18/2415

分类号：G06F18/2415;G06F18/25;G16H20/10;G16H50/70;G16H70/40;G06N3/047;G06N3/0499;G06N3/0464;G06N3/048;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2024.02.09#实质审查的生效;2024.01.23#公开

摘要：本发明提供了生物医药数据处理技术领域的一种基于残差图网络的生物医药分类方法，包括：步骤S1、获取大量的生物医药图数据，基于各生物医药图数据构建数据集，基于7：1.5：1.5的比例将数据集划分为训练集、验证集以及测试集；步骤S2、基于特征提取层、特征融合层以及预测输出层构建一生物医药分类模型；步骤S3、通过训练集对生物医药分类模型进行训练，通过验证集对训练后的生物医药分类模型进行验证；步骤S4、通过测试集对验证后的生物医药分类模型进行测试，并不断优化生物医药分类模型的损失函数、优化器函数以及超参数；步骤S5、利用测试后的生物医药分类模型进行生物医药分类。本发明的优点在于：极大的提升了生物医药分类的准确性。

主权项：1.一种基于残差图网络的生物医药分类方法，其特征在于：包括如下步骤：步骤S1、获取大量的生物医药图数据，基于各所述生物医药图数据构建数据集，基于7：1.5：1.5的比例将所述数据集划分为训练集、验证集以及测试集，分别对所述训练集、验证集以及测试集执行标准化处理；步骤S2、基于特征提取层、特征融合层以及预测输出层构建一生物医药分类模型；所述特征提取层用于从生物医药图数据中提取节点特征、结构特征以及全局依赖特征，将所述节点特征、结构特征以及全局依赖特征拼接得到综合特征并输入特征融合层；所述特征融合层用于对特征提取层输出的各综合特征进行融合，得到整图特征并输入预测输出层；所述预测输出层用于将整图特征映射到生物医药分类的预测结果并进行输出；所述特征提取层由节点特征嵌入模块以及特征提取模块组成；所述特征提取模块由图同构网络单元、多头注意力单元以及拼接单元组成；所述节点特征嵌入模块用于从生物医药图数据中提取节点特征嵌入表示；所述图同构网络单元用于从节点特征嵌入表示中提取节点特征以及结构特征；所述多头注意力单元用于从节点特征嵌入表示中提取节点特征、结构特征以及全局依赖特征；所述拼接单元用于对节点特征、结构特征以及全局依赖特征进行拼接得到综合特征；所述图同构网络单元和多头注意力单元构成双特征提取通道；所述特征融合层由长短期记忆模块以及读出函数组成；所述长短期记忆模块用于将不同特征提取层的综合特征进行顺序输入，得到对应的综合特征表示输入读出函数；所述读出函数用于求取各综合特征表示中，每个特征维度的和，进而得到整图特征；所述预测输出层由全连接层以及激活函数层组成；所述节点特征嵌入模块的公式为：；；其中，MLP表示多层感知机函数；和均表示可学习参数；X表示节点特征矩阵；A表示邻接矩阵；D表示A的度矩阵，为一个对角矩阵，且，R表示实数，n表示节点数量；表示D的逆矩阵；H表示节点特征嵌入模块输出的节点特征嵌入表示；表示节点特征嵌入模块的一个中间计算结果；所述图同构网络单元的公式为：；；其中，表示图同构网络单元的输入；表示第k层图同构网络单元输出的节点特征以及结构特征的特征矩阵；表示第层图同构网络单元的多层感知机函数；表示第层图同构网络单元的可学习参数；表示第层图同构网络单元输出的节点特征以及结构特征的特征矩阵；将每一层的进行堆叠，得到新的特征矩阵：；其中，表示堆叠后的特征矩阵，维度为J’×n×d，J’表示图同构网络单元的层数，n表示节点数量，d表示节点特征维度；表示第J’层图同构网络单元的输出；表示堆栈函数；所述多头注意力单元的计算过程如下：将所述节点特征嵌入表示通过线性层投影到三个不同的子空间，分别得到矩阵Q、矩阵K以及矩阵V，且，；，；，；表示子空间维度，，d表示节点特征维度，M表示多头注意力机制的头数；，表示可学习参数矩阵；，表示可学习参数矩阵；，表示可学习参数矩阵；计算生物医药图数据中的各节点对其他节点的注意力得分：；；其中，表示注意力得分，且；表示非线性激活函数，用于将注意力得分归一化到（0，1）区间；表示K的转置；L表示归一化后的拉普拉斯特征矩阵，且；I表示单位矩阵，且；基于所述注意力得分计算各节点新的注意力值，使用多头注意力独立计算M个注意力值并进行拼接：；；其中，表示第i个注意力值，表示第1个注意力值，表示第M个注意力值；，，，均表示权重矩阵，用于将H投影到子空间；表示拼接函数；表示注意力值的拼接结果；通过残差连接和前馈神经网络，将所述拼接结果转换为节点特征、结构特征以及全局依赖特征的特征矩阵进行输出：；；其中，表示多头注意力单元的输入；表示第k层多头注意力单元输出的节点特征、结构特征以及全局依赖特征的特征矩阵，且；表示特征归一化函数；表示前馈神经网络；表示第层多头注意力单元输出的节点特征、结构特征以及全局依赖特征的特征矩阵；使用残差图网络的结构将每一层所述多头注意力单元输出的特征矩阵进行集成，构成的所述拼接单元的公式为：；其中，表示综合特征，即特征提取层中的特征提取模块的输出，维度为J×n×d，J表示多头注意力单元的层数；表示堆栈函数；表示第J层多头注意力单元的输出；步骤S3、通过所述训练集对生物医药分类模型进行训练，通过所述验证集对训练后的生物医药分类模型进行验证；步骤S4、通过所述测试集对验证后的生物医药分类模型进行测试，并不断优化所述生物医药分类模型的损失函数、优化器函数以及超参数；步骤S5、利用测试后的所述生物医药分类模型进行生物医药分类。

全文数据：

权利要求：

百度查询： 福建理工大学 一种基于残差图网络的生物医药分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD