【技术实现步骤摘要】
本专利技术涉及单分子电输运数据分析领域，具体是一种基于目标引导性表示学习的单分子电输运信号深度聚类方法。
技术介绍
1、单分子电子学试图在单个分子层次揭示分子的行为与性质，以解决物理、化学、生命科学等学科关键问题，进而推动单分子器件、量子信息材料以及单分子传感与检测等先进技术的发展，是对人类表征与检测技术极限的挑战，已成为各国研究竞争的制高点之一。单分子裂结技术如扫描遂穿裂结技术或机械可控裂结技术是测量单分子电输运性质的常用实验手段，其单次测量所得到电输运信号反映了单分子体系一次连续演化的动态过程，由于实验的高吞吐量，整体实验数据具有体量大、维度高且随机性强的关键特点，如何在无先验知识的情况下，挖掘测量过程中发生的单分子事件，提取被测分子体系包含的有用信息，一直以来都是该领域的热点问题。
2、聚类算法作为一种无监督机器学习算法，是发现数据中隐藏结构或模式的有效手段，然而，由于单分子电导信号的高维特性，如何克服维度诅咒并且准确区分不同电学信号之间的差异性，是单分子电导信号聚类面临的一个重要挑战。2016年lemmer等人(m....
【技术保护点】
1.一种基于目标引导性表示学习的单分子电输运信号深度聚类方法，其特征在于，在自编码器结合传统聚类这一深度聚类框架的下，通过神经架构搜索(Neural ArchitectureSearch，NAS)自动选择最适合用于单分子电输运信号表示学习的深度神经网络结构，在深度聚类过程中采取联合训练策略，即将表示学习损失联合到聚类损失中，利用聚类目标引导表示学习，从而过滤掉噪声特征，学习到聚类友好的相关特征，提高聚类效率和准确性。具体包括以下步骤：
2.如权利要求1所述的一种基于目标引导性表示学习的单分子电输运信号深度聚类方法，其特征在于步骤1)中，成功构建一个由自编码...
【技术特征摘要】
1.一种基于目标引导性表示学习的单分子电输运信号深度聚类方法，其特征在于，在自编码器结合传统聚类这一深度聚类框架的下，通过神经架构搜索(neural architecturesearch，nas)自动选择最适合用于单分子电输运信号表示学习的深度神经网络结构，在深度聚类过程中采取联合训练策略，即将表示学习损失联合到聚类损失中，利用聚类目标引导表示学习，从而过滤掉噪声特征，学习到聚类友好的相关特征，提高聚类效率和准确性。具体包括以下步骤：
2.如权利要求1所述的一种基于目标引导性表示学习的单分子电输运信号深度聚类方法，其特征在于步骤1)中，成功构建一个由自编码器和k均值...
【专利技术属性】
技术研发人员：潘志超，赵易恒，黄恒智，庞深文，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。