用于基因组分类的神经混沌学习架构

已有经验证据表明生物神经网络中单个神经元层面存在非线性和混沌。混沌神经元的特性启发我们将其用于人工学习系统。在此，我们提出一种神经混沌学习（NL）架构，其中用于从数据中提取特征的神经元是一维混沌映射。ChaosFEX+SVM 作为该 NL 架构的一个实例，被提出作为混沌与经典机器学习算法的混合组合。我们形式化证明，具有有限数量一维混沌神经元的单层 NL 满足通用逼近定理，并给出了逼近具有有限支撑的离散实值函数所需混沌神经元的确切数量。这得益于混沌的拓扑传递性以及所选一维混沌映射存在不可数无穷多个稠密轨道。NL 中的混沌神经元在输入刺激（数据）存在下被激活，并输出混沌放电轨迹。从 NL 各个神经元的此类混沌放电轨迹中，我们提取放电时间、放电率、能量和熵，它们构成了 ChaosFEX 特征。这些 ChaosFEX 特征随后被输入带有线性核的支持向量机进行分类。NL（ChaosFEX+SVM）所进行的混沌特征工程的有效性在合成与真实世界数据集上、于低和高训练样本情形下均得到了展示。具体而言，我们考虑了将 SARS-CoV-2 的基因组序列与其他冠状病毒（SARS-CoV-1、MERS-CoV 等）分类的问题。在每类仅一个训练样本、进行 1000 次随机训练试验的情况下，我们报告了 SARS-CoV-2 与 SARS-CoV-1 基因组序列分类的平均宏 F1 分数 > 0.99。我们也展示了 ChaosFEX 特征对加性噪声的鲁棒性。