1.一种基于深度学习和进化计算的特征基因选择方法，其特征在于：所述方法包括以下步骤：

1)选择差异表达的基因，建立一级基因池，过程如下：

1.1)计算原始基因池中各个基因的差异表达水平指数，即IIC-FC指数：式(1)中，c表示原始基因池中的基因个数， 和 分别表示基因i和基因j的表达水平均值， 和 分别表示基因i和基因j的表达水平标准差，函数max{·,·}和min{·,·}分别表示取最大值和最小值，ln(·)为对数函数；若IIC-FC指数越大，表明该基因包含的样本分类信息丰度越高，用于样本分类获得高精度的可能性越大；

1.2)根据二八准则，按照步骤1.1)中得到的IIC-FC值从高到低对原始基因池中的所有基因进行排序，然后从中选择前20％的基因作为一级基因池；

2)对一级基因池中的基因进行自动聚类，过程如下：

2.1)基于密度聚类算法计算一级基因池中每个基因的距离值δ和密度值ρ；定义欧拉距离作为基因i和基因j之间的相似度距离，计算公式如下：式(2)中，Nsam表示样本个数，gE(i,k)表示基因i在样本k中的表达值；

首先计算各个基因的密度值ρ，得到密度矩阵 计算公式如下：

式(3)中，ρi表示基因genei的密度值，一级基因池为 相应的指标集为IP＝{1,2,...,Npool1}；其中定义表达值累加和最大处的基因genemax与最小处的genemin之间的相似度距离的2％作为dc值，计算公式如下：dc＝0.02*dgene(genemax,genemin)                        (4)然后计算各个基因的距离值，得到距离矩阵 每个基因genei的距离值定义为δi，首先查找比genei密度大的基因集，得到集合P'＝{genej}，然后查找P'中与genei的距离最近的基因，则得到δi＝dgene(i,j')；

定义函数fγ是关于变量ρ和δ的二元离散函数，对应于三维空间中的坐标值是(ρ,δ,fγ)，则得到双变量离散函数为：式(5)中，fγ取密度值和距离值的乘积的对数值作为函数值；表示大于零的较小正数；

2.2)根据步骤2.1)中得到的双变量离散函数γ＝fγ(ρ,δ)，利用最小二乘法进行二元斜面的拟合，得到拟合平面为zγ＝b1+b2ρ+b3δ，计算各个数据点的残差值为εγi＝yγi(ρ,δ)-γi(ρ,δ)，绘制残差直方图εγi-h，并根据钟型曲线的正态拟合得到方差值为σγ，利用3σ原则自动确定处在置信区间外的η个奇异点作为聚类中心，记为cγ；

3)构建深度基因表达预测网络DGEPN，计算一级基因池的“基因-基因”敏感性信息GGSI，过程如下：

3.1)区分样本的训练集、验证集和测试集，搭建多层神经网络作为深度基因表达预测网络；首先假定有Nsam个样本，每个样本在原始基因池中有Ngene维基因表达，其中Min个基因作为神经网络的输入层，即将一级基因池中的所有基因作为输入；Mout个基因作为神经网络的输出层，即将原始基因池中对应一级基因池的补集作为输出；满足Min＝Npool1，Min+Mout＝Ngene，则每个样本可以表示为 然后随机挑选Ntrain个样本组成训练集，Nval个样本组成验证集，Ntest个样本作为测试集，其中Ntrain:Nval:Ntest＝4:1:1；

在神经网络的输入层和输出层间具有lhidden层隐藏层，隐藏层的神经元之间进行全连接；第i层隐藏层的神经元个数NumNeui为：NumNeui＝Min+i*Z{abs(Min-Mout)/lhidden+1}                  (6)式(6)中，函数abs(·)表示取绝对值，Z{·}表示取整函数；为了减少训练参数从而加快训练，对神经网络中的隐藏层设置dropout比率；为了克服梯度弥散问题，激活函数采用ReLU函数；

3.2)计算基因间的敏感性信息，基于步骤3.1)中搭建的深度基因表达预测网络，定义第i个输入基因到第j个输出基因的敏感性信息为：式(7)中， 表示第j个输出神经元对第i个输入神经元的导数；敏感性信息指数越大，说明第i个基因对第j个基因的非线性相关性越高；

3.3)根据步骤3.2)中得到的基因间敏感性信息，计算神经网络输入层中每个输入基因归一化后的敏感性指数：

3.4)训练神经网络，定义输出值与期望值的平均平方误差作为损失函数，即：当训练代数达到预设的最大值或者损失值小于预设的阈值，结束训练，并用测试集的平均绝对误差MAE作为神经网络模型的评价指标：误差越小，说明计算GGSI的网络模型性能越好；

4)建立二级基因池，过程如下：

4.1)计算步骤2)中得到的每个基因簇的最大GGSI值 和平均其中K是基因簇的个数；然后依据簇间剔除和簇内剔除策略构建二级基因池；

4.2)首先进行簇间剔除，若第j个簇的GGSI最大值远小于其它簇的GGSI最大值，即则剔除该基因簇中的所有基因；

4.3)然后进行簇内剔除，若第i个簇内的第j个基因的GGSI值小于该簇的GGSI平均值，即 则剔除该基因，其中NumKi表示基因簇i中包含的基因个数；

5)基于二进制布谷鸟搜索算法进行优化搜索最紧凑的基因集合，建立三级基因池，过程如下：

5.1)进行鸟巢的编码初始化，首先将二级基因池中的每个基因根据其GGSI值从高到低进行排序，然后对第i个鸟巢的第j维，即第i个解的第j个基因 进行初始化编码：式(11)中，d表示解的维度，即二级基因池中的基因个数；式(11)表示GGSI排名靠前

20％的基因和排名靠后20％的基因分别编码为1和0，剩余基因进行0或者1的随机编码；

5.2)进行糟糕解的替换，为了保证新产生的解都是由优秀的个体组成，基于概率pa淘汰不适应环境的糟糕解，并将它们替换为新的解决方案，替换公式为：式(12)中，d表示解的维度；式(12)表示对某个糟糕解，将其GGSI排名靠前10％的基因和排名靠后10％的基因分别编码为1和0，剩余基因的编码不变；

5.3)进行鸟巢位置的更新，更新公式为：

式(13)中，Sig(·)表示sigmoid函数，Avg(·)表示二级基因池中所有基因的GGSI的平-λ均值， 其中Levy(λ)～u＝s ,λ∈(1,3]，α＞0表示步长尺度缩放因子；

5.4)布谷鸟搜索优化算法的适应度函数定义为：

fitness(neti)＝MAE(neti)+ξ*GeneNumber(neti) (14)式(14)中，MAE(neti)表示第i个解在二级基因池中所选择的基因集合在DGEPN中预测剩余基因表达的平均绝对误差，GeneNumber(neti)表示第i个解所选的基因个数，ξ∈{10-2,

10-3,10-4}是一个尺度规模参数，ξ的取值根据GeneNumber(neti)的值确定；

5.5)进行优化搜索迭代，当达到预设的迭代次数，或者适应度函数值小于预设的阈值，则停止迭代，将此时的最优解进行解码，得到最优三级基因池。

2.如权利要求1所述的基于深度学习和进化计算的特征基因选择方法，其特征在于：所述步骤1.1)中，通过计算差异表达水平指数，体现基因包含的样本分类信息丰度，并且适用于多分类数据集的基因差异表达水平计算。

3.如权利要求1或2所述的基于深度学习和进化计算的特征基因选择方法，其特征在于：在所述步骤2)中，通过计算每个基因的密度值和距离值，确定二元离散函数，并对其进行多重线性回归分析得到二元拟合平面，依据拟合平面和预设的置信区间自动确定聚类中心。

4.如权利要求1或2所述的基于深度学习和进化计算的特征基因选择方法，其特征在于：所述步骤3)中，通过构建深度神经网络学习基因间的敏感性信息，并将其作为步骤4)中一级基因池的冗余基因剔除依据和步骤5)中布谷鸟搜索算法的二进制编码依据。

5.如权利要求1或2所述的基于深度学习和进化计算的特征基因选择方法，其特征在于：所述步骤1)、步骤4)和步骤5)中，通过构建三级基因池查找最紧凑的特征基因，能够尽可能的剔除冗余基因，同时尽可能的保留具有高分类信息丰度的特征基因。