基于智能优化算法的基因微阵列数据分类建模与优化研究

发布时间：2025-01-01 07:07

　　随着基因微阵列技术的发展,如何挖掘基因微阵列数据的研究价值,实现疾病致病基因的发现、基因检测、疾病早发现早治疗、探究疾病基因表达个体差异等应用,成了当下研究的热点。由于基因微阵列数据是典型的高维小样本数据集,传统的机器学习方法对维数灾难、过拟合、局部极值等困境束手无策。支持向量机(SVM)作为统计学习理论的重要成果,将结构风险最小化取代传统的经验风险最小化准则,避免了上述缺点。本文基于支持向量机的两种延伸:最小二乘支持向量机(LSSVM)和相关向量机(RVM),对统计学习理论在基因微阵列的应用展开研究并设计了两种疾病诊断模型。全文工作以及主要贡献如下:1)利用特征选择方法中filter方法与wrapper方法结合的方式选取最优特征子集。利用filter初步过滤,再利用wrapper进行特征排序,结果表明方法是有效的,每个步骤完成后的分类器都使用更少的特征维数获得更高的分类准确率。2)LSSVM将SVM中的二次规划问题转化为线性规划问题,提升了计算效率。由于LSSVM惩罚参数与RBF核宽度需要优化,本文结合了 PSO以及FOA优化方法进行参数寻优。结果分析表明,文章提出的方法在特征维数以及...

【文章页数】：79 页

【学位级别】：硕士

【部分图文】：

图１．?ＤＮＡ微阵列芯片制备??按照加工和制造方法对基因芯片分类一一最常用的方法为原位合成以及合成??

大学硕士学位论文?１．绪论??片杂交检测，制得基因芯片。通过这项技术、研究人员可以在激光显微镜下??观测成千上万的基因，获取荧光强度，也就是基因表达水平，将其转化为数??达值，得到基因微阵列数据［５－８］。经典的ＤＮＡ微阵列芯片制备流程如下图??：??

图2.结构风险最小化示意图

二＿表示置信区间。??Ｎ??达式表达的也就是前文提到的，实际风险由经验风险以及置信区如下：??Ｒ｛Ｍ＞）＜Ｒｅｍｐ｛ｗ）?＋?＾）标明，想要让期望风险最小，需同时最小化经验风险与置信区间只最小化了前一项，过于依赖先验知识，ＳＲＭ则是一个经验风险中。对于任何函数集而言，函数集本身越....

图3.模式识别系统设计组成流程图

支持向量机（ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ?ｍａｃｈｉｎｅ，?ＳＶＭ）是９０年代Ｖ基于结构风险最优化理论而发明的适合处理小样本的新型机器多年的发展，支持向量机己经在图像识别、语音识别、文字识别得到较广泛的应用。因为其对于小样本数据的优秀处理能力，同样像基因微阵列数据的分析。后续的研....

图４．最大间隔分类超平面示意图??对于一组样本点集合（＇，只），…（ｘ？，凡），ｘ?ｅ?ｉ？”，?ｅ?（＋１，?－１），其中ｘ代表样本点，??

支持向量机（ＳＶＭ）是２０世纪９０年代Ｖａｐｎｉｋ等人在统计学习理论基础上提??出的一种模式识别方法［５８，?５９］。根据结构风险最小化原理，利用有限的样本信??息，寻求模型复杂度与学习能力推广性的折中。ＳＶＭ的推导从二值线性可分的??最优分类面开始，其几何原理是使用两个最大间隔....

本文编号：4022220