基于微阵列质谱数据的卵巢癌预测研究
发布时间：2021-08-12 21:02
癌症是人类生命和健康的主要威胁之一,是世界上最致命的疾病。近年来,通过微阵列质谱数据进行癌症预测,实现癌症早期发现,提高癌症病患的生存率,成为人们关注的焦点。本文首先对癌症预测的背景意义以及癌症预测的研究现状和方法进行阐明和综述,并对基于机器学习的预测方法进行分析和归纳。在此基础上,进行基于微阵列数据的卵巢癌预测研究,提出基于主成分分析、人工蜂群优化和支持向量回归机的PCA-ABC-SVR卵巢癌预测模型。对于模型的训练数据,针对微阵列数据集的特点,采用PCA主成分分析法对数据进行降维处理,并采用ABC人工蜂群优化算法进行支持向量回归机SVR的参数选取,实现PCA-ABC-SVR卵巢癌预测模型的建立。最后,在给定的实验软硬件平台环境下,进行k值选取、模型对比和优化对比三个仿真实验,通过训练数据集实现所提模型的学习和训练。通过实验结果的分析,验证了本文所提出的PCA-ABC-SVR模型在卵巢癌预测方面的可行性和优越性。
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
本文组织结构框图
哈尔滨理工大学工学硕士学位论文-11-式如下：)()()(lhRRemp(2-9)公式中，lhlhlh4log)12(log)(，)(lh叫做置信风险；l成为数据样本数；参数h叫做VC维。目前，当进行结构风险最小化求解时，两种可行方案经常被应用[49]。真实风险由置信风险以及经验风险)(empR组成，如公式(2-9)所示。三者同VC维h和训练样本数l密切相关。如图2-2所示。图2-2结构风险最小化原理图Fig.2-2Principlediagramofstructuralriskminimization2.3支持向量回归机算法自上世纪九十年代中期以来，作为一种基于统计学习理论的机器学习方法，支持向量机研究逐步开展起来。最大间隔法被SVM采用，同时广义最大间隔法被采用，之后广义最优分类超平面在高维数据空间中通过非线性变换被求取，即凸二次规划问题，最终获得最优解，该方案针对于解决非线性可分问题。核函数的映射将输入向量转化到高维空间，中间的节点对应一个支持向量，中间节点的线性组合被输出，由此可见，SVM理论的结构与一个神经网络结构相似。如图2-3所示。真实学习风险置信区间经验风险VC维风险
哈尔滨理工大学工学硕士学位论文-12-图2-3支持向量机结构图Fig.2-3SVMstructure回归和分类两类问题在于输出变量的取值范围上存在差异，其中回归问题的输出变量的范围属于连续的实数，而分类问题的输出变量为有限个类别，SVM可以解决回归和分类这两类问题。在实际问题的方案中，根据使用不同的损失函数，SVR可以分为以下几种基本类型，即最小二乘SVR、SVRv和SVR等。这就是支持向量回归是SVM在回归估计问题上的拓展型应用。在本文中，支持向量回归机被选用以解决癌症预测的建模过程。下式为不敏感损失函数：iiiiiiiiiyxfyxfyxfxfyxL)(,)()(,0))(,,((2-10)SVR存在线性回归和非线性回归两类情况，这与分类问题是类似的。上式中，对应的实际值和目标输出值分别表示为y和f(x)，输入值表示为x，不敏感系数表示为。对于线性SVR，采用函数(2-11)式：bxwxfT)((2-11)其中偏置向量表示为b，权向量表示为w，目标函数表示为f(x)。ya1y1a2y2。。。。。。a3y3K(x1,x)K(x2,x)。。。。。。K(x3,x)x1x2。。。。。。xi
【参考文献】：
期刊论文
[1]皮肤鳞状细胞癌转录组学微阵列分析方法的研究策略及进展[J]. 韩向春,郑力强,冯志芳,马静. 解放军医学杂志. 2019(06)
[2]求解柔性作业车间调度问题的多策略融合Pareto人工蜂群算法[J]. 赵博选,高建民,付颖斌,赵姣. 系统工程理论与实践. 2019(05)
[3]基因治疗及细胞治疗发展态势分析[J]. 迟培娟,陈芳,Cynthia Liu,Qiongqiong Zhou,Yi Deng,Yingzhu Li,韩涛,余敏,杨艳萍,王学昭. 中国生物工程杂志. 2019(05)
[4]基于功能纳米材料的液相生物芯片检测技术[J]. 武卫杰,冷远逵,沈梦飞,李万万. 化学进展. 2019(Z1)
[5]基因表达数据中的局部模式挖掘研究综述[J]. 姜涛,李战怀. 计算机研究与发展. 2018(11)
[6]基于双层结构的加速K-NN分类方法[J]. 王晓,赵丽. 计算机工程与设计. 2018(04)
[7]Hybrid artificial bee colony algorithm with variable neighborhood search and memory mechanism[J]. FAN Chengli,FU Qiang,LONG Guangzheng,XING Qinghua. Journal of Systems Engineering and Electronics. 2018(02)
[8]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东. 计算机系统应用. 2018(04)
[9]基于改进邻域搜索策略的人工蜂群算法[J]. 魏锋涛,岳明娟,郑建明. 控制与决策. 2019(05)
[10]量子粒子群优化的人工蜂群算法[J]. 杜康宇,毛力,毛羽,杨弘,肖炜. 传感器与微系统. 2018(03)
博士论文
[1]支持向量机算法参数选择及其在电站锅炉系统中的应用研究[D]. 黄景涛.浙江大学 2005
硕士论文
[1]基于自组织映射网络的多目标粒子群优化算法[D]. 郭倩倩.郑州大学 2018
[2]基于聚类的基因差异共表达分析[D]. 张萍.黑龙江大学 2017
[3]支持向量机在电力系统短期负荷预测中的应用及改进[D]. 李云飞.西南交通大学 2006
本文编号：3339070
【文章来源】：哈尔滨理工大学黑龙江省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
本文组织结构框图
哈尔滨理工大学工学硕士学位论文-11-式如下：)()()(lhRRemp(2-9)公式中，lhlhlh4log)12(log)(，)(lh叫做置信风险；l成为数据样本数；参数h叫做VC维。目前，当进行结构风险最小化求解时，两种可行方案经常被应用[49]。真实风险由置信风险以及经验风险)(empR组成，如公式(2-9)所示。三者同VC维h和训练样本数l密切相关。如图2-2所示。图2-2结构风险最小化原理图Fig.2-2Principlediagramofstructuralriskminimization2.3支持向量回归机算法自上世纪九十年代中期以来，作为一种基于统计学习理论的机器学习方法，支持向量机研究逐步开展起来。最大间隔法被SVM采用，同时广义最大间隔法被采用，之后广义最优分类超平面在高维数据空间中通过非线性变换被求取，即凸二次规划问题，最终获得最优解，该方案针对于解决非线性可分问题。核函数的映射将输入向量转化到高维空间，中间的节点对应一个支持向量，中间节点的线性组合被输出，由此可见，SVM理论的结构与一个神经网络结构相似。如图2-3所示。真实学习风险置信区间经验风险VC维风险
哈尔滨理工大学工学硕士学位论文-12-图2-3支持向量机结构图Fig.2-3SVMstructure回归和分类两类问题在于输出变量的取值范围上存在差异，其中回归问题的输出变量的范围属于连续的实数，而分类问题的输出变量为有限个类别，SVM可以解决回归和分类这两类问题。在实际问题的方案中，根据使用不同的损失函数，SVR可以分为以下几种基本类型，即最小二乘SVR、SVRv和SVR等。这就是支持向量回归是SVM在回归估计问题上的拓展型应用。在本文中，支持向量回归机被选用以解决癌症预测的建模过程。下式为不敏感损失函数：iiiiiiiiiyxfyxfyxfxfyxL)(,)()(,0))(,,((2-10)SVR存在线性回归和非线性回归两类情况，这与分类问题是类似的。上式中，对应的实际值和目标输出值分别表示为y和f(x)，输入值表示为x，不敏感系数表示为。对于线性SVR，采用函数(2-11)式：bxwxfT)((2-11)其中偏置向量表示为b，权向量表示为w，目标函数表示为f(x)。ya1y1a2y2。。。。。。a3y3K(x1,x)K(x2,x)。。。。。。K(x3,x)x1x2。。。。。。xi
【参考文献】：
期刊论文
[1]皮肤鳞状细胞癌转录组学微阵列分析方法的研究策略及进展[J]. 韩向春,郑力强,冯志芳,马静. 解放军医学杂志. 2019(06)
[2]求解柔性作业车间调度问题的多策略融合Pareto人工蜂群算法[J]. 赵博选,高建民,付颖斌,赵姣. 系统工程理论与实践. 2019(05)
[3]基因治疗及细胞治疗发展态势分析[J]. 迟培娟,陈芳,Cynthia Liu,Qiongqiong Zhou,Yi Deng,Yingzhu Li,韩涛,余敏,杨艳萍,王学昭. 中国生物工程杂志. 2019(05)
[4]基于功能纳米材料的液相生物芯片检测技术[J]. 武卫杰,冷远逵,沈梦飞,李万万. 化学进展. 2019(Z1)
[5]基因表达数据中的局部模式挖掘研究综述[J]. 姜涛,李战怀. 计算机研究与发展. 2018(11)
[6]基于双层结构的加速K-NN分类方法[J]. 王晓,赵丽. 计算机工程与设计. 2018(04)
[7]Hybrid artificial bee colony algorithm with variable neighborhood search and memory mechanism[J]. FAN Chengli,FU Qiang,LONG Guangzheng,XING Qinghua. Journal of Systems Engineering and Electronics. 2018(02)
[8]支持向量机模型与应用综述[J]. 刘方园,王水花,张煜东. 计算机系统应用. 2018(04)
[9]基于改进邻域搜索策略的人工蜂群算法[J]. 魏锋涛,岳明娟,郑建明. 控制与决策. 2019(05)
[10]量子粒子群优化的人工蜂群算法[J]. 杜康宇,毛力,毛羽,杨弘,肖炜. 传感器与微系统. 2018(03)
博士论文
[1]支持向量机算法参数选择及其在电站锅炉系统中的应用研究[D]. 黄景涛.浙江大学 2005
硕士论文
[1]基于自组织映射网络的多目标粒子群优化算法[D]. 郭倩倩.郑州大学 2018
[2]基于聚类的基因差异共表达分析[D]. 张萍.黑龙江大学 2017
[3]支持向量机在电力系统短期负荷预测中的应用及改进[D]. 李云飞.西南交通大学 2006
本文编号：3339070
本文链接：https://www.wllwen.com/yixuelunwen/zlx/3339070.html
