基于降維的基因表達數據分類算法研究.pdf_第1頁
已閱讀1頁,還剩77頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、利用基因芯片技術能夠做到同時對多到數以萬計的基因進行并行分析,隨著該技術越來越成熟并得到廣泛應用,現在已經有越來越多的基因表達數據測定出來,亟需處理,借助于計算機工具以及機器學習方法對這些大量數據進行分析是現在一個很重要的研究領域。其中,對基因表達數據的分類研究是該領域的一個熱點,通過分類能夠幫助研究者發(fā)現正常細胞組織與疾病組織之間基因的本質差異,識別致病基因,對基因型疾病的臨床診斷和治療具有重要的意義。
  基因表達數據具有“樣

2、本少、維數高、分布不平衡”的特點,這給分類帶來了很多的困難和挑戰(zhàn)。目前解決此問題的一個有效方法是在分類前對高維數據進行特征提取和降維,以達到去除與分類無關的基因、降低計算復雜度、提高分類準確率的目的。
  本文首先分別用PCA、ReliefF、LLE和Isomap幾種降維算法對原始數據進行降維,然后對降維后的基因表達數據用樸素貝葉斯分類算法進行分類,并通過分類結果比較了不同降維方法的性能。然后在此基礎上,本文提出了RLLE(rel

3、evant component based LLE)降維算法,把ReliefF特征提取與LLE降維相結合,試驗結果表明,RLLE算法的降維效果要好于傳統(tǒng)的幾種降維方法。
  Alex Rodriguez,Alessandro Laio提出的“基于快速尋找密度峰值的聚類算法”是一種很簡潔且聚類效果很好的聚類算法,但是該算法對“樣本少,維數高”的基因表達數據的聚類效果并不是很好,不能分離出正確數目的類中心。本文采用mRMR特征提取算法

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論