基于協(xié)同優(yōu)化的非線性核集成方法及其應(yīng)用研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩133頁(yè)未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、基于核函數(shù)的方法是從統(tǒng)計(jì)學(xué)習(xí)理論中發(fā)展而來(lái)的非線性機(jī)器學(xué)習(xí)研究方法。很多線性的方法,例如特征抽取、相關(guān)性理論、分類及回歸等,都可基于核化理論推廣為非線性方法?!昂思记伞睘楹芏喾蔷€性問(wèn)題的解決提供了一種新的思路,并被廣泛應(yīng)用于復(fù)雜疾病的誘因識(shí)別、基因功能相關(guān)分析、以及基因背后的非線性特征分析等領(lǐng)域,有著較高的理論和應(yīng)用價(jià)值。然而,核函數(shù)的機(jī)器學(xué)習(xí)方法又面臨著很多的挑戰(zhàn):核函數(shù)、核參數(shù)選擇直接影響核化模型的精確性和推廣能力;大數(shù)據(jù)量的核矩陣

2、計(jì)算直接影響著核方法的運(yùn)行速度;各種核方法的理論拓展和實(shí)際應(yīng)用推廣性能評(píng)價(jià)等問(wèn)題,目前都還沒(méi)有統(tǒng)一有效的解決方案。
   本論文緊緊圍繞核函數(shù)的機(jī)器學(xué)習(xí)方法,針對(duì)以上問(wèn)題,結(jié)合協(xié)同進(jìn)化優(yōu)化思想,對(duì)常見(jiàn)的分類、回歸、雙聚類以及相關(guān)性問(wèn)題進(jìn)行了研究。首先,對(duì)核函數(shù)理論、各種協(xié)同進(jìn)化智能技術(shù)及其應(yīng)用領(lǐng)域發(fā)展進(jìn)行了綜述,指出了目前發(fā)展存在的問(wèn)題以及將來(lái)的發(fā)展方向。其次,研究了核函數(shù)機(jī)制下非線性分類和回歸框架;探索了基于此框架下,大數(shù)據(jù)量

3、生物信息的分類和回歸預(yù)測(cè)的應(yīng)用;然后,應(yīng)用核函數(shù)技巧拓展線性相關(guān)性和聚類方法,分別提出了核相關(guān)性和核雙聚類方法,并將它們應(yīng)用于基因調(diào)控網(wǎng)絡(luò)和同源基因的預(yù)測(cè)研究,為探索基因信息背后的非線性特征提供了新的視角。本論文的主要研究成果體現(xiàn)在以下幾個(gè)方面:
   (1)對(duì)于分類,提出了融合數(shù)據(jù)降維、模型優(yōu)化和分類三者為一體的核集成分類器。該分類器通過(guò)應(yīng)用核主元分析去除復(fù)共線性噪聲與冗余相關(guān)信息,進(jìn)行多屬性非線性降維;基于協(xié)同免疫克隆優(yōu)化算

4、法對(duì)核整體模型進(jìn)行參數(shù)設(shè)置;應(yīng)用支持向量機(jī)獲取高維特征空間中的最優(yōu)分類面。該方法可自動(dòng)獲取不同數(shù)據(jù)的線性和非線性分類優(yōu)化模型。通過(guò)大量模式數(shù)據(jù)分類應(yīng)用分析的實(shí)驗(yàn)結(jié)果顯示,該分類器在準(zhǔn)確性和推廣性上優(yōu)于線性分類器和神經(jīng)網(wǎng)絡(luò)方法,這種核集成分類模型在高維空間中會(huì)以樣本最少的屬性獲得最好的分類效果。最后將這種核集成分類器應(yīng)用于原發(fā)性開(kāi)角型青光眼的鑒別,對(duì)比于臨床結(jié)果和其他預(yù)測(cè)方法,試驗(yàn)結(jié)果顯示,提出核集成分類器取得較好的鑒別精度,該方法是準(zhǔn)確

5、和有效的。
   (2)對(duì)于回歸,針對(duì)支持向量回歸機(jī)核函數(shù)的不同選擇,回歸預(yù)測(cè)性能差異大和運(yùn)行速度慢等問(wèn)題,結(jié)合協(xié)同粒子群和區(qū)間劃分思想,提出自適應(yīng)核化粒子群支持向量回歸區(qū)間預(yù)測(cè)器,并從理論和實(shí)驗(yàn)上探討了這種新的區(qū)間支持向量回歸機(jī)的優(yōu)化性能。函數(shù)實(shí)驗(yàn)驗(yàn)證結(jié)果表明,本論文提出的全局自適應(yīng)核區(qū)間預(yù)測(cè)器無(wú)論在運(yùn)行速度還是在回歸預(yù)測(cè)精度上,都優(yōu)于一般支持向量回歸,后向神經(jīng)網(wǎng)絡(luò)和三次樣條曲線擬合預(yù)測(cè)方法。將其模型應(yīng)用于癌患者生存預(yù)后預(yù)測(cè),

6、取得了較高的擬合準(zhǔn)確度。
   (3)對(duì)于聚類,提出了非線性核雙聚類架構(gòu),解決了局部非線性相關(guān)信息的提取,獲得了更為準(zhǔn)確的聚類。針對(duì)最為常用的高斯核,從理論上描述了高斯核雙聚類特性。結(jié)合擴(kuò)展人工免疫克隆系統(tǒng)算法,提出了快速協(xié)同免疫克隆Memetic核雙聚類(CICMKB)算法,為快速獲取非線性核雙聚類提供了應(yīng)用基礎(chǔ)。通過(guò)基因共調(diào)控協(xié)同信息提取實(shí)驗(yàn)的驗(yàn)證,相對(duì)于標(biāo)準(zhǔn)遺傳算法和人工免疫算法算法,CICMKB算法的預(yù)測(cè)誤差最小,可發(fā)現(xiàn)

7、更多的雙聚類基因,同時(shí)我們還給出了生物意義解釋。
   (4)對(duì)于相關(guān)性分析,拓展了線性Pearson相關(guān)系數(shù)到高維特征空間,提出用于檢測(cè)數(shù)據(jù)間非線性交互關(guān)系的核相關(guān)系數(shù),并給定了統(tǒng)計(jì)意義解釋。為了評(píng)價(jià)這種核相關(guān)交互測(cè)度,基于圖論構(gòu)建了一種協(xié)同自適應(yīng)酵母菌基因非線性調(diào)控網(wǎng)絡(luò)。通過(guò)與經(jīng)典的線性Pearson網(wǎng)絡(luò)對(duì)比,酵母菌基因調(diào)控網(wǎng)絡(luò)的邊、節(jié)點(diǎn)、團(tuán)等分布特征被詳細(xì)分析和討論,并解釋了這些非線性基因相關(guān)性生物意義。通過(guò)對(duì)十個(gè)基因逆向

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

最新文檔

評(píng)論

0/150

提交評(píng)論