基于改進的BPSO和支持向量機的特征基因選擇方法研究.pdf

1、　　隨著微陣列芯片技術(shù)地廣泛應用，科研人員能夠在較少的實驗中完成對物種大量基因表達水平值的檢測，這為從分子水平上探索疾病的發(fā)病機理、臨床診斷與治療，了解生命的生長生活過程奠定了殷實的基礎(chǔ)。但是，原始獲取的數(shù)據(jù)具有高維、高噪、高相關(guān)、小樣本特點，分析這些數(shù)據(jù)并從中篩選和疾病相關(guān)的關(guān)鍵特征具有重要意義。
　　本文基于群智能算法和統(tǒng)計學習理論的知識，在分析腫瘤基因表達譜特征的基礎(chǔ)上，研究了腫瘤分類特征基因選取問題；提出兩種改進的粒子

2、群算法使其具有良好的局部搜索與全局搜索能力，并成功運用到基因特征選擇方法中獲取了有效特征子集。一種為混合多變異位自適應遺傳算子操作的二進制粒子群算法。我們引入改良了的遺傳算子操作到粒子群算法，其中，采用多位變異位來增加種群的多樣性，同時，我們選取自適應概率的交叉、變異操作，更好的尋優(yōu)滿意解。另一種改進的粒子群算法中，我們引入基本遺傳算法的交叉和變異策略到粒子群算法增加搜索可行解范圍，避免粒子的早熟收斂；同時選用免疫算法的疫苗機制有效地削

3、弱基本遺傳算子操作帶來的種群退化風險。文中首先采用Wilc oxon秩和檢驗指標來對分類起較大作用的預選特征子集，然后結(jié)合廣泛應用于小樣本分類的支持向量機為分類器的改進粒子群算法對預選子集實施篩選。兩種方法中適應值函數(shù)均采用帶權(quán)系數(shù)的策略來權(quán)衡子集數(shù)量和分類準確率在最優(yōu)化子集中的比重，同時，方法二中支持向量機分類器的參數(shù)選用了自適應調(diào)整策略。在兩個公開的基因表達數(shù)據(jù)集上的實驗仿真數(shù)據(jù)以及對選定特征的生物學分析顯示本文提出的方法是可行、有