2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明: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),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、DNA微陣列技術(shù)的發(fā)展帶來了大量的基因表達(dá)數(shù)據(jù),分析和挖掘這些數(shù)據(jù)背后所蘊(yùn)含的知識是目前生物信息學(xué)研究的一個熱點。作為最基本的數(shù)據(jù)挖掘方法,分類在基因表達(dá)數(shù)據(jù)的分析中有著廣泛的應(yīng)用。由于基因表達(dá)數(shù)據(jù)具有小樣本、高維的特點,傳統(tǒng)分類方法的直接應(yīng)用往往效果不佳,分類前進(jìn)行降維已成為學(xué)術(shù)界的共識。特征選擇由于能夠保持每個特征的生物學(xué)意義,成為基因表達(dá)數(shù)據(jù)中最常用的降維方法。特征選擇不僅可以降低分類學(xué)習(xí)算法的時間和空間復(fù)雜度,避免維數(shù)災(zāi)難,提高

2、分類的預(yù)測精度,同時還有助于生物現(xiàn)象的解釋。
   本文針對兩分類基因表達(dá)數(shù)據(jù)的特征選擇問題,深入研究了后向和前向兩類特征選擇方法,主要的工作和創(chuàng)新點有:
   1.在后向特征選擇方面,針對SVM-RCE耗時的缺點,提出了SVM-RCE的改進(jìn)方法ISVM-RCE。SVM-RCE主要包括聚類和聚類評價兩個部分,SVM-RCE的聚類評價是對每個聚類分別用基于SVM的k-折交叉驗證進(jìn)行記分。k-折交叉驗證是導(dǎo)致SVM-RCE耗

3、時的主要原因。ISVM-RCE通過對SVM-RCE聚類評分環(huán)節(jié)的改進(jìn),在不丟失分類準(zhǔn)確率的條件下,極大地提高了SVM-RCE的時間效率。
   2.在前向特征選擇方面,將組合分類器的修剪方法MSPM引入到基因選擇,提出了一種前向特征選擇方法FFS-ACSA。FFS-ACSA首先利用每個基因的信噪比構(gòu)造分量分類器,然后用p-不敏感損失函數(shù)進(jìn)行分量分類器(即基因)的選擇。在與經(jīng)典的前向特征選擇方法SNR和著名的后向特征選擇方法SVM

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(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 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. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對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, 同時也不承擔(dān)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