【摘要】：癌癥診斷是生物醫(yī)學(xué)研究領(lǐng)域備受關(guān)注的問題�，F(xiàn)階段的癌癥診斷主要集中在形態(tài)學(xué)上,有確切的診斷結(jié)果往往都是癌癥中晚期。這時(shí)候的癌癥治療方法有限,治愈率較低。越早診斷出癌癥,治愈率越高。癌癥的早期診斷是治療癌癥的關(guān)鍵。本文根據(jù)癌癥基因的特點(diǎn),從基因?qū)用嬖\斷癌癥,實(shí)現(xiàn)癌癥的早期診斷。本文進(jìn)行了以下方面的研究:(1)提出一種基于Adaboost的自適應(yīng)遺傳算法優(yōu)化超限學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)的基因表達(dá)數(shù)據(jù)集成分類算法,該算法選取超限學(xué)習(xí)機(jī)作為基分類器。分類時(shí),ELM算法具有學(xué)習(xí)效率高、泛化能力強(qiáng)的優(yōu)點(diǎn)。但是ELM的分類結(jié)果受輸入權(quán)值矩陣和隱含層偏差隨機(jī)初始化的影響。為了解決這個(gè)問題,本文利用自適應(yīng)遺傳算法優(yōu)化了ELM的輸入權(quán)值矩陣和隱含層偏差。改善了ELM隨機(jī)誤差大的問題,提高了ELM算法的穩(wěn)定性。(2)提出了一種基于遺傳算法的混合Adaboost的基因表達(dá)數(shù)據(jù)集成分類算法。該算法的基分類器是決策小組,決策小組數(shù)由相同個(gè)數(shù)的樸素貝葉斯、K近鄰以及決策樹組成的。決策小組的組成方式是,隨機(jī)從上述三個(gè)算法中抽取一個(gè)算法,重復(fù)三個(gè),組成決策小組,當(dāng)前決策小組的類別是由組成決策小組的三個(gè)分類器的分類結(jié)果通過投票法產(chǎn)生的。最后,通過利用遺傳算法優(yōu)化各基分類器話語(yǔ)權(quán)的方法,將基分類器提升成強(qiáng)分類器。達(dá)到了提高分類精度以及分類穩(wěn)定性的目的。
【學(xué)位授予單位】：中國(guó)計(jì)量大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP18;R730.4
【圖文】：

被判斷成為的哪個(gè)類別多，就預(yù)測(cè)這個(gè)樣本為此類別。圖2.3 是隨機(jī)森林的基本原理圖。隨機(jī)森林算法的步驟為：（1）給定樣本集1 1 2 2D [( , ),( , ), ,( , )]n n x y x y x y；（2）對(duì)樣本的抽樣從行和列兩個(gè)角度進(jìn)行；（3）先進(jìn)行行采樣，行采樣的具體方法是隨機(jī)地、有放回地從樣本集中取出若干組樣本，作為決策樹的輸入。這些輸入樣本中可能存在相同的樣本，因

表 3.1 基因數(shù)據(jù)集下各算法的分類精度集 算法 5 10 15 20 30 35 40 50 stELM 0.7514 0.7823 0.7705 0.7735 0.7794 0.7647 0.7779 0.775 GAELM 0.7381 0.7381 0.7500 0.7619 0.7679 0.7798 0.7857 0.7976 AGAELM 0.7857 0.7917 0.7976 0.8036 0.8095 0.8155 0.8214 0.8274 nELM 0.585 0.64 0.615 0.605 0.585 0.655 0.63 0.665 GAELM 0.6140 0.6667 0.6842 0.7018 0.7544 0.7719 0.7895 0.7865 AGAELM 0.6750 0.7000 0.7250 0.7500 0.8000 0.8155 0.8250 0.9000 nELM 0.8041 0.8458 0.8583 0.8791 0.85 0.8666 0.8791 0.8458 GAELM 0.8677 0.8801 0.8802 0.8842 0.8843 0.8884 0.8885 0.9008 AGAELM 0.9049 0.9050 0.9132 0.9173 0.9213 0.9214 0.9215 0.9421 miaELM 0.6883 0.7683 0.6867 0.7450 0.6933 0.6900 0.7083 0.7042 GAELM 0.7337 0.7402 0.7403 0.7532 0.7727 0.7728 0.7845 0.8052 AGAELM 0.8095 0.8214 0.8230 0.8333 0.8452 0.8571 0.8630 0.8690

Brain數(shù)據(jù)集下各算法分類精度

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 蔣焰;丁曉青;;基于多步校正的改進(jìn)AdaBoost算法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版)網(wǎng)絡(luò).預(yù)覽;2008年10期

2 李軍;閆佳佳;;基于KELM-AdaBoost方法的短期風(fēng)電功率預(yù)測(cè)（英文）[J];控制工程;2019年03期

3 王倫;;Adaboost-SVM多因子選股模型[J];經(jīng)濟(jì)研究導(dǎo)刊;2019年10期

4 葉曉波;秦海菲;呂永林;;一種改進(jìn)的Adaboost-BP算法在手寫數(shù)字識(shí)別中的研究[J];大理大學(xué)學(xué)報(bào);2019年06期

5 嚴(yán)智;張鵬;謝川;張鈺林;李保軍;;一種快速AdaBoost.RT集成算法時(shí)間序列預(yù)測(cè)研究[J];電子測(cè)量與儀器學(xué)報(bào);2019年06期

6 李聞;王顯博;;基于Adaboost算法的人臉檢測(cè)的研究[J];中外企業(yè)家;2019年26期

7 李偉;嚴(yán)珂;陸慧娟;葉敏超;;基于Adaboost.RT算法的隧道沉降時(shí)間序列預(yù)測(cè)研究[J];中國(guó)計(jì)量大學(xué)學(xué)報(bào);2019年03期

8 王玲娣;徐華;;AdaBoost的多樣性分析及改進(jìn)[J];計(jì)算機(jī)應(yīng)用;2018年03期

9 杜瑞超;華繼學(xué);翟夕陽(yáng);李志鵬;;基于改進(jìn)Real AdaBoost算法的軟件可靠性預(yù)測(cè)[J];空軍工程大學(xué)學(xué)報(bào)(自然科學(xué)版);2018年01期

10 王玲娣;徐華;;一種基于聚類和AdaBoost的自適應(yīng)集成算法[J];吉林大學(xué)學(xué)報(bào)(理學(xué)版);2018年04期

相關(guān)會(huì)議論文 前10條

1 蔡念;金豐;阮恭勤;潘晴;許少秋;;基于AdaBoost算法的圖像復(fù)原方法[A];第十五屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2010年

2 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

3 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年計(jì)算機(jī)應(yīng)用與系統(tǒng)建模國(guó)際會(huì)議論文集[C];2012年

4 陸文聰;鈕冰;金雨歡;;基于AdaBoost算法的亞細(xì)胞位置預(yù)測(cè)[A];中國(guó)化學(xué)會(huì)第26屆學(xué)術(shù)年會(huì)化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)分會(huì)場(chǎng)論文集[C];2008年

5 陳宏偉;劉建偉;費(fèi)向東;;一種半監(jiān)督環(huán)境下的Adaboost算法[A];2008'中國(guó)信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

6 唐曉丹;苗振江;;基于AdaBoost和粒子濾波的目標(biāo)跟蹤[A];第十四屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2008年

7 于淼;李乃民;王寬全;賈丹兵;閆子飛;;基于AdaBoost的中醫(yī)舌診分類算法研究[A];第二次全國(guó)中西醫(yī)結(jié)合診斷學(xué)術(shù)研討會(huì)論文集[C];2008年

8 李晶;陳媛媛;;基于AdaBoost的車牌字符識(shí)別模型研究[A];2008中國(guó)儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅰ）[C];2008年

9 張超;苗振江;;基于AdaBoost的面部信息感知[A];第十三屆全國(guó)信號(hào)處理學(xué)術(shù)年會(huì)（CCSP-2007）論文集[C];2007年

10 郭翌;汪源源;;基于Adaboost算法的頸動(dòng)脈粥樣硬化判別方法[A];中國(guó)儀器儀表學(xué)會(huì)第十一屆青年學(xué)術(shù)會(huì)議論文集[C];2009年

相關(guān)重要報(bào)紙文章 前1條

1 張陽(yáng);5G時(shí)代，AI能走多遠(yuǎn)？[N];人民郵電;2019年

相關(guān)博士學(xué)位論文 前10條

1 劉沖;模擬電路故障診斷AdaBoost集成學(xué)習(xí)方法研究[D];大連海事大學(xué);2011年

2 Ebenezer Owusu;[D];江蘇大學(xué);2014年

3 習(xí)文星;移動(dòng)背景下視覺的行人檢測(cè)、識(shí)別與跟蹤技術(shù)研究[D];中國(guó)科學(xué)院研究生院(上海技術(shù)物理研究所);2015年

4 盧金娜;基于優(yōu)化算法的徑向基神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)及應(yīng)用[D];中北大學(xué);2015年

5 盧巖;交通監(jiān)控中的運(yùn)動(dòng)人體目標(biāo)檢測(cè)與跟蹤[D];中國(guó)科學(xué)院研究生院（長(zhǎng)春光學(xué)精密機(jī)械與物理研究所）;2011年

6 王小明;可變光照下人臉檢測(cè)與識(shí)別研究[D];華東師范大學(xué);2010年

7 孫元;多媒體語(yǔ)義檢索關(guān)鍵問題研究[D];吉林大學(xué);2010年

8 王穎;成熟microRNA識(shí)別及其功能預(yù)測(cè)方法研究[D];哈爾濱工程大學(xué);2016年

9 吳暾華;面向中醫(yī)面診診斷信息提取的若干關(guān)鍵技術(shù)研究[D];廈門大學(xué);2008年

10 高常鑫;基于上下文的目標(biāo)檢測(cè)與識(shí)別方法研究[D];華中科技大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 趙晉川;融合AdaBoost和GRU方法的地質(zhì)分層識(shí)別研究[D];華北電力大學(xué)(北京);2019年

2 趙云紅;基于Adaboost改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)地表沉陷預(yù)測(cè)研究[D];西安科技大學(xué);2019年

3 王強(qiáng);基于AdaBoost回歸樹的電網(wǎng)基建投資模型研究[D];電子科技大學(xué);2019年

4 王珊珊;基于AdaBoost和ELM的語(yǔ)音情感識(shí)別研究[D];天津師范大學(xué);2019年

5 鄭偉華;基于MCP懲罰的AdaBoost集成剪枝技術(shù)的研究[D];江西財(cái)經(jīng)大學(xué);2019年

6 陳天昕;基于AdaBoost與SVM集成算法的高爐爐溫狀態(tài)解析[D];江西財(cái)經(jīng)大學(xué);2019年

7 劉樹燦;基于BP_Adaboost算法的軌面狀態(tài)識(shí)別研究[D];湖南工業(yè)大學(xué);2019年

8 周靖;基于機(jī)器學(xué)習(xí)的《紅樓夢(mèng)》作者問題研究[D];云南大學(xué);2018年

9 鄧頎;人臉檢測(cè)技術(shù)的研究與實(shí)現(xiàn)[D];杭州電子科技大學(xué);2016年

10 楊凱杰;基于圖像處理的車輛異常行為分析研究[D];中國(guó)計(jì)量大學(xué);2018年

本文編號(hào)：2784278