基因表達數(shù)據(jù)反映了成千上萬個基因在不同實驗條件下的表達水平,當(dāng)我們對這些基因表達數(shù)據(jù)進行分析時,挖掘隱藏在海量基因表達數(shù)據(jù)中的相似表達模式能夠為我們提供有價值的生物信息�？紤]到基因表達數(shù)據(jù)具有數(shù)據(jù)量大且高噪聲的特點,如何從基因表達數(shù)據(jù)中有效的挖掘有價值的生物信息成為了一個值得研究的問題。通過生物信息學(xué)的研究發(fā)現(xiàn),很多隱藏在基因表達數(shù)據(jù)中的遺傳模式僅僅在特定的實驗條件下對一組基因是可見的,這與基因調(diào)控的現(xiàn)象也是相符的,協(xié)同基因一般僅僅在某些特定條件下才會呈現(xiàn)出共同調(diào)控表達的特點。因此,我們將雙聚類算法應(yīng)用到了基因表達數(shù)據(jù)的挖掘中,雙聚類算法能夠同時對基因表達矩陣的行和列進行聚類,從而找到局部的相似表達模式。在雙聚類的搜索過程中,我們希望能夠找到體積較大且質(zhì)量較高的雙聚類,而這兩個優(yōu)化目標(biāo)是一對互相沖突的優(yōu)化目標(biāo),針對這一問題,本文將多目標(biāo)遺傳算法應(yīng)用到了基因表達數(shù)據(jù)的雙聚類挖掘中。本文提出了一種改進的多目標(biāo)遺傳算法,分別從種群初始化策略和選擇算子設(shè)計兩個方面對傳統(tǒng)多目標(biāo)遺傳算法進行了改進,通過在若干個經(jīng)典測試函數(shù)上與傳統(tǒng)多目標(biāo)遺傳算法進行了多樣性和收斂性對比,驗證了改進多目標(biāo)遺傳算法的有...

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 本文的工作概要和內(nèi)容安排
        1.3.1 主要工作
        1.3.2 論文的章節(jié)安排
第二章 基因表達數(shù)據(jù)及其聚類分析
    2.1 基因表達數(shù)據(jù)
    2.2 基因表達數(shù)據(jù)的聚類分析
        2.2.1 聚類分析中常用的相似度度量方法
        2.2.2 基因表達數(shù)據(jù)分析中常用的聚類方法
    2.3 基因表達數(shù)據(jù)的雙聚類分析
        2.3.1 雙聚類的定義
        2.3.2 雙聚類的模式
    2.4 Cheng和Church雙聚類算法
    2.5 本章小結(jié)
第三章 基于多目標(biāo)遺傳算法的雙聚類算法
    3.1 遺傳算法簡介
        3.1.1 遺傳算法的原理介紹
        3.1.2 遺傳算法的標(biāo)準(zhǔn)流程
    3.2 多目標(biāo)遺傳算法簡介
        3.2.1 多目標(biāo)優(yōu)化問題描述
        3.2.2 多目標(biāo)遺傳算法的分類
        3.2.3 多目標(biāo)遺傳算法中的技術(shù)手段
    3.3 多目標(biāo)遺傳算法NSGA-II
        3.3.1 NSGA-II算法概述
        3.3.2 NSGA-II算法關(guān)鍵技術(shù)
        3.3.3 NSGA-II算法步驟
    3.4 基于多目標(biāo)遺傳算法的雙聚類算法
        3.4.1 多目標(biāo)遺傳雙聚類算法的目標(biāo)函數(shù)
        3.4.2 多目標(biāo)遺傳雙聚類算法的算法流程
        3.4.3 典型的多目標(biāo)遺傳雙聚類算法
    3.5 本章小結(jié)
第四章 基于密度聚類的改進多目標(biāo)遺傳算法
    4.1 引言
    4.2 改進多目標(biāo)遺傳算法的算法框架
    4.3 基于混沌的初始化方法
        4.3.1 混沌技術(shù)簡介
        4.3.2 基于混沌的初始化方法
    4.4 基于密度聚類的的選擇算子
        4.4.1 多目標(biāo)遺傳算法中常用的選擇算子
        4.4.2 DBSCAN密度聚類算法
        4.4.3 基于DBSCAN聚類算法的選擇算子
    4.5 實驗結(jié)果及分析
        4.5.1 實驗設(shè)計
        4.5.2 測試函數(shù)
        4.5.3 測試結(jié)果評價指標(biāo)
        4.5.4 實驗平臺及參數(shù)描述
        4.5.5 實驗結(jié)果分析
    4.6 本章小結(jié)
第五章 基于改進多目標(biāo)遺傳算法的雙聚類算法
    5.1 引言
    5.2 基于改進多目標(biāo)遺傳算法的雙聚類算法框架
    5.3 種群適應(yīng)度的設(shè)計
        5.3.1 雙聚類種群的適應(yīng)度值
        5.3.2 行列種群的適應(yīng)度值
    5.4 基于HC算法的種群初始化
    5.5 基于布谷鳥算法的行列種群進化過程
        5.5.1 布谷鳥搜索算法介紹
        5.5.2 基于布谷鳥算法的行列種群進化過程
    5.6 基于改進多目標(biāo)遺傳算法的雙聚類種群進化過程
    5.7 行列種群和雙聚類種群的交配
    5.8 實驗設(shè)計
        5.8.1 實驗設(shè)計概述
        5.8.2 實驗平臺描述
        5.8.3 實驗評價指標(biāo)描述
        5.8.4 實驗數(shù)據(jù)集描述
    5.9 實驗結(jié)果及分析
        5.9.1 實驗參數(shù)設(shè)置
        5.9.2 人工數(shù)據(jù)集的實驗結(jié)果及分析
        5.9.3 真實數(shù)據(jù)集的實驗結(jié)果及分析
    5.10 本章小結(jié)
總結(jié)與展望
    本文工作總結(jié)
    工作展望
參考文獻
攻讀碩士學(xué)位期間取得的研究成果
致謝
附件



本文編號：3802733