隨著基因微陣列技術(shù)的發(fā)展,如何挖掘基因微陣列數(shù)據(jù)的研究價(jià)值,實(shí)現(xiàn)疾病致病基因的發(fā)現(xiàn)、基因檢測(cè)、疾病早發(fā)現(xiàn)早治療、探究疾病基因表達(dá)個(gè)體差異等應(yīng)用,成了當(dāng)下研究的熱點(diǎn)。由于基因微陣列數(shù)據(jù)是典型的高維小樣本數(shù)據(jù)集,傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)維數(shù)災(zāi)難、過擬合、局部極值等困境束手無策。支持向量機(jī)(SVM)作為統(tǒng)計(jì)學(xué)習(xí)理論的重要成果,將結(jié)構(gòu)風(fēng)險(xiǎn)最小化取代傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則,避免了上述缺點(diǎn)。本文基于支持向量機(jī)的兩種延伸:最小二乘支持向量機(jī)(LSSVM)和相關(guān)向量機(jī)(RVM),對(duì)統(tǒng)計(jì)學(xué)習(xí)理論在基因微陣列的應(yīng)用展開研究并設(shè)計(jì)了兩種疾病診斷模型。全文工作以及主要貢獻(xiàn)如下:1)利用特征選擇方法中filter方法與wrapper方法結(jié)合的方式選取最優(yōu)特征子集。利用filter初步過濾,再利用wrapper進(jìn)行特征排序,結(jié)果表明方法是有效的,每個(gè)步驟完成后的分類器都使用更少的特征維數(shù)獲得更高的分類準(zhǔn)確率。2)LSSVM將SVM中的二次規(guī)劃問題轉(zhuǎn)化為線性規(guī)劃問題,提升了計(jì)算效率。由于LSSVM懲罰參數(shù)與RBF核寬度需要優(yōu)化,本文結(jié)合了 PSO以及FOA優(yōu)化方法進(jìn)行參數(shù)尋優(yōu)。結(jié)果分析表明,文章提出的方法在特征維數(shù)以及...

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．?ＤＮＡ微陣列芯片制備??按照加工和制造方法對(duì)基因芯片分類一一最常用的方法為原位合成以及合成??

大學(xué)碩士學(xué)位論文?１．緒論??片雜交檢測(cè)，制得基因芯片。通過這項(xiàng)技術(shù)、研究人員可以在激光顯微鏡下??觀測(cè)成千上萬的基因，獲取熒光強(qiáng)度，也就是基因表達(dá)水平，將其轉(zhuǎn)化為數(shù)??達(dá)值，得到基因微陣列數(shù)據(jù)［５－８］。經(jīng)典的ＤＮＡ微陣列芯片制備流程如下圖??：??

圖2.結(jié)構(gòu)風(fēng)險(xiǎn)最小化示意圖

二＿表示置信區(qū)間。??Ｎ??達(dá)式表達(dá)的也就是前文提到的，實(shí)際風(fēng)險(xiǎn)由經(jīng)驗(yàn)風(fēng)險(xiǎn)以及置信區(qū)如下：??Ｒ｛Ｍ＞）＜Ｒｅｍｐ｛ｗ）?＋?＾）標(biāo)明，想要讓期望風(fēng)險(xiǎn)最小，需同時(shí)最小化經(jīng)驗(yàn)風(fēng)險(xiǎn)與置信區(qū)間只最小化了前一項(xiàng)，過于依賴先驗(yàn)知識(shí)，ＳＲＭ則是一個(gè)經(jīng)驗(yàn)風(fēng)險(xiǎn)中。對(duì)于任何函數(shù)集而言，函數(shù)集本身越....

圖3.模式識(shí)別系統(tǒng)設(shè)計(jì)組成流程圖

支持向量機(jī)（ｓｕｐｐｏｒｔ?ｖｅｃｔｏｒ?ｍａｃｈｉｎｅ，?ＳＶＭ）是９０年代Ｖ基于結(jié)構(gòu)風(fēng)險(xiǎn)最優(yōu)化理論而發(fā)明的適合處理小樣本的新型機(jī)器多年的發(fā)展，支持向量機(jī)己經(jīng)在圖像識(shí)別、語音識(shí)別、文字識(shí)別得到較廣泛的應(yīng)用。因?yàn)槠鋵?duì)于小樣本數(shù)據(jù)的優(yōu)秀處理能力，同樣像基因微陣列數(shù)據(jù)的分析。后續(xù)的研....

圖４．最大間隔分類超平面示意圖??對(duì)于一組樣本點(diǎn)集合（＇，只），…（ｘ？，凡），ｘ?ｅ?ｉ？”，?ｅ?（＋１，?－１），其中ｘ代表樣本點(diǎn)，??

支持向量機(jī)（ＳＶＭ）是２０世紀(jì)９０年代Ｖａｐｎｉｋ等人在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上提??出的一種模式識(shí)別方法［５８，?５９］。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理，利用有限的樣本信??息，尋求模型復(fù)雜度與學(xué)習(xí)能力推廣性的折中。ＳＶＭ的推導(dǎo)從二值線性可分的??最優(yōu)分類面開始，其幾何原理是使用兩個(gè)最大間隔....

本文編號(hào)：4022220