本文關(guān)鍵詞：基于機(jī)器學(xué)習(xí)的基因癌癥診斷方法研究

  更多相關(guān)文章： 基因芯片 遺傳算法 支持向量機(jī) 二進(jìn)制量子行為粒子群算法

【摘要】：目前,聯(lián)合生命科學(xué)與信息科學(xué)的基因芯片技術(shù)已經(jīng)成為人類探索生物分子信息的有效方法之一,同時(shí)也成為生物信息學(xué)中最為廣泛使用的技術(shù)之一。通過基因芯片技術(shù)可以同時(shí)測定某一細(xì)胞中成千上萬個(gè)基因的表達(dá)情況�；蛐酒夹g(shù)為基因診斷和輔助疾病治療等應(yīng)用提供了有效前提和技術(shù)保障。隨著基因芯片技術(shù)的極快發(fā)展,利用基因微陣列表達(dá)譜輔助癌癥診斷吸引了越來越多的科研人員的關(guān)注�；蛭㈥嚵袛�(shù)據(jù)有別于一般的分類數(shù)據(jù),與其高維特性相比,樣本量就顯得太過缺少。這使得研究重點(diǎn)集中在對(duì)高維數(shù)據(jù)的降維和利用少量樣本進(jìn)行訓(xùn)練和分類,以選出真正具有分類信息的基因,得到較高的分類正確率。針對(duì)這一研究課題,本文首先提出了基于改進(jìn)的遺傳算法的癌癥特征基因選擇與分類方法。在改進(jìn)的遺傳算法中,交叉操作使用均勻交叉策略,變異操作使用變異概率非線性變化策略,同時(shí)根據(jù)最優(yōu)特征基因子集的特點(diǎn)增加最優(yōu)個(gè)體變異策略。均勻交叉策略增強(qiáng)了遺傳算法的全局搜索性能。到了遺傳算法的迭代后期,當(dāng)個(gè)體聚集到最優(yōu)解附近時(shí),變異概率增大有效的增強(qiáng)了遺傳算法的局部搜索能力,避免了遺傳算法的早熟收斂。最優(yōu)個(gè)體變異策略有效利用了每次迭代找到的全局最優(yōu)解,更增加了遺傳算法尋找到最優(yōu)解的可能。實(shí)驗(yàn)結(jié)果表明,改進(jìn)的遺傳算法明顯比基本遺傳算法具有更強(qiáng)的分類性能,而且具有更好的魯棒性。本文將二進(jìn)制量子行為粒子群算法引入到癌癥特征基因選擇過程中,提出基于二進(jìn)制量子行為粒子群優(yōu)化算法的癌癥特征基因選擇與分類方法。二進(jìn)制量子行為粒子群優(yōu)化算法是量子行為粒子群優(yōu)化算法在二進(jìn)制空間的版本,是群體智能算法中的一種。將其作為特征空間中的搜索引擎,與支持向量機(jī)相結(jié)合,在原始的特征空間中選擇出了具有較強(qiáng)分類性能的特征基因子集。實(shí)驗(yàn)結(jié)果表明,與粒子群算法和遺傳算法作為搜索引擎相比,二進(jìn)制量子行為粒子群算法具有更強(qiáng)的搜索能力,且具有更好的魯棒性。得到的特征基因子集規(guī)模更小,對(duì)癌癥數(shù)據(jù)集的分類精度更高。本文在分析了二進(jìn)制量子行為粒子群算法的收斂過程之后,為了能夠有效地避免算法在尋找最優(yōu)特征基因子集的過程中陷入早熟收斂,在算法中加入了可變種群規(guī)模機(jī)制,以使得算法在出現(xiàn)早熟時(shí)能夠有效地跳出局部搜索區(qū)域,增強(qiáng)算法的全局搜索性能。實(shí)驗(yàn)結(jié)果表明,可變種群規(guī)模的二進(jìn)制量子行為粒子群算法相比于原算法具有更強(qiáng)的搜索性能,在迭代后期能夠找到更好的基因子集,有效避免了算法陷入早熟收斂。
【關(guān)鍵詞】：基因芯片 遺傳算法 支持向量機(jī) 二進(jìn)制量子行為粒子群算法
【學(xué)位授予單位】：江南大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：R730.4;TP18
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-13
• 1.1 研究背景和意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-10
• 1.3 本文研究內(nèi)容10-11
• 1.4 本文組織結(jié)構(gòu)11
• 1.5 本章小結(jié)11-13
• 第二章 特征基因選擇相關(guān)理論與群體智能算法13-21
• 2.1 基因芯片技術(shù)概述13-14
• 2.1.1 基因芯片技術(shù)的基本原理13
• 2.1.2 基因芯片技術(shù)的特點(diǎn)13
• 2.1.3 基因芯片的應(yīng)用13-14
• 2.2 特征選擇概述14-15
• 2.2.1 特征選擇的意義14
• 2.2.2 特征選擇算法14-15
• 2.3 智能算法15-17
• 2.3.1 智能算法概述15-16
• 2.3.2 群體智能算法16-17
• 2.4 支持向量機(jī)17-19
• 2.4.1 數(shù)據(jù)分類技術(shù)17-18
• 2.4.2 支持向量機(jī)理論18-19
• 2.4.3 LIBSVM工具箱19
• 2.5 癌癥數(shù)據(jù)集19-20
• 2.6 本章小結(jié)20-21
• 第三章 基于改進(jìn)的遺傳算法的癌癥特征基因選擇與分類21-36
• 3.1 遺傳算法21-23
• 3.1.1 基本原理21-22
• 3.1.2 編碼22
• 3.1.3 選擇操作22
• 3.1.4 交叉操作22-23
• 3.1.5 變異操作23
• 3.2 改進(jìn)的遺傳算法23-25
• 3.2.1 均勻交叉策略23-24
• 3.2.2 變異概率非線性變化策略24-25
• 3.2.3 最優(yōu)個(gè)體變異策略25
• 3.3 基于改進(jìn)的GA/SVM的癌癥特征基因選擇與分類25-26
• 3.4 適應(yīng)值函數(shù)26-27
• 3.5 實(shí)驗(yàn)環(huán)境設(shè)置27
• 3.6 實(shí)驗(yàn)結(jié)果分析27-35
• 3.6.1 算法性能分析27-30
• 3.6.2 魯棒性分析30-31
• 3.6.3 生物意義分析31-35
• 3.7 本章總結(jié)35-36
• 第四章 基于BQPSO算法的癌癥特征基因選擇與分類36-49
• 4.1 粒子群算法36-37
• 4.2 量子行為粒子群算法37-38
• 4.3 二進(jìn)制編碼的量子行為粒子群算法38-40
• 4.4 基于BQPSO/SVM算法的癌癥特征基因選擇與分類40-41
• 4.5 BQPSO/SVM,PSO/SVM,GA/SVM對(duì)比實(shí)驗(yàn)設(shè)置41-42
• 4.6 實(shí)驗(yàn)結(jié)果分析42-48
• 4.6.1 算法性能分析42-43
• 4.6.2 算法魯棒性分析43-44
• 4.6.3 生物意義分析44-48
• 4.7 本章小結(jié)48-49
• 第五章 基于VP-BQPSO算法的癌癥特征基因選擇與分類49-59
• 5.1 BQPSO算法早熟收斂分析49
• 5.2 VP-BQPSO算法49-51
• 5.3 基于VP-BQPSO/SVM的癌癥特征基因的選擇與分類51
• 5.4 實(shí)驗(yàn)結(jié)果分析51-58
• 5.4.1 算法性能比較51-54
• 5.4.2 生物意義分析54-58
• 5.5 本章小結(jié)58-59
• 主要結(jié)論與展望59-61
• 致謝61-62
• 參考文獻(xiàn)62-65
• 附錄: 作者在攻讀碩士學(xué)位期間發(fā)表的論文65

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉秀珍;張如意;欒海云;李淑翠;;基因芯片技術(shù)及應(yīng)用[J];濱州醫(yī)學(xué)院學(xué)報(bào);2007年01期

2 周江菊;人類基因組計(jì)劃[J];常德師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2001年01期

3 丁世飛;齊丙娟;譚紅艷;;支持向量機(jī)理論與算法研究綜述[J];電子科技大學(xué)學(xué)報(bào);2011年01期

4 余達(dá)太;馬欣;;一種人工神經(jīng)網(wǎng)絡(luò)算法在燃料電池中的應(yīng)用[J];電力電子技術(shù);2008年10期

5 李穎新,劉全金,阮曉鋼;一種腫瘤基因表達(dá)數(shù)據(jù)的知識(shí)提取方法[J];電子學(xué)報(bào);2004年09期

6 ;Gene Expression Data Classification Using Consensus Independent Component Analysis[J];Genomics Proteomics & Bioinformatics;2008年02期

7 蔡君;王宇;;基于有監(jiān)督學(xué)習(xí)的應(yīng)用識(shí)別研究[J];廣東技術(shù)師范學(xué)院學(xué)報(bào);2013年07期

8 王輝;錢鋒;;群體智能優(yōu)化算法[J];化工自動(dòng)化及儀表;2007年05期

9 周曉光;任魯風(fēng);李運(yùn)濤;張猛;俞育德;于軍;;下一代測序技術(shù):技術(shù)回顧與展望[J];中國科學(xué):生命科學(xué);2010年01期

10 黃解軍,潘和平,萬幼川;數(shù)據(jù)挖掘技術(shù)的應(yīng)用研究[J];計(jì)算機(jī)工程與應(yīng)用;2003年02期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 宮秀軍;貝葉斯學(xué)習(xí)理論及其應(yīng)用研究[D];中國科學(xué)院研究生院（計(jì)算技術(shù)研究所）;2002年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 崔珊珊;遺傳算法的一些改進(jìn)及其應(yīng)用[D];中國科學(xué)技術(shù)大學(xué);2010年

，

本文編號(hào)：561548