【摘要】：在生物信息學(xué)領(lǐng)域,對(duì)已測(cè)序的細(xì)胞RNA序列實(shí)行聚簇以發(fā)現(xiàn)細(xì)胞功能的相似性,有助于研究潛在的生物機(jī)理,進(jìn)而為藥物的研發(fā)或者疾病的治療提供新的依據(jù)。近年來(lái),伴隨著復(fù)雜且冗余的生物數(shù)據(jù)的不斷涌入,劃分的、層次的、基于密度的、基于模型的和基于網(wǎng)格的傳統(tǒng)的聚類算法往往難以或者無(wú)法取得理想的聚類準(zhǔn)確率。子空間聚類算法以其適用于處理大規(guī)模和高維度的數(shù)據(jù)集而迅速成為研究熱點(diǎn)。該方法容噪性高、魯棒性強(qiáng)、可擴(kuò)展性優(yōu),已在人臉聚類、運(yùn)動(dòng)分割和手寫(xiě)字體識(shí)別等場(chǎng)合中展現(xiàn)出良好的應(yīng)用前景。然而,當(dāng)直接將其應(yīng)用于生物信息挖掘時(shí),由于其忽略了生物數(shù)據(jù)內(nèi)在關(guān)聯(lián)的結(jié)構(gòu)特征,勢(shì)必將造成可解釋性差和聚類效果不佳等缺陷。為此,本文在低秩表示的子空間聚類框架中嵌入了Lasso方法,提出了具有雙層面表達(dá)機(jī)制的子空間聚類算法,同時(shí)發(fā)展了相應(yīng)的快速求解方法,并將其成功應(yīng)用到小鼠體感皮層和海馬CA1的單細(xì)胞RNA序列聚類分析中。本文主要的研究?jī)?nèi)容和創(chuàng)新工作歸納如下:(1)提出了一種新穎的跡群Lasso(TGL)方法,利用跡Lasso方法和群Lasso方法融合的策略,實(shí)現(xiàn)了兼具變量水平的稀疏性、預(yù)設(shè)組稀疏性和自動(dòng)組稀疏性的降維過(guò)程。在UCI的分類數(shù)據(jù)集上執(zhí)行分類實(shí)驗(yàn),結(jié)果表明本文所提的方法在分類精度和基因選擇能力上相對(duì)于其它兩種Lasso變體方法均更加優(yōu)越。(2)提出了一種基于TGL的子空間聚類(TGLSC)算法,采用了結(jié)合樣本和特征雙層面的線性表達(dá)機(jī)制,使得聚簇方案得以在樣本和特征兩者的子空間下協(xié)同進(jìn)行。在人臉聚類和運(yùn)動(dòng)分割的聚類數(shù)據(jù)集上執(zhí)行聚類實(shí)驗(yàn),結(jié)果表明本文所提的算法在準(zhǔn)確性和穩(wěn)定性等多個(gè)方面與其它五種子空間聚類算法相比總體上性能最佳。(3)針對(duì)所提的TGLSC算法的目標(biāo)函數(shù),引入了最為常用的交替方向乘子法(ADMM)對(duì)其進(jìn)行分布式求解,并對(duì)來(lái)源于小鼠的體感皮層和海馬CA1區(qū)域的單細(xì)胞RNA序列實(shí)行聚類分析,探索和揭示了若干生物科學(xué)的信息和規(guī)律。
【學(xué)位授予單位】：浙江理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：Q811.4;TP311.13
【圖文】：

4.4.1 人臉聚類實(shí)驗(yàn)人臉聚類指的是以待聚類的人臉的特征信息為依據(jù)比對(duì)人臉，并根據(jù)人臉的相似度值對(duì)所有的人臉圖像進(jìn)行分組的過(guò)程。選擇兩個(gè)被廣泛使用的人臉數(shù)據(jù)庫(kù)，即ORL數(shù)據(jù)集[80]（http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html可下載資源）和Extended Yale B數(shù)據(jù)集[81,82]（http://vision.ucsd.edu/~iskwak/ExtYaleDatabase/ExtYaleB.html可下載資源）作為人臉聚類實(shí)驗(yàn)材料。ORL數(shù)據(jù)集包含來(lái)自于40個(gè)對(duì)象的各10張，共計(jì)400張的人臉圖像，每張單獨(dú)的圖像大小為92 112像素。Extended Yale B數(shù)據(jù)集由來(lái)自于38個(gè)對(duì)象在59至64種不同的光照和角度等條件下拍攝的超過(guò)2400張的人臉圖像構(gòu)成，每張單獨(dú)的圖像大小為168 192像素。為了確保實(shí)驗(yàn)的高效性，將兩種數(shù)據(jù)集的各個(gè)樣本分別下采樣為23 28像素和42 48像素大小，兩種數(shù)據(jù)集的每個(gè)樣本可分別視為644維和2016維的向量。圖4.1和圖4.2分別展示了兩種人臉聚類數(shù)據(jù)集的部分樣本圖片。

ak/ExtYaleDatabase/ExtYaleB.html可下載資源）作為人臉聚類實(shí)驗(yàn)材料。ORL數(shù)據(jù)集包含來(lái)自于40個(gè)對(duì)象的各10張，共計(jì)400張的人臉圖像，每張單獨(dú)的圖像大小為92 112像素。Extended Yale B數(shù)據(jù)集由來(lái)自于38個(gè)對(duì)象在59至64種不同的光照和角度等條件下拍攝的超過(guò)2400張的人臉圖像構(gòu)成，每張單獨(dú)的圖像大小為168 192像素。為了確保實(shí)驗(yàn)的高效性，將兩種數(shù)據(jù)集的各個(gè)樣本分別下采樣為23 28像素和42 48像素大小，兩種數(shù)據(jù)集的每個(gè)樣本可分別視為644維和2016維的向量。圖4.1和圖4.2分別展示了兩種人臉聚類數(shù)據(jù)集的部分樣本圖片。圖 4.1 ORL 數(shù)據(jù)集的部分樣本圖片

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 周雅靜;江維;;魯棒的譜增強(qiáng)子空間聚類[J];電子世界;2019年01期

2 黎永安;王為;金舒超;;一種新的子空間聚類方法[J];有線電視技術(shù);2017年12期

3 張彩霞;胡紅萍;白艷萍;;改進(jìn)的稀疏子空間聚類算法[J];火力與指揮控制;2017年03期

4 陳麗萍;郭躬德;;一種基于順序特性的子空間聚類方法[J];計(jì)算機(jī)科學(xué);2016年03期

5 杜靜;匡泰;張麗娜;;基于混合高斯回歸的子空間聚類視頻火焰檢測(cè)[J];科學(xué)家;2017年16期

6 劉波;王紅軍;成聰;楊燕;;基于屬性最大間隔的子空間聚類[J];南京大學(xué)學(xué)報(bào)(自然科學(xué));2014年04期

7 詹秀眉;李亞星;歐陽(yáng)俐;朱文婷;;不同耕地空間聚類算法的對(duì)比分析研究[J];測(cè)繪與空間地理信息;2019年01期

8 呂紅偉;王士同;;預(yù)測(cè)子空間聚類的聚類集成算法[J];小型微型計(jì)算機(jī)系統(tǒng);2017年04期

9 傅文進(jìn);吳小俊;董文華;尹賀峰;;基于協(xié)同表示的子空間聚類[J];模式識(shí)別與人工智能;2017年03期

10 解昊;趙志剛;呂慧顯;王福馳;劉馨月;;稀疏低秩子空間聚類算法[J];青島大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年03期

相關(guān)會(huì)議論文 前10條

1 徐玉峰;周麗華;肖清;;一種基于數(shù)據(jù)分布差異度的子空間聚類算法[A];第二十五屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（一）[C];2008年

2 張燕萍;姜青山;;k-means型軟子空間聚類算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯二[C];2010年

3 張寶一;蒙菲;楊莉;王麗芳;吳湘濱;;顧及梯度矢量的高斯混合模型在三維屬性場(chǎng)空間聚類中的應(yīng)用[A];2017中國(guó)地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì)論文集（五十）——專題104：深部礦產(chǎn)資源評(píng)價(jià)理論方法、專題105：中國(guó)“三稀”礦產(chǎn)資源分布與成因[C];2017年

4 穆向禹;浦劍濤;張樹(shù)武;徐波;;基于狀態(tài)子空間聚類的多層MLLR自適應(yīng)算法[A];第七屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議（NCMMSC7）論文集[C];2003年

5 任家東;周瑋瑋;何海濤;;高維數(shù)據(jù)流的自適應(yīng)子空間聚類算法[A];NDBC2010第27屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集A輯二[C];2010年

6 陳厚銘;盛劍;童朝義;;貴州卷煙品牌銷量空間集聚特征研究[A];中國(guó)煙草學(xué)會(huì)學(xué)術(shù)年會(huì)優(yōu)秀論文集[C];2017年

7 沈天躍;章守宇;沈蔚;;人工魚(yú)礁實(shí)際分布狀態(tài)的聚類分析[A];2014年中國(guó)水產(chǎn)學(xué)會(huì)學(xué)術(shù)年會(huì)論文摘要集[C];2014年

8 劉啟亮;鄧敏;彭東亮;徐震;;基于場(chǎng)論的空間聚類有效性評(píng)價(jià)方法研究[A];2009`中國(guó)地理信息產(chǎn)業(yè)論壇暨第二屆教育論壇就業(yè)洽談會(huì)論文集[C];2009年

9 劉建毅;王菁華;王樅;;領(lǐng)域語(yǔ)義語(yǔ)法的統(tǒng)計(jì)生成[A];2006年首屆ICT大會(huì)信息、知識(shí)、智能及其轉(zhuǎn)換理論第一次高峰論壇會(huì)議論文集[C];2006年

10 鄧羽;;廣義多維云模型在空間聚類中的應(yīng)用[A];地理學(xué)與生態(tài)文明建設(shè)——中國(guó)地理學(xué)會(huì)2008年學(xué)術(shù)年會(huì)論文摘要集[C];2008年

相關(guān)博士學(xué)位論文 前10條

1 王君;稀疏子空間聚類及快速算法的研究[D];哈爾濱工業(yè)大學(xué);2019年

2 王劍亭;面向量子密鑰分發(fā)安全性分析的子空間聚類算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2015年

3 陳黎飛;高維數(shù)據(jù)的聚類方法研究與應(yīng)用[D];廈門(mén)大學(xué);2008年

4 朱林;基于特征加權(quán)與特征選擇的數(shù)據(jù)挖掘算法研究[D];上海交通大學(xué);2013年

5 黃明;基于空間分區(qū)的空間聚類研究[D];武漢大學(xué);2010年

6 由從哲;子空間聚類分析新算法及應(yīng)用研究[D];江南大學(xué);2017年

7 胡彩平;基于空間自相關(guān)的空間數(shù)據(jù)挖掘若干關(guān)鍵技術(shù)的研究[D];南京航空航天大學(xué);2007年

8 王強(qiáng);局部疊加基因表達(dá)模式聚類分析方法研究[D];哈爾濱工業(yè)大學(xué);2012年

9 孫麗萍;半監(jiān)督空間聚類方法及其在城市公共設(shè)施區(qū)位規(guī)劃中的應(yīng)用研究[D];安徽師范大學(xué);2015年

10 郭鍇凌;低秩分解及其在計(jì)算機(jī)視覺(jué)中的應(yīng)用[D];華南理工大學(xué);2017年

相關(guān)碩士學(xué)位論文 前10條

1 江泓;基于多密度樹(shù)和場(chǎng)論的空間聚類算法研究[D];福州大學(xué);2018年

2 肖秉森;圖像數(shù)據(jù)的低秩表示與聚類[D];福州大學(xué);2018年

3 劉奕志;稀疏子空間聚類算法原理及應(yīng)用研究[D];山東科技大學(xué);2018年

4 方賢;基于跡群Lasso的子空間聚類及其在單細(xì)胞RNA序列中的應(yīng)用[D];浙江理工大學(xué);2019年

5 周雅靜;基于數(shù)據(jù)表示的子空間聚類算法的研究與應(yīng)用[D];廣東工業(yè)大學(xué);2019年

6 路程;基于特征選擇和稀疏表示的子空間聚類算法研究[D];浙江工業(yè)大學(xué);2019年

7 李淵;大規(guī)模數(shù)據(jù)的哈希編碼與聚類分析[D];國(guó)防科技大學(xué);2017年

8 李虎;基于自表達(dá)的子空間聚類算法研究[D];廈門(mén)大學(xué);2018年

9 葉東升;多流形嵌入子空間聚類方法研究[D];哈爾濱工程大學(xué);2019年

10 翟義強(qiáng);基于加權(quán)的稀疏低秩子空間聚類算法研究[D];南京理工大學(xué);2018年

本文編號(hào)：2730653