【摘要】：在生物信息學(xué)領(lǐng)域,對已測序的細(xì)胞RNA序列實行聚簇以發(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,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。該方法容噪性高、魯棒性強、可擴(kuò)展性優(yōu),已在人臉聚類、運動分割和手寫字體識別等場合中展現(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,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。本文主要的研究內(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,實現(xiàn)了兼具變量水平的稀疏性、預(yù)設(shè)組稀疏性和自動組稀疏性的降維過程。在UCI的分類數(shù)據(jù)集上執(zhí)行分類實驗,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。在人臉聚類和運動分割的聚類數(shù)據(jù)集上執(zhí)行聚類實驗,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)對其進(jìn)行分布式求解,并對來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)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：Q811.4;TP311.13
【圖文】：

4.4.1 人臉聚類實驗人臉聚類指的是以待聚類的人臉的特征信息為依據(jù)比對人臉，并根據(jù)人臉的相似度值對所有的人臉圖像進(jìn)行分組的過程。選擇兩個被廣泛使用的人臉數(shù)據(jù)庫，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）作為人臉聚類實驗材料。ORL數(shù)據(jù)集包含來自于40個對象的各10張，共計400張的人臉圖像，每張單獨的圖像大小為92 112像素。Extended Yale B數(shù)據(jù)集由來自于38個對象在59至64種不同的光照和角度等條件下拍攝的超過2400張的人臉圖像構(gòu)成，每張單獨的圖像大小為168 192像素。為了確保實驗的高效性，將兩種數(shù)據(jù)集的各個樣本分別下采樣為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）作為人臉聚類實驗材料。ORL數(shù)據(jù)集包含來自于40個對象的各10張，共計400張的人臉圖像，每張單獨的圖像大小為92 112像素。Extended Yale B數(shù)據(jù)集由來自于38個對象在59至64種不同的光照和角度等條件下拍攝的超過2400張的人臉圖像構(gòu)成，每張單獨的圖像大小為168 192像素。為了確保實驗的高效性，將兩種數(shù)據(jù)集的各個樣本分別下采樣為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[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(自然科學(xué));2014年04期

7 詹秀眉;李亞星;歐陽俐;朱文婷;;不同耕地空間聚類算法的對比分析研究[J];測繪與空間地理信息;2019年01期

8 呂紅偉;王士同;;預(yù)測子空間聚類的聚類集成算法[J];小型微型計算機(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(自然科學(xué)版);2017年03期

相關(guān)會議論文 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];第二十五屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（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屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集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空間聚類中的應(yīng)用[A];2017中國地球科學(xué)聯(lián)合學(xué)術(shù)年會論文集（五十）——專題104：深部礦產(chǎn)資源評價理論方法、專題105：中國“三稀”礦產(chǎn)資源分布與成因[C];2017年

4 穆向禹;浦劍濤;張樹武;徐波;;基于狀態(tài)子空間聚類的多層MLLR自適應(yīng)算法[A];第七屆全國人機(jī)語音通訊學(xué)術(shù)會議（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屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集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];中國煙草學(xué)會學(xué)術(shù)年會優(yōu)秀論文集[C];2017年

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

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

9 劉建毅;王菁華;王樅;;領(lǐng)域語義語法的統(tǒng)計生成[A];2006年首屆ICT大會信息、知識、智能及其轉(zhuǎn)換理論第一次高峰論壇會議論文集[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)——中國地理學(xué)會2008年學(xué)術(shù)年會論文摘要集[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;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;低秩分解及其在計算機(jī)視覺中的應(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;基于多密度樹和場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;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：2730653