本文關(guān)鍵詞：細(xì)胞因子和miRNA識別研究　出處：《河北工程大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： miRNA 細(xì)胞因子 BP神經(jīng)網(wǎng)絡(luò) libSVM_Fscore 模式識別 機(jī)器學(xué)習(xí) 特征提取

【摘要】：近年來,伴隨著蛋白質(zhì)序列提取技術(shù)的發(fā)展,蛋白質(zhì)序列的數(shù)量迅猛增長。由于大量的研究證明,特殊蛋白質(zhì)有很重要的生物學(xué)功能,和眾多人類疾病有著密切的聯(lián)系。為了從大規(guī)模的數(shù)據(jù)集中識別出特殊功能的蛋白質(zhì)序列,計算機(jī)技術(shù)的方法在特殊蛋白質(zhì)結(jié)構(gòu)識別中得到廣泛應(yīng)用,尤其是基于機(jī)器學(xué)習(xí)的計算方法被眾多研究人員進(jìn)行研究。當(dāng)前關(guān)于特殊蛋白質(zhì)識別的機(jī)器學(xué)習(xí)方法仍然存在著很多精度提升的空間。本論文從以下兩個方面提高特殊蛋白質(zhì)識別精度:(1)特征提取;(2)分類器的選擇。特征提取方面,將多種性能較好的特征集進(jìn)行結(jié)合,提出并使用降維方法——MRMD(MaxRelevanceMaxDistance)選擇更優(yōu)秀的特征集,通過對比實驗結(jié)果,對MRMD的性能進(jìn)行分析。分類器選擇方面,本論文將對BP神經(jīng)網(wǎng)絡(luò)(back propagationneural network,BP-NN)和支持向量機(jī)(Support Vector Machine,SVM)的參數(shù)進(jìn)行優(yōu)化,將優(yōu)化之后的分類器作用于特殊蛋白質(zhì)的識別,并且多種性能優(yōu)秀的分類器被選擇作為對比,分析優(yōu)化后的分類器的性能。在miRNA識別方面,通過對比分析實驗結(jié)果發(fā)現(xiàn),使用優(yōu)化之后的BP-NN的方法,結(jié)合從miRNA序列中提取的98維特征集對miRNA進(jìn)行識別,精度和召回率分別為96.00%和96.67%,比其它分類器的精度最高提高13.64%。在細(xì)胞因子識別部分,一方面綜合144次實驗的結(jié)果發(fā)現(xiàn),使用MRMD降維之后的特征集,在細(xì)胞因子識別方面擁有較高性能。另一方面結(jié)合性能較好的2種分類器和3種特征集,綜合分析后發(fā)現(xiàn),在細(xì)胞因子識別方面,性能表現(xiàn)最好的三種組合為473D+libSVM_Fscore、MRMD+libD3C、PCA+libSVM_Fscore。
【學(xué)位授予單位】：河北工程大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：Q78

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 郝紅衛(wèi);王志彬;殷緒成;陳志強(qiáng);;分類器的動態(tài)選擇與循環(huán)集成方法[J];自動化學(xué)報;2011年11期

，

本文編號：1310823