本文選題：粒度空間　切入點(diǎn)：功率譜　出處：《江南大學(xué)》2017年碩士論文　論文類(lèi)型：學(xué)位論文

【摘要】：本文基于粒度空間理論,通過(guò)功率譜提取蛋白質(zhì)特征進(jìn)行了基于粒度空間的譜聚類(lèi)方法及應(yīng)用研究。基于經(jīng)典HP模型以及類(lèi)內(nèi)差異和類(lèi)間差異獲取數(shù)據(jù)分層結(jié)構(gòu)的優(yōu)化聚類(lèi)指標(biāo),進(jìn)一步建立最優(yōu)聚類(lèi)模型,對(duì)流感病毒H1N1、動(dòng)物線粒體脫氫酶亞基等蛋白質(zhì)的特性進(jìn)行分析,為基于大數(shù)據(jù)的信息處理提供一整套全新的處理方法。進(jìn)行如下工作:第二章中采用分層聚類(lèi)及熵的評(píng)價(jià)方法進(jìn)行基于功率譜的蛋白質(zhì)序列特征提取新方法研究,首先基于經(jīng)典的HP模型進(jìn)行了氨基酸序列的數(shù)值序列表達(dá);其次,采用離散傅里葉變換方法獲取蛋白質(zhì)序列的特征頻譜,構(gòu)造12維特征向量;最后利用分層聚類(lèi)法獲取分層結(jié)構(gòu)。通過(guò)選取的19條動(dòng)物線粒體脫氫酶亞基1、亞基4與11條?珠蛋白等三組數(shù)據(jù)進(jìn)行試驗(yàn)比較。第三章在第二章的基礎(chǔ)上,基于經(jīng)典HP模型和功率譜提取蛋白質(zhì)特征,采用分層聚類(lèi)方法進(jìn)行流感病毒蛋白質(zhì)序列結(jié)構(gòu)分析。將編碼流感病毒蛋白質(zhì)氨基酸序列中的20種氨基酸分為4類(lèi),結(jié)合離散的傅里葉變換畫(huà)出氨基酸序列在頻率域上得到的特征頻譜,求出流感病毒序列特征向量,最后利用譜聚類(lèi)法獲取分層結(jié)構(gòu)。對(duì)流感病毒進(jìn)行了分析,討論蛋白質(zhì)序列之間的相似性。第四章基于粒度空間理論研究譜聚類(lèi)分析方法并建立了提取最優(yōu)層次結(jié)構(gòu)的模型。應(yīng)用本文提出的最優(yōu)層次結(jié)構(gòu)模型和算法構(gòu)建了流感病毒蛋白系統(tǒng)的第一級(jí)結(jié)構(gòu)和第二級(jí)結(jié)構(gòu),基于距離中心最近的原理建立了簽名病毒選取優(yōu)化模型,提取病毒蛋白標(biāo)簽,并構(gòu)建出流感病毒H1N1的核心進(jìn)化樹(shù)。且根據(jù)建立的距離中心最近原則構(gòu)建分類(lèi)器以檢驗(yàn)本文方法的有效性。分析發(fā)現(xiàn),挑選出的標(biāo)簽病毒蛋白可以有效近似整個(gè)病毒系統(tǒng)。
[Abstract]:Based on the theory of granularity space, The spectral clustering method based on granularity space and its application are studied by extracting protein features from power spectrum. Based on the classical HP model and intra-class and inter-cluster differences, the optimized clustering indexes of hierarchical structure of data are obtained. An optimal cluster model was established to analyze the characteristics of proteins such as influenza virus H1N1 and mitochondrial dehydrogenase subunits of animals. This paper provides a new set of methods for information processing based on big data. The main work is as follows: in the second chapter, a new method of protein sequence feature extraction based on power spectrum is studied by using hierarchical clustering and entropy evaluation method. Firstly, the amino acid sequences are expressed numerically based on the classical HP model; secondly, the characteristic spectrum of protein sequences is obtained by discrete Fourier transform (DFT), and the 12-dimensional eigenvector is constructed. Finally, the stratified structure was obtained by stratified clustering method. Through the selection of 19 animal mitochondrial dehydrogenase subunits 1, 4 and 11? The third chapter is based on the classical HP model and the power spectrum to extract the protein features on the basis of the second chapter. A hierarchical clustering method was used to analyze the sequence structure of influenza virus protein. Twenty amino acids encoding amino acid sequence of influenza virus protein were classified into 4 groups. Combined with discrete Fourier transform, the characteristic spectrum of amino acid sequence in frequency domain is drawn, and the characteristic vector of influenza virus sequence is obtained. Finally, the hierarchical structure of influenza virus is obtained by spectral clustering method. The similarity between protein sequences is discussed. Chapter 4th studies spectral cluster analysis method based on granularity space theory and establishes a model for extracting optimal hierarchical structure. The optimal hierarchical structure model and algorithm proposed in this paper are used to construct the model. The first and second structure of the influenza virus protein system, Based on the principle of the nearest distance to the center, the optimization model of virus selection is established, and the virus protein tag is extracted. The core evolutionary tree of influenza virus H1N1 was constructed and the classifier was constructed according to the principle of nearest distance center to verify the effectiveness of the method. The analysis shows that the selected tag virus protein can effectively approximate the whole virus system.
【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】：2017
【分類(lèi)號(hào)】：Q51;TP311.13

【相似文獻(xiàn)】

相關(guān)期刊論文 前8條

1 郭昆;張岐山;;基于灰關(guān)聯(lián)分析的譜聚類(lèi)[J];系統(tǒng)工程理論與實(shí)踐;2010年07期

2 袁可紅;黃士國(guó);王德運(yùn);郭海湘;;一種基于譜聚類(lèi)分析的粒子群聚類(lèi)算法[J];數(shù)學(xué)雜志;2013年05期

3 張彪;顧明亮;王俠;;譜聚類(lèi)在漢語(yǔ)方言辨識(shí)中的應(yīng)用[J];徐州師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年03期

4 蔣偉進(jìn);許宇暉;王欣;;基于成對(duì)約束的主動(dòng)學(xué)習(xí)半監(jiān)督譜聚類(lèi)[J];系統(tǒng)科學(xué)與數(shù)學(xué);2013年06期

5 徐步東;;基于譜聚類(lèi)的社團(tuán)發(fā)現(xiàn)算法[J];濰坊工程職業(yè)學(xué)院學(xué)報(bào);2013年04期

6 張振宇;張珍;楊文忠;吳曉紅;;復(fù)雜網(wǎng)絡(luò)中重疊社區(qū)檢測(cè)[J];計(jì)算機(jī)工程與科學(xué);2013年12期

7 高尚兵;周靜波;嚴(yán)云洋;;一種新的基于超像素的譜聚類(lèi)圖像分割算法[J];南京大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年02期

8 ;[J];;年期

相關(guān)博士學(xué)位論文 前3條

1 劉璐;基于聯(lián)合域聚類(lèi)和稀疏表示的極化SAR圖像分類(lèi)[D];西安電子科技大學(xué);2015年

2 楊藝芳;譜聚類(lèi)與維數(shù)約簡(jiǎn)算法及其應(yīng)用[D];西安電子科技大學(xué);2016年

3 孔敏;關(guān)聯(lián)圖的譜分析及譜聚類(lèi)方法研究[D];安徽大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 陳昭彤;基于拓?fù)鋭?shì)和譜聚類(lèi)的社區(qū)發(fā)現(xiàn)研究[D];中國(guó)礦業(yè)大學(xué);2015年

2 張吉文;基于譜聚類(lèi)的文本聚類(lèi)算法研究[D];貴州大學(xué);2015年

3 李偉龍;基于面向?qū)ο骃VM和譜聚類(lèi)的極化SAR分類(lèi)[D];西安電子科技大學(xué);2014年

4 崔竹冬;基于譜聚類(lèi)的三維血管點(diǎn)云分割技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2016年

5 崔海玉;基于譜聚類(lèi)的域間社區(qū)挖掘算法研究[D];大連海事大學(xué);2016年

6 付剛;基于譜聚類(lèi)的混合流形學(xué)習(xí)算法研究[D];安徽理工大學(xué);2016年

7 林珍香;基于譜聚類(lèi)的個(gè)性化推薦系統(tǒng)研究[D];福建農(nóng)林大學(xué);2016年

8 梁?jiǎn)⒑?基于粒度空間的譜聚類(lèi)方法及應(yīng)用研究[D];江南大學(xué);2017年

9 何心琪;基于譜聚類(lèi)的水聲圖像分割技術(shù)研究[D];哈爾濱工程大學(xué);2013年

10 趙冬琴;基于譜聚類(lèi)的MCI影像學(xué)分類(lèi)特征研究與應(yīng)用[D];太原理工大學(xué);2014年

，

本文編號(hào)：1583975