發(fā)布時間：2020-11-09 16:38

　　 癌癥以其高死亡率嚴(yán)重影響我國居民的生命健康,在我國癌癥每年導(dǎo)致上百萬人死亡。癌癥早期治愈率高但由于其沒有明顯的臨床癥狀導(dǎo)致大量患者因延誤治療時機(jī)而死亡,因此早發(fā)現(xiàn)、早治療是防癌治癌的重要準(zhǔn)則。目前癌癥篩查主要采取影像學(xué)手段,醫(yī)師通過對CT等影像資料觀察分析做出診斷,這使得癌癥篩查嚴(yán)重依賴醫(yī)生的臨床經(jīng)驗,誤診、漏診率較高導(dǎo)致大量癌癥患者延誤治療時機(jī)。隨著生命科學(xué)的發(fā)展,基因芯片技術(shù)應(yīng)運而生,基于基因芯片的癌癥早篩技術(shù)具有不依賴臨床經(jīng)驗的特點,因而吸引了許多科研人員的關(guān)注。但目前應(yīng)用基因芯片數(shù)據(jù)仍面臨著許多困難,由于其實驗成本高、實驗復(fù)雜等原因?qū)е聰?shù)據(jù)具有高維度、小樣本、高噪聲等特點增加了分析利用其數(shù)據(jù)的難度。本文針對分析基因芯片數(shù)據(jù)的難點提出了基于遺傳算法改進(jìn)并以支持向量機(jī)作為分類器的癌癥特征選擇與分類方法,改進(jìn)點如下:1)本算法提出了一種新的混合評價函數(shù),該評價函數(shù)包含個體最大相關(guān)評價、個體最小冗余評價、個體種群多樣性貢獻(xiàn)評價,這些評價的加權(quán)和通過種群代數(shù)相關(guān)的系數(shù)與基于分類器準(zhǔn)確率的評價相結(jié)合,該評價函數(shù)平衡了種群多樣性和收斂速度,能夠防止算法陷入局部最優(yōu)解過早收斂。2)遺傳算法中變異算子通過向種群中隨機(jī)引入基因改善種群的基因多樣性。本文依據(jù)遺傳算法不同階段種群特點設(shè)計了基于優(yōu)勢基因庫和全量基因庫的變異算子,該算子以一定概率選擇一個基因庫完成變異操作,選擇概率與種群代數(shù)相關(guān),使算法前期可以快速引入優(yōu)勢基因,此改進(jìn)方法均衡了遺傳算法的隨機(jī)性和收斂速度。3)本文分析種群個體發(fā)現(xiàn)在算法的中后期,種群中出現(xiàn)大量冗余個體,冗余個體不利于算法繼續(xù)搜索最優(yōu)特征子集導(dǎo)致其過早收斂,基于此問題本算法在遺傳算法中添加了種群去重操作,該操作能夠去除種群中的重復(fù)個體改善種群個體和基因多樣性。
【學(xué)位單位】：長春工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：TP18;R730.4
【部分圖文】：

第2章特征基因選擇與分類方法基礎(chǔ)研究7第2章特征基因選擇與分類方法基礎(chǔ)研究2.1基因芯片技術(shù)概述基因芯片又稱DNA微陣列，廣泛應(yīng)用于DNA序列檢測和基因表達(dá)檢測，基本原理依托于堿基互補配對。通過探針固相原位等技術(shù)將大量探針集成在1cm2大小的硅片上，實現(xiàn)高通量的測序和表達(dá)產(chǎn)物檢測。由于其大幅度降低了基因測序的成本，使得基因測序技術(shù)得到極大的推廣，因此被稱為新一代基因測序技術(shù)。2.1.1基因表達(dá)產(chǎn)物檢測技術(shù)基因表達(dá)產(chǎn)物檢測[28]指直接或間接檢測生物體內(nèi)全部基因的轉(zhuǎn)錄產(chǎn)物（mRNA）在細(xì)胞中的豐富度。生命體通過中心法則合成生命活動所必須的生物大分子，其中mRNA攜帶遺傳信息并指導(dǎo)蛋白質(zhì)的合成，通過檢測轉(zhuǎn)錄產(chǎn)物的豐富度可以了解生命體生化過程是否正常，探究生命活動的機(jī)理。隨著生命科學(xué)技術(shù)的發(fā)展，人們又相繼研發(fā)了許多新的測序方法，常用的檢測方法有：實時熒光定量PCR、表達(dá)序列標(biāo)簽、基因表達(dá)系列分析和轉(zhuǎn)錄組測序�；蛐酒云涓咄繖z測的特點得到廣泛關(guān)注，下面介紹基于基因芯片的表達(dá)產(chǎn)物檢測流程：圖2.1基因表達(dá)檢測流程基因表達(dá)產(chǎn)物檢測流程如圖2.1所示：1)雜交混合液的制備：通過反轉(zhuǎn)錄技術(shù)將要進(jìn)行檢測的mRNA反轉(zhuǎn)錄獲得與其相對應(yīng)的cDNA，闊增數(shù)代并做熒光標(biāo)記。闊增的目的是防止當(dāng)cDNA與基因芯片雜

第2章特征基因選擇與分類方法基礎(chǔ)研究15特征選擇、生產(chǎn)調(diào)度等領(lǐng)域里有著廣泛的應(yīng)用。圖2.6遺傳算法流程圖2.5支持向量機(jī)支持向量機(jī)本質(zhì)上是定義在特征空間的線性分類器，其判別函數(shù)通過權(quán)重系數(shù)將各特征值組合在一起對樣本分類，其基本思想是在特征空間線性可分的數(shù)據(jù)集上找到一個分類超平面，使得分類超平面對數(shù)據(jù)集的間隔最大化。通過拉格朗日乘子法可以將問題轉(zhuǎn)化為拉格朗日對偶問題，算法被重寫為支持向量與樣本的點積的形式，通過將點積替換為核函數(shù)，可以將SVM推廣至非線性分類問題，核函數(shù)的處理等價于將原線性不可分的數(shù)據(jù)的輸入空間轉(zhuǎn)化到新的特征空間處理。利用決策函數(shù)預(yù)測時，計算只與支持向量和預(yù)測樣本有關(guān)，因此模型的計算量較小，同時該特點導(dǎo)致模型對數(shù)據(jù)集十分魯棒，數(shù)據(jù)集刪除添加非支持向量數(shù)據(jù)對模型沒有影響。

第3章基于GA-SVM算法的特征選擇與分析223.2.1算法流程圖3.1GA-SVM算法流程圖GA-SVM特征選擇與分類算法流程圖如圖3.1所示，首先算法確定特征空間和個體編碼方式，本問題的特征空間為基因芯片上所有基因的熒光信號。然后算法初始化種群，初始化方法可以完全隨機(jī)也可以根據(jù)某些先驗知識生成，計算種群中每個個體的適應(yīng)度，這里的適應(yīng)度依據(jù)的是SVM分類器的準(zhǔn)確率，若種群中存在個體超過預(yù)設(shè)的適應(yīng)度閾值則算法終止并輸出滿足要求的特征子集給分類器進(jìn)一步完成分類任務(wù)，否則執(zhí)行選擇算子、交叉互換算子、變異算子更新種群中的個體，反復(fù)迭代直到滿足最大遺傳代數(shù)時終止程序。
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 桂紅霞;;基于遺傳算法的加權(quán)支持向量機(jī)的短期電力負(fù)荷預(yù)測[J];工業(yè)控制計算機(jī);2010年05期

2 張子寧;單甘霖;段修生;張岐龍;;基于改進(jìn)遺傳算法的支持向量機(jī)特征選擇[J];電子產(chǎn)品世界;2010年Z1期

3 邵伯樂;李潔;;基于禁忌遺傳算法和支持向量機(jī)的網(wǎng)絡(luò)安全態(tài)勢預(yù)測[J];宜春學(xué)院學(xué)報;2018年12期

4 李昆侖;張炘;廖頻;;基于遺傳算法的支持向量機(jī)參數(shù)優(yōu)化研究[J];電腦知識與技術(shù);2018年09期

5 陳光英,張千里,李星;異常檢測中查全率和查準(zhǔn)率的控制[J];控制與決策;2004年04期

6 朱超巖;姚曉東;;基于遺傳算法優(yōu)化的支持向量機(jī)在變壓器故障診斷中應(yīng)用[J];儀表技術(shù);2019年03期

7 宇纓;;構(gòu)造特征復(fù)雜性減低的支持向量機(jī)(英文)[J];東莞理工學(xué)院學(xué)報;2007年03期

8 田錄林;柴俊嶺;吳瞻;候彤輝;張欣;呂恒;;基于關(guān)聯(lián)氣體和遺傳算法優(yōu)化支持向量機(jī)的電力變壓器故障檢測[J];電氣應(yīng)用;2018年19期

9 謝申汝;葉生波;王學(xué)梅;何紅霞;錢彬彬;楊寶華;;基于優(yōu)化支持向量機(jī)的小麥最低收購價預(yù)測[J];洛陽理工學(xué)院學(xué)報(自然科學(xué)版);2018年01期

10 李艷;辛長平;武建亮;郭磊;;基于遺傳算法的維權(quán)重支持向量機(jī)研究[J];河北工業(yè)大學(xué)學(xué)報;2012年05期

相關(guān)博士學(xué)位論文 前10條

1 孫秋紅;基于遺傳算法的水質(zhì)數(shù)據(jù)挖掘與應(yīng)用研究[D];燕山大學(xué);2016年

2 金小敏;移動云環(huán)境中的計算遷移系統(tǒng)關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2018年

3 王小港;遺傳算法在VLSI設(shè)計自動化中的應(yīng)用研究[D];中國科學(xué)院上海冶金研究所;2001年

4 李險峰;基于改進(jìn)遺傳算法的汽車裝配生產(chǎn)線平衡問題研究[D];北京科技大學(xué);2017年

5 袁麗華;基于物種進(jìn)化的遺傳算法研究[D];南京航空航天大學(xué);2009年

6 周輝仁;遞階遺傳算法理論及其應(yīng)用研究[D];天津大學(xué);2008年

7 馬國田;遺傳算法及其在電磁工程中的應(yīng)用[D];西安電子科技大學(xué);1998年

8 王曉鵬;遺傳算法及其在氣動優(yōu)化設(shè)計中的應(yīng)用研究[D];西北工業(yè)大學(xué);2000年

9 姚剛;中國股市的分形研究與遺傳算法[D];吉林大學(xué);2008年

10 黃景濤;支持向量機(jī)算法參數(shù)選擇及其在電站鍋爐系統(tǒng)中的應(yīng)用研究[D];浙江大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 唐銘一;基于遺傳算法和支持向量機(jī)的癌癥特征基因選擇及分類[D];長春工業(yè)大學(xué);2020年

2 呂勇波;基于支持向量機(jī)與遺傳算法的結(jié)構(gòu)優(yōu)化研究[D];華中科技大學(xué);2007年

3 李治友;遺傳算法和支持向量機(jī)混合方法及其應(yīng)用[D];重慶大學(xué);2003年

4 劉濤;基于遺傳算法與支持向量機(jī)融合的特征基因抽取方法研究[D];哈爾濱工業(yè)大學(xué);2007年

5 劉晉飚;基于遺傳算法的特征基因選擇方法研究[D];湖南大學(xué);2012年

6 曹彥;基于支持向量機(jī)的特征選擇及其集成方法的研究[D];鄭州大學(xué);2010年

7 蔣莎;一種用于學(xué)習(xí)非平衡數(shù)據(jù)支持向量機(jī)的改進(jìn)[D];武漢科技大學(xué);2008年

8 熊娓;基于SVM和GA混合算法的基因芯片特征基因子集選取研究[D];吉林大學(xué);2006年

9 劉明飛;半監(jiān)督交互式遺傳算法的研究與應(yīng)用[D];山東師范大學(xué);2013年

10 張淑娟;基于支持向量機(jī)的稅收預(yù)測模型研究[D];廣東工業(yè)大學(xué);2017年

本文編號：2876693