癌癥以其高死亡率嚴重影響我國居民的生命健康,在我國癌癥每年導致上百萬人死亡。癌癥早期治愈率高但由于其沒有明顯的臨床癥狀導致大量患者因延誤治療時機而死亡,因此早發(fā)現(xiàn)、早治療是防癌治癌的重要準則。目前癌癥篩查主要采取影像學手段,醫(yī)師通過對CT等影像資料觀察分析做出診斷,這使得癌癥篩查嚴重依賴醫(yī)生的臨床經(jīng)驗,誤診、漏診率較高導致大量癌癥患者延誤治療時機。隨著生命科學的發(fā)展,基因芯片技術應運而生,基于基因芯片的癌癥早篩技術具有不依賴臨床經(jīng)驗的特點,因而吸引了許多科研人員的關注。但目前應用基因芯片數(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并以支持向量機作為分類器的癌癥特征選擇與分類方法,改進點如下:1)本算法提出了一種新的混合評價函數(shù),該評價函數(shù)包含個體最大相關評價、個體最小冗余評價、個體種群多樣性貢獻評價,這些評價的加權和通過種群代數(shù)相關的系數(shù)與基于分類器準確率的評價相結(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,使算法前期可以快速引入優(yōu)勢基因,此改進方法均衡了遺傳算法的隨機性和收斂速度。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個體改善種群個體和基因多樣性。
【學位單位】：長春工業(yè)大學
【學位級別】：碩士
【學位年份】：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研究7第2章特征基因選擇與分類方法基礎研究2.1基因芯片技術概述基因芯片又稱DNA微陣列，廣泛應用于DNA序列檢測和基因表達檢測，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，使得基因測序技術得到極大的推廣，因此被稱為新一代基因測序技術。2.1.1基因表達產(chǎn)物檢測技術基因表達產(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，探究生命活動的機理。隨著生命科學技術的發(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、表達序列標簽、基因表達系列分析和轉(zhuǎn)錄組測序。基因芯片以其高通量檢測的特點得到廣泛關注，下面介紹基于基因芯片的表達產(chǎn)物檢測流程：圖2.1基因表達檢測流程基因表達產(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)錄技術將要進行檢測的mRNA反轉(zhuǎn)錄獲得與其相對應的cDNA，闊增數(shù)代并做熒光標記。闊增的目的是防止當cDNA與基因芯片雜

第2章特征基因選擇與分類方法基礎研究15特征選擇、生產(chǎn)調(diào)度等領域里有著廣泛的應用。圖2.6遺傳算法流程圖2.5支持向量機支持向量機本質(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)預測時，計算只與支持向量和預測樣本有關，因此模型的計算量較小，同時該特點導致模型對數(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度，這里的適應度依據(jù)的是SVM分類器的準確率，若種群中存在個體超過預設的適應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一步完成分類任務，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，反復迭代直到滿足最大遺傳代數(shù)時終止程序。
【相似文獻】

相關期刊論文 前10條

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

2 張子寧;單甘霖;段修生;張岐龍;;基于改進遺傳算法的支持向量機特征選擇[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的網(wǎng)絡安全態(tài)勢預測[J];宜春學院學報;2018年12期

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

5 陳光英,張千里,李星;異常檢測中查全率和查準率的控制[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)化的支持向量機在變壓器故障診斷中應用[J];儀表技術;2019年03期

7 宇纓;;構造特征復雜性減低的支持向量機(英文)[J];東莞理工學院學報;2007年03期

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

9 謝申汝;葉生波;王學梅;何紅霞;錢彬彬;楊寶華;;基于優(yōu)化支持向量機的小麥最低收購價預測[J];洛陽理工學院學報(自然科學版);2018年01期

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

相關博士學位論文 前10條

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

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

3 王小港;遺傳算法在VLSI設計自動化中的應用研究[D];中國科學院上海冶金研究所;2001年

4 李險峰;基于改進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;2017年

5 袁麗華;基于物種進化的遺傳算法研究[D];南京航空航天大學;2009年

6 周輝仁;遞階遺傳算法理論及其應用研究[D];天津大學;2008年

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

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

9 姚剛;中國股市的分形研究與遺傳算法[D];吉林大學;2008年

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

相關碩士學位論文 前10條

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

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

3 李治友;遺傳算法和支持向量機混合方法及其應用[D];重慶大學;2003年

4 劉濤;基于遺傳算法與支持向量機融合的特征基因抽取方法研究[D];哈爾濱工業(yè)大學;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;2012年

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

7 蔣莎;一種用于學習非平衡數(shù)據(jù)支持向量機的改進[D];武漢科技大學;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;2006年

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

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

本文編號：2876693