本文關(guān)鍵詞：基于稀疏性理論的腫瘤基因表達(dá)譜分類

  更多相關(guān)文章： 稀疏表示分類 潛低秩表示 元樣本 腫瘤 基因表達(dá)譜

【摘要】：隨著DNA微陣列技術(shù)的出現(xiàn),生物的基因表達(dá)數(shù)據(jù)有著爆炸性的增長,吸引了大量的科研人員投入到生物信息學(xué)的研究領(lǐng)域中,使得生物信息學(xué)獲得了廣泛的關(guān)注與研究焦點(diǎn)�；贒NA微陣列的腫瘤樣本分類方法為快速準(zhǔn)確的診斷腫瘤類型提供了新的解決思路。同時由于DNA微陣列的高維小樣本與高噪音特性,使得這一診斷方法面臨重大的挑戰(zhàn)。稀疏表示是近年來出現(xiàn)的新穎的熱門技術(shù),并受到了眾多研究者的廣泛關(guān)注,目前已被廣泛應(yīng)用于模式識別領(lǐng)域,如人臉識別、腫瘤分類、聚類、降維等。本論文中,我們圍繞稀疏表示技術(shù),研究其在腫瘤基因表達(dá)譜數(shù)據(jù)上的分類問題,并重點(diǎn)關(guān)注數(shù)據(jù)中的高噪音特性,提出了有效的降噪或去噪算法,詳細(xì)闡述了算法的關(guān)鍵流程,并與傳統(tǒng)的算法進(jìn)行比較。本文的研究工作總結(jié)如下:第一,提出了基于元樣本的魯棒稀疏表示分類器,并用于腫瘤基因表達(dá)譜數(shù)據(jù)分類。該算法是一種改進(jìn)的稀疏表示分類器,它通過增加權(quán)重矩陣與迭代算法,降低數(shù)據(jù)中噪音或異常量的權(quán)重值,即降低噪音或異常量對分類的影響,以達(dá)到降噪的目的,最終實(shí)現(xiàn)提高腫瘤分類準(zhǔn)確率。通過與其他算法的實(shí)驗比較充分說明了該算法的可行性與有效性。第二,利用潛低秩表示算法對基因表達(dá)譜數(shù)據(jù)進(jìn)行預(yù)處理,在此基礎(chǔ)上進(jìn)行分類研究。該算法能夠在去除數(shù)據(jù)中的噪音的同時提取數(shù)據(jù)中的潛在特征,最終達(dá)到提高稀疏表示分類器的分類準(zhǔn)確率。大量的實(shí)驗比較結(jié)果證明了該算法是有效的。本文最后指出了當(dāng)前稀疏表示分類研究中存在的一些問題和今后的研究中需要做的工作。
【關(guān)鍵詞】：稀疏表示分類 潛低秩表示 元樣本 腫瘤 基因表達(dá)譜
【學(xué)位授予單位】：曲阜師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：R730.2
【目錄】：

• 摘要3-4
• ABSTRACT4-7
• 第1章 緒論7-10
• 1.1 研究的背景和意義7
• 1.2 國內(nèi)外研究現(xiàn)狀7-8
• 1.3 研究的內(nèi)容和方法8-9
• 1.4 主要創(chuàng)新點(diǎn)9-10
• 第2章 基因表達(dá)譜數(shù)據(jù)及腫瘤樣本分類概述10-14
• 2.1 基因表達(dá)譜數(shù)據(jù)10-12
• 2.1.1 DNA微陣列技術(shù)10
• 2.1.2 DNA微陣列數(shù)據(jù)的獲取與預(yù)處理10-12
• 2.2 基于基因表達(dá)譜數(shù)據(jù)的腫瘤樣本分類12-13
• 2.3 本章小結(jié)13-14
• 第3章 基于元樣本的魯棒稀疏表示分類器14-24
• 3.1 引言14
• 3.2 元樣本14-15
• 3.3 稀疏表示分類器15-17
• 3.4 魯棒稀疏表示分類器17-20
• 3.5 實(shí)驗內(nèi)容及結(jié)果分析20-22
• 3.5.1 兩類樣本分類20-21
• 3.5.2 多類樣本分類21-22
• 3.6 本章小結(jié)22-24
• 第4章 基于潛低秩表示的稀疏表示分類器24-32
• 4.1 引言24
• 4.2 潛低秩表示24-27
• 4.3 實(shí)驗內(nèi)容及結(jié)果分析27-31
• 4.3.1 兩類樣本分類28
• 4.3.2 多類樣本分類28-29
• 4.3.3 平衡參數(shù)的選擇29-31
• 4.4 本章小結(jié)31-32
• 第5章 結(jié)束語32-33
• 5.1 論文的主要工作及成果32
• 5.2 未來工作展望32-33
• 參考文獻(xiàn)33-39
• 在讀期間發(fā)表的學(xué)術(shù)論文39-40
• 致謝40

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 孫德利,舒琦瑾;基因表達(dá)譜在中醫(yī)藥研究中的意義[J];中國中醫(yī)藥信息雜志;2002年01期

2 劉s，

本文編號：1050327