基于优化算法的基因选择与癌症分类

基于优化算法的基因选择与癌症分类

论文摘要

随着DNA微阵列(DNA microarray)技术的高速发展,研究人员可在一次实验中同时测定成千上万个基因的表达数据,这些数据对了解疾病在基因级别的发病机理、疾病的诊断、基因级别的药物研制以及基因治疗都有着很高的应用价值,而且在基因组水平上进行癌症研究提供了最基本和必要的信息及依据,在生物学和医学研究中正受到越来越多的应用。然而,在这成千上万的基因表达数据中,只有少量可以研究的样本,造成了严重的维数灾难现象,从而导致分类性能的严重下降,而且在这大量的基因表达数据中,有大量冗余的与癌症分类诊断无关的噪声基因,这就造成了对疾病分类的不准确性,并且数量如此庞大的基因还大量的耗费了医学诊断的费用。因此选择出对疾病有鉴别意义的特征基因或与疾病相关基因至关重要。特征基因选择问题是利用生物信息学技术处理基因表达数据急待解决的关键问题,也是机器学习中研究领域中的一个挑战性课题。针对基因表达数据“高维样本少”的特点,本论文提出了基于优化算法与支持向量机的基因选择算法,本论文的主要贡献有三个方面:(1)提出了基于遗传算法与支持向量机的基因选择算法,算法在全局的基因集合上寻找优秀基因子集,避免一些相关性强的基因被选择而影响对疾病样本的分类效果。(2)提出了基于粒子群算法的基因选择与支持向量机优化的算法,算法在寻找最优基因子集的同时,对支持向量机核函数的参数进行了优化选择,保证了被选择的基因子集是较适合优化后的支持向量机。(3)提出了基于混合粒子群算法与遗传算法的基因选择算法,算法在二进制粒子群算法的基础上引入遗传算子(选择,交叉,变异)来寻找更优的基因子集,一定程度上解决了粒子群算法在寻找优秀基因子集时容易陷入局部最优的情况。通过在公开的基因表达数据集上的实验仿真表明,提出的算法不仅能够选择出数目较少的关键诊断基因,而且被选择的基因具有良好的分类推广能力。

论文目录

  • 摘要
  • Abstract
  • 第1章 绪论
  • 1.1 选题的背景与意义
  • 1.2 DNA 微阵列数据分析现状及内容
  • 1.3 微阵列基因表达数据
  • 1.3.1 关键基因选择
  • 1.3.2 关键基因选择方法
  • 1.4 本文研究主要内容与结构
  • 第2章 基于遗传算法与支持向量机的基因选择
  • 2.1 遗传算法的基本原理与流程
  • 2.1.1 遗传算法基本原理
  • 2.1.2 遗传算法流程
  • 2.2 支持向量机原理
  • 2.3 基于遗传算法与支持向量机的基因选择方法
  • 2.3.1 算法的详细流程
  • 2.3.2 实验结果与分析
  • 2.4 本章小结
  • 第3章 基于粒子群算法的基因选择与支持向量机优化
  • 3.1 基本粒子群算法原理与流程
  • 3.1.1 基本粒子群算法基本原理
  • 3.1.2 基本粒子群算法流程
  • 3.2 离散二进制粒子群算法
  • 3.3 基于二进制粒子群算法的基因选择和支持向量机优化方法
  • 3.3.1 算法的的详细说明
  • 3.3.2 实验结果及分析
  • 3.3.3 进一步的实验分析
  • 3.4 本章小结
  • 第4章 基于混合粒子群算法与遗传算法的基因选择
  • 4.1 混合粒子群算法与遗传算法
  • 4.1.1 遗传算法与粒子群算法比较
  • 4.1.2 混合粒子群算法与遗传算法
  • 4.2 基于混合粒子群算法与遗传算法的基因选择方法
  • 4.2.1 算法的详细说明
  • 4.2.2 实验结果及分析
  • 4.2.3 进一步的实验分析
  • 4.3 本章小结
  • 结论
  • 参考文献
  • 附录A 读学位期间所发表的学术论文目录
  • 致谢
  • 相关论文文献

    • [1].算法:一种新的权力形态[J]. 治理现代化研究 2020(01)
    • [2].算法决策规制——以算法“解释权”为中心[J]. 现代法学 2020(01)
    • [3].面向宏观基本图的多模式交通路网分区算法[J]. 工业工程 2020(01)
    • [4].算法中的道德物化及问题反思[J]. 大连理工大学学报(社会科学版) 2020(01)
    • [5].算法解释请求权及其权利范畴研究[J]. 甘肃政法学院学报 2020(01)
    • [6].算法新闻的公共性建构研究——基于行动者网络理论的视角[J]. 人民论坛·学术前沿 2020(01)
    • [7].算法的法律性质:言论、商业秘密还是正当程序?[J]. 比较法研究 2020(02)
    • [8].关键词批评视野中的算法文化及其阈限性[J]. 学习与实践 2020(02)
    • [9].掌控还是被掌控——大数据时代有关算法分发的忧患与反思[J]. 新媒体研究 2020(04)
    • [10].美国算法治理政策与实施进路[J]. 环球法律评论 2020(03)
    • [11].算法解释权:科技与法律的双重视角[J]. 苏州大学学报(哲学社会科学版) 2020(02)
    • [12].大数据算法决策的问责与对策研究[J]. 现代情报 2020(06)
    • [13].大数据时代算法歧视的风险防控和法律规制[J]. 河南牧业经济学院学报 2020(02)
    • [14].风险防范下算法的监管路径研究[J]. 审计观察 2019(01)
    • [15].模糊的算法伦理水平——基于传媒业269名算法工程师的实证研究[J]. 新闻大学 2020(05)
    • [16].算法推荐新闻对用户的影响及对策[J]. 新媒体研究 2020(10)
    • [17].如何加强对算法的治理[J]. 国家治理 2020(27)
    • [18].“后真相”背后的算法权力及其公法规制路径[J]. 行政法学研究 2020(04)
    • [19].算法规制的谱系[J]. 中国法学 2020(03)
    • [20].论算法排他权:破除算法偏见的路径选择[J]. 政治与法律 2020(08)
    • [21].政务算法与公共价值:内涵、意义与问题[J]. 国家治理 2020(32)
    • [22].算法的法律规制研究[J]. 上海商业 2020(09)
    • [23].蚁群算法在文字识别中的应用研究[J]. 信息与电脑(理论版) 2019(22)
    • [24].大数据聚类算法研究[J]. 无线互联科技 2018(04)
    • [25].RSA算法的改进研究[J]. 计算机与网络 2018(14)
    • [26].智能时代的新内容革命[J]. 国际新闻界 2018(06)
    • [27].改进的负载均衡RSA算法[J]. 电脑知识与技术 2018(25)
    • [28].基于深度学习的视觉跟踪算法研究综述[J]. 计算机科学 2017(S1)
    • [29].大数据算法的歧视本质[J]. 自然辩证法研究 2017(05)
    • [30].深度学习算法在智能协作机器人方面的应用[J]. 中国新通信 2017(21)

    标签:;  ;  ;  ;  ;  

    基于优化算法的基因选择与癌症分类
    下载Doc文档

    猜你喜欢