基因识别和微阵列数据识别算法研究

基因识别和微阵列数据识别算法研究

论文摘要

本文首先阐述和分析了基因识别、必需基因识别和微阵列数据识别问题的研究现状、研究热点和发展趋势,并在此基础上,重点研究了基因识别算法和微阵列噪声数据识别算法。在基因识别问题上,提出了一种基于公平权值的径向基函数神经网络模型和算法,并将该算法应用于基因识别研究领域。在必需基因识别问题上,针对必需基因序列特征,采用人工神经网络和支持向量机来解决该问题,取得了较好的结果。在微阵列噪声数据识别问题中,主要研究微阵列基因表达癌症数据误标记样本和异常样本识别问题,并提出了两个有效的识别算法,分别是广义CL-stability和广义消融CL-stability。通过实验测试,验证了新方法的有效性和可行性。本文的主要贡献和研究内容如下:(1)对生物信息学中的基因识别、必需基因识别和微阵列噪声数据识别研究做了系统的综述。(2)阐述了基因识别和微阵列噪声数据识别的相关机器学习基础理论。(3)针对编码蛋白质基因,提出了一种基于公平权值的径向基函数神经网络基因识别模型和算法。(4)利用人工神经网络和支持向量机方法实现了对必需基因的识别。(5)针对微阵列基因表达癌症数据误标记样本和异常样本识别问题,基于支持向量机理论提出了广义CL-stability和广义消融CL-stability两个新算法。本文的研究结果丰富了机器学习理论的应用研究,在进化计算与神经网络结合、神经网络的结构设计和参数学习、以及改进和优化支持向量机学习等方面,做了具有理论意义和应用价值的研究工作。为基因识别、必需基因识别和微阵列噪声数据识别算法的实用化研究提供了有意义的方法和手段,为分子生物学和医学的相关研究起到了一定的促进作用。

论文目录

  • 内容提要
  • 第一章 绪论
  • 1.1 研究背景
  • 1.1.1 生物信息学
  • 1.1.2 基因识别
  • 1.1.3 微阵列数据识别
  • 1.1.4 生物信息学中的机器学习方法
  • 1.2 本文工作
  • 1.2.1 研究目的
  • 1.2.2 研究内容
  • 1.2.3 研究结果
  • 第二章 基因识别和微阵列数据识别
  • 2.1 引言
  • 2.2 编码蛋白质基因识别
  • 2.2.1 原核生物基因组
  • 2.2.2 真核生物基因组
  • 2.2.3 基因识别算法
  • 2.3 必需基因识别
  • 2.4 微阵列癌症噪声数据识别
  • 2.4.1 微阵列技术简介
  • 2.4.2 基因表达数据
  • 2.4.3 基因表达数据分析的特点
  • 2.4.4 基因微阵列分类
  • 2.4.5 微阵列噪声数据类型与识别技术
  • 2.4.6 微阵列噪声数据识别在癌症诊断领域的意义
  • 2.5 小结
  • 第三章 机器学习相关算法
  • 3.1 引言
  • 3.2 人工神经网络
  • 3.2.1 人工神经网络模型
  • 3.2.2 多层前向神经网络
  • 3.2.3 自适应网络
  • 3.2.4 径向基函数神经网络
  • 3.3 遗传算法
  • 3.3.1 遗传算法的基本流程
  • 3.3.2 模式定理和遗传算法的隐并行性
  • 3.4 支持向量机
  • 3.4.1 传统概率统计分析
  • 3.4.2 统计学习理论
  • 3.4.3 支持向量机
  • 3.4.4 加权支持向量机
  • 3.4.5 支持向量机研究中的一些难点问题
  • 3.5 小结
  • 第四章 编码蛋白质基因识别算法研究
  • 4.1 引言
  • 4.2 编码蛋白质基因识别问题形式化描述
  • 4.3 基于公平权值的径向基神经网络基因识别算法
  • 4.3.1 算法思想
  • 4.3.2 工具选取
  • 4.3.3 准确率参数
  • 4.3.4 计算参数公平权值的遗传算法
  • 4.3.5 基于径向基神经网络的基因识别融合方法
  • 4.4 实验结果
  • 4.5 小结
  • 第五章 必需基因识别方法研究
  • 5.1 引言
  • 5.2 必需基因识别的人工神经网络方法
  • 5.2.1 基本思想
  • 5.2.2 实验数据与处理
  • 5.2.3 人工神经网络模型
  • 5.2.4 实验结果
  • 5.3 必需基因识别的支持向量机方法
  • 5.4 小结
  • 第六章 微阵列噪声数据识别算法研究
  • 6.1 引言
  • 6.2 微阵列癌症数据误标记样本和异常样本识别算法
  • 6.2.1 问题描述
  • 6.2.2 广义CL-stability 算法概述
  • 6.2.3 Cl-stability 算法
  • 6.2.4 广义Cl-stability 算法思想与描述
  • 6.2.5 广义消融Cl-stability 算法
  • 6.3 实验结果
  • 6.3.1 实验数据
  • 6.3.2 样本识别准确率评价参数
  • 6.3.3 实验结果与分析
  • 6.4 小结
  • 第七章 总结与展望
  • 7.1 本文工作总结
  • 7.2 展望
  • 参考文献(References)
  • 作者博士期间发表的论文和参与的项目
  • 学位论文摘要
  • 学位论文摘要(Abstract)
  • 致谢
  • 相关论文文献

    • [1].微阵列数据研究[J]. 教育现代化 2017(43)
    • [2].多种归一化方法对miRNA微阵列数据的作用分析及比较[J]. 西南师范大学学报(自然科学版) 2020(05)
    • [3].用于微阵列数据分类的子空间融合演化超网络[J]. 电子学报 2016(10)
    • [4].基于迭代延长纠错输出编码的微阵列数据多分类方法[J]. 厦门大学学报(自然科学版) 2018(03)
    • [5].基于主曲线的微阵列数据分类[J]. 计算机科学 2010(12)
    • [6].基于微阵列数据构建的基因通路分析软件的研究进展[J]. 现代生物医学进展 2009(07)
    • [7].最小一乘估计在多重检验中的应用——基于乳腺癌微阵列数据[J]. 数学的实践与认识 2017(21)
    • [8].微阵列数据中的先验信息对基于LASSO变量选择方法影响的模拟研究[J]. 中国卫生统计 2015(03)
    • [9].DNA微阵列数据判别的旋转森林方法[J]. 中国卫生统计 2012(04)
    • [10].DNA微阵列数据特征提取的分类方法研究[J]. 计算机工程与应用 2010(28)
    • [11].微阵列数据的多目标免疫优化双聚类[J]. 生物信息学 2009(03)
    • [12].MATLAB在微阵列数据分析的FDR控制中的实现[J]. 福建电脑 2011(08)
    • [13].三维微阵列数据的多目标进化聚类[J]. 计算机工程与科学 2008(12)
    • [14].基于演化学习超网络的微阵列数据分类[J]. 江苏大学学报(自然科学版) 2014(01)
    • [15].多阶段的微阵列数据特征基因集选取[J]. 吉林大学学报(信息科学版) 2014(05)
    • [16].基于随机森林的胃癌微阵列数据基因通路分析[J]. 生物学杂志 2010(02)
    • [17].基于微阵列数据分析的癌症诊断[J]. 中国科技论文在线 2010(02)
    • [18].主成分分析和支持向量机在微阵列数据分析的应用[J]. 现代计算机(专业版) 2013(26)
    • [19].几种差异基因分析方法及筛选效果的比较[J]. 中国卫生统计 2008(04)
    • [20].基于PCA与核PCA的微阵列数据分析[J]. 长春师范大学学报 2019(06)
    • [21].基于DNA微阵列数据分析的分级Bayes模型[J]. 应用数学学报 2009(05)
    • [22].吗啡急性处理小鼠的微阵列数据分析和生物标记识别[J]. 天津医药 2015(02)
    • [23].基于Hadoop的微阵列数据两阶段并行K近邻基因提取[J]. 计算机工程 2016(05)
    • [24].基于极限学习机(ELM)岭回归的DNA微阵列数据填补[J]. 小型微型计算机系统 2014(10)
    • [25].一种从稳态微阵列数据构建转录调控网络的条件三元互信息新方法[J]. 医用生物力学 2009(S1)
    • [26].基于聚类和微粒群优化的基因选择新方法[J]. 计算机应用 2013(05)
    • [27].基于过采样技术和随机森林的不平衡微阵列数据分类方法研究[J]. 计算机科学 2012(05)
    • [28].一种基于微阵列数据的集成分类方法[J]. 计算机应用研究 2010(01)
    • [29].基于置换重抽样的多重检验和错误发现率估计[J]. 中国卫生统计 2012(05)
    • [30].一种基于ZBDD结构的Top-k挖掘算法[J]. 现代计算机(专业版) 2011(25)

    标签:;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  ;  

    基因识别和微阵列数据识别算法研究
    下载Doc文档

    猜你喜欢