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