基于进化算法和时空独立成分分析的基因分类研究

论文摘要

基因分类是基因芯片以及微阵列技术的一个重要问题，它将海量的基因表达数据划分成数量较少并且具有生物意义的组，然后在此基础上研究不同基因组合的功能和工作方式。本文首先研究基于蚁群、遗传这两种进化算法的基因分类，针对已有的算法与模型当中存在的问题,提出对算法的改进，然后对时空独立成分分析在基因分类中的应用进行了研究。蚁群算法内在并行性、鲁棒性等良好特征使其成为特征基因选择问题的一种有效计算模型，但传统的蚁群算法存在着早熟问题；本文把蚁群算法和克隆免疫相结合，将原有蚁群模型的问题对应为抗原，借鉴克隆选择和免疫记忆的思想进行解的构造以及信息素的更新，以此在一定程度上来避免原有算法中的早熟现象。通过对比实验将改进的算法同原有的蚁群选择算法以及RFE，ALMA选择算法相比较，结果表明改进的算法能够取得更好的分类效果。将遗传算法和独立成分分析相结合能够获得有序、区分度高的特征基因集合，但无法保证每一个类别的特征基因数目相同，这在一定程度影响分类器的训练，从而降低分类的精度。本文对独立成分分析获得的一组特征基因先进行模糊聚类，然后从每个聚类中选取相同数量的特征基因构造染色体，进行选择、交叉、变异等遗传操作，获得分类效果最好的特征基因集合。通过对比实验将改进的算法同原有的遗传算法相比较，结果表明改进的算法能够取得更好的分类效果。时空独立成分分析能够利用基因和样本两个方向的独立性，本文将基因方向定义为空间方向，样本方向定义为时间方向，介于两者之间定义为时空方向，采用基于共轭梯度法的独立成分分析来求解三个方向的源阵列，分析三种独立成分分析的迭代过程。通过统计显著性的对比实验，表明基于时间以及时空方向的独立成分分析在基因分类中能够取得更好的效果。

论文目录

• 摘要
• Abstract
• 插图索引
• 附表索引
• 第1章 绪论
• 1.1 本文研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文主要工作
• 1.4 本文组织结构
• 第2章 相关算法概述
• 2.1 基因数据特征提取
• 2.1.1 主成分分析
• 2.1.2 独立成分分析
• 2.2 基因分类算法
• 2.2.1 支持向量机
• 2.2.2 Nave Bayes 分类算法
• 2.2.3 KNN 算法
• 2.3 基因选择算法
• 2.3.1 信噪比算法
• 2.3.2 SVM-RFE 算法
• 2.3.3 ALMA 算法
• 2.3.4 粗糙集算法
• 2.4 蚁群算法和克隆免疫
• 2.4.1 蚁群算法
• 2.4.2 克隆免疫
• 2.5 小结
• 第3章 基于蚁群算法和克隆免疫的基因选择
• 3.1 引言
• 3.2 基于蚁群算法和克隆免疫的基因选择
• 3.2.1 模型的建立
• 3.2.2 克隆免疫操作
• 3.2.3 算法描述及收敛性证明
• 3.3 实验及结果分析
• 3.3.1 实验数据以及参数设置
• 3.3.2 与改进前的蚁群算法对比
• 3.3.3 与 SVM-RFE、ALMA 算法对比
• 3.4 小结
• 第4章 基于模糊遗传算法的基因分类
• 4.1 引言
• 4.2 基于遗传算法和独立成分分析的基因分类
• 4.3 基于模糊遗传算法的基因分类
• 4.3.1 模糊聚类的建立
• 4.3.2 构造初始群体和染色体
• 4.3.3 选择交叉以及变异
• 4.3.4 基因分类
• 4.3.5 算法描述
• 4.4 实验以及结果分析
• 4.4.1 实验数据及参数设置
• 4.4.2 对比实验
• 4.5 小结
• 第5章 基于时空独立成分分析的基因分类
• 5.1 引言
• 5.2 时空独立成分分析
• 5.3 实验及结果分析
• 5.3.1 实验数据
• 5.3.2 实验过程
• 5.3.3 统计显著性对比实验
• 5.4 小结
• 结束语
• 参考文献
• 致谢
• 附录 A 攻读学位期间所发表的学术论文目录
• 附录 B 攻读学位期间所参与的科研项目