基于智能優(yōu)化算法的基因微陣列數(shù)據(jù)分類建模與優(yōu)化研究.pdf

1、隨著基因微陣列技術(shù)的發(fā)展，如何挖掘基因微陣列數(shù)據(jù)的研究價(jià)值，實(shí)現(xiàn)疾病致病基因的發(fā)現(xiàn)、基因檢測、疾病早發(fā)現(xiàn)早治療、探究疾病基因表達(dá)個(gè)體差異等應(yīng)用，成了當(dāng)下研究的熱點(diǎn)。由于基因微陣列數(shù)據(jù)是典型的高維小樣本數(shù)據(jù)集，傳統(tǒng)的機(jī)器學(xué)習(xí)方法對維數(shù)災(zāi)難、過擬合、局部極值等困境束手無策。支持向量機(jī)(SVM)作為統(tǒng)計(jì)學(xué)習(xí)理論的重要成果，將結(jié)構(gòu)風(fēng)險(xiǎn)最小化取代傳統(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化準(zhǔn)則，避免了上述缺點(diǎn)。本文基于支持向量機(jī)的兩種延伸:最小二乘支持向量機(jī)(LSSVM

2、)和相關(guān)向量機(jī)(RVM)，對統(tǒng)計(jì)學(xué)習(xí)理論在基因微陣列的應(yīng)用展開研究并設(shè)計(jì)了兩種疾病診斷模型。
　　全文工作以及主要貢獻(xiàn)如下:
　　1)利用特征選擇方法中filter方法與wrapper方法結(jié)合的方式選取最優(yōu)特征子集。利用filter初步過濾，再利用wrapper進(jìn)行特征排序，結(jié)果表明方法是有效的，每個(gè)步驟完成后的分類器都使用更少的特征維數(shù)獲得更高的分類準(zhǔn)確率。
　　2)LSSVM將SVM中的二次規(guī)劃問題轉(zhuǎn)化為線性規(guī)劃問

3、題，提升了計(jì)算效率。由于LSSVM懲罰參數(shù)與RBF核寬度需要優(yōu)化，本文結(jié)合了PSO以及FOA優(yōu)化方法進(jìn)行參數(shù)尋優(yōu)。結(jié)果分析表明，文章提出的方法在特征維數(shù)以及分類準(zhǔn)確率上的表現(xiàn)優(yōu)于對比文獻(xiàn)，僅使用4個(gè)特征就達(dá)到測試集100％準(zhǔn)確率。
　　3)RVM是SVM的貝葉斯拓展，由于RVM的解更稀疏，所以比SVM更適合于在線檢測。而RVM只需要對超參數(shù)進(jìn)行優(yōu)化，本文選用了結(jié)構(gòu)簡單的DE算法對其進(jìn)行優(yōu)化，為了增加種群多樣性，在DE算法中利用AC