版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、隨著人類基因組計劃的進行,DNA微陣列技術運用到腫瘤疾病研究中,產生了大量維數(shù)高、樣本少的癌癥基因表達數(shù)據(jù)。如何從海量的基因表達數(shù)據(jù)中發(fā)現(xiàn)和提取少量具有分類識別能力和最小冗余度的特征基因,挖掘出有用的知識和信息,比較全面地認識癌癥的基因本質、獲得對“癌癥-基因”間關系的真實反映,對推進惡性腫瘤的臨床診斷與治療,進一步研究癌癥、發(fā)現(xiàn)癌癥的致病機理是非常重要的。本文利用壓縮感知的理論對癌癥基因表達數(shù)據(jù)進行分類,把癌癥基因表達數(shù)據(jù)分類問題歸結
2、為求解測試樣本對于訓練樣本的稀疏表示問題,通過求解癌癥基因表達數(shù)據(jù)的重構來解決;通過計算重構的殘差,根據(jù)殘差來判斷測試樣本類別。這種分類方法不需要反復訓練來構建分類器,只要測試樣本在訓練樣本上的投影足夠稀疏,就能取得比較好的分類效果,并且耗時比較少。本文主要研究內容如下:
1.高維癌癥基因數(shù)據(jù)的降維研究。利用基于信噪比(SNR)、主成分分析法、基于Relief過濾法、基于Fisher準則這4種方法將癌癥基因數(shù)據(jù)進行降維,然后使
3、用壓縮感知方法對降維后的數(shù)據(jù)進行分類以評估降維效果。研究表明,主成分分析法后的特征更有利于求解稀疏解,分類精度比較高。
2.癌癥基因表達數(shù)據(jù)的重構算法。運用訓練樣本組成的完備字典,通過信號的重構算法,找到用完備字典中表示測試樣本的稀疏解,然后計算殘差,殘差最小的項即為測試樣本的類別。在重構算法中利用L1范數(shù)最小化來求解稀疏解,與Bagging神經(jīng)網(wǎng)絡、SVM和ELM的識別效果進行比較和分析,實驗表明即使是分類效果比較差的Bra
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于壓縮感知算法的基因表達數(shù)據(jù)分類的研究
- 基于壓縮感知算法的基因表達數(shù)據(jù)分類的研究.pdf
- 基于基因表達譜數(shù)據(jù)的癌癥分類研究.pdf
- 基于壓縮感知的醫(yī)學數(shù)據(jù)分類研究.pdf
- 基于基因表達譜的癌癥分類問題研究.pdf
- 基于SVM算法的癌癥基因數(shù)據(jù)分類研究.pdf
- 基于基因表達數(shù)據(jù)的癌癥分型方法.pdf
- 基于DNA微陣列基因表達譜數(shù)據(jù)的癌癥檢測研究.pdf
- 基于基因表達數(shù)據(jù)的樣本分類研究.pdf
- 基于基因表達譜數(shù)據(jù)的腫瘤分類研究.pdf
- 基于粗糙集方法的癌癥基因微陣列數(shù)據(jù)分類研究.pdf
- 基于基因表達數(shù)據(jù)的腫瘤分類算法研究.pdf
- 基于基因表達譜的腫瘤數(shù)據(jù)分類研究.pdf
- 基于ELM的腫瘤基因表達數(shù)據(jù)分類算法研究.pdf
- 基于數(shù)據(jù)融合和壓縮感知技術的頻譜感知研究.pdf
- 基于Laplace譜的基因表達譜數(shù)據(jù)分類研究.pdf
- 基于降維的基因表達數(shù)據(jù)分類算法研究.pdf
- 基于壓縮感知的WSN數(shù)據(jù)壓縮與檢測.pdf
- 基于腫瘤基因表達譜數(shù)據(jù)的分類算法研究.pdf
- 基于隨機森林的基因表達數(shù)據(jù)分類強度研究.pdf
評論
0/150
提交評論