已閱讀1頁，還剩65頁未讀， 繼續(xù)免費閱讀
版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)
文檔簡介
1、DNA微陣列數(shù)據(jù)廣泛應(yīng)用于生物醫(yī)學，特別是癌癥方面的研究。它是典型的高維小樣本數(shù)據(jù)，具有高維，高冗余，高噪聲的特點，許多經(jīng)典的處理算法無法直接應(yīng)用。線性判別分析(LDA)是模式識別的經(jīng)典方法之一，在模式識別、數(shù)據(jù)分析等諸多領(lǐng)域取得了良好的應(yīng)用效果。本文在分析和總結(jié)現(xiàn)有的LDA算法的基礎(chǔ)上，將LDA應(yīng)用于微陣列數(shù)據(jù)，取得了較好的結(jié)果。本文主要做了以下兩方面工作：
第一，分析總結(jié)了LDA算法在微陣列數(shù)據(jù)中的應(yīng)用，提出了一種基于fi
2、lter法則和ICA變換的LDA算法—FILDA算法。與傳統(tǒng)的LDA算法處理微陣列數(shù)據(jù)相比，該算法消耗時間較少，且有效避免了矩陣變換奇異問題的產(chǎn)生，同時去除了特征中的冗余和噪音，提高了分類正確率。通過在Brain，Colondata，Prostate等微陣列數(shù)據(jù)集上的實驗，以及同其他方法的對比實驗，表明了本文算法的有效性。
第二，由于獨立分量分析具有計算不穩(wěn)定性，本文借鑒了集成學習的思想設(shè)計了一種基于FILDA算法的集成系統(tǒng)，
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(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)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(quán)益所有人同意不得將文件中的內(nèi)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(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)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
- 基于小波和CART算法的微陣列數(shù)據(jù)分類.pdf
- 基因微陣列數(shù)據(jù)的分析算法.pdf
- ICA算法及其在陣列信號處理中的應(yīng)用研究.pdf
- 基于聚類算法的基因微陣列數(shù)據(jù)分析.pdf
- 多重檢驗技術(shù)及其在微陣列數(shù)據(jù)分析中的應(yīng)用.pdf
- Boosting方法在基因微陣列數(shù)據(jù)判別分析中的應(yīng)用.pdf
- 微陣列數(shù)據(jù)的聚類算法研究.pdf
- 基因微陣列數(shù)據(jù)的特征提取和特征優(yōu)化在癌癥診斷中的應(yīng)用.pdf
- 基于粒子群優(yōu)化的集成學習方法在基因微陣列數(shù)據(jù)分類中的應(yīng)用.pdf
- 基于微陣列的基因分類算法研究.pdf
- 支持向量機在微陣列基因表達譜數(shù)據(jù)分類中的應(yīng)用.pdf
- ICA自適應(yīng)算法及其在金融數(shù)據(jù)挖掘中的應(yīng)用.pdf
- DNA微陣列數(shù)據(jù)分析中的雙聚類算法研究.pdf
- 多分類器集成系統(tǒng)在基因微陣列數(shù)據(jù)分析中的應(yīng)用.pdf
- 貝葉斯網(wǎng)絡(luò)在臨床及微陣列數(shù)據(jù)分析中的應(yīng)用.pdf
- 基于降維的微陣列數(shù)據(jù)分析.pdf
- 基因微陣列數(shù)據(jù)的雙向聚類算法研究.pdf
- 基于局部逼近的數(shù)據(jù)分析及其在人臉識別和基因微陣列缺失值估計中的應(yīng)用.pdf
- 微陣列數(shù)據(jù)集的頻繁閉合模式挖掘算法研究.pdf
- 基于基因表達微陣列數(shù)據(jù)集的加權(quán)雙向聚類算法研究.pdf
評論
0/150
提交評論