面向生物數(shù)據(jù)分析的支持向量機技術(shù)的研究.pdf

1、支持向量機(Support Vector Machines，簡稱SVM)是基于統(tǒng)計學習理論的一種新的數(shù)據(jù)挖掘技術(shù)，它借助于最優(yōu)化方法來解決復雜的機器學習問題。SVM是處理小樣本、高維數(shù)據(jù)的有效方法，它有著良好的理論基礎(chǔ)的支持。它能夠較好地解決了神經(jīng)網(wǎng)絡(luò)等方法的過學習問題，同時也能夠較好地克服維數(shù)災難問題。 二十一世紀是生命科學迅猛發(fā)展的時代，生物數(shù)據(jù)呈指數(shù)增長，分析和挖掘生物數(shù)據(jù)背后隱藏的生物學規(guī)律已成為生命科學家關(guān)注的焦點。人

2、類基因組中DNA序列的功能性研究是一個重要研究方向。對于一個給定的DNA序列，判斷它是基因序列還是間區(qū)序列是進一步分析序列的前提。開發(fā)有效和快捷的分析算法是加速分析和理解生物信息的重要手段之一。目前國際上已有很多基因識別軟件，但大多數(shù)軟件不能識別完整的基因。 本文主要研究目標是利用SVM和其它的機器學習方法對生物數(shù)據(jù)進行分類。論文首先系統(tǒng)地研究了基于統(tǒng)計學習理論的生物數(shù)據(jù)分類技術(shù)；然后，對不同的學習方法進行了性能比較和評價。

3、 統(tǒng)計學習理論的最大貢獻是提出了結(jié)構(gòu)風險最小化(SRM)歸納原理和基于該原理的實現(xiàn)方法一支持向量機。SRM原則已經(jīng)顯示出了優(yōu)于傳統(tǒng)的用于一般的神經(jīng)網(wǎng)絡(luò)的經(jīng)驗風險最小化(ERM)原則。SRM原則最小化經(jīng)驗風險和置信范圍的和，而ERM原則最小化訓練誤差。其差別在于基于SRM原則的SVM學習方法有更好的推廣能力，這正是統(tǒng)計學習的目標。 從長長的DNA序列中準確地提取出具有分類特征的訓練屬性是機器學習的第一步。針對DNA數(shù)據(jù)的復雜性

4、，本文提出了一種基于語言學方法的特征提取方法。假設(shè)僅考慮2類問題，該方法將出現(xiàn)在DNA序列中的所有長度為2～6的短序列作為候選特征詞匯，對每個候選的特征詞匯計算它在DNA序列集中的各個序列出現(xiàn)的頻率、在DNA序列集合中出現(xiàn)頻率，以及在不同類序列集內(nèi)出現(xiàn)的相對差，來決定它是否為關(guān)鍵詞匯作為訓練屬性。從而，將DNA序列映射到歐式空間中，使每個DNA序列對應于歐式空間中的一個向量。 論文提出并實現(xiàn)了利用支持向量機來識別人類完整基因的方

5、法，在不依賴于特殊的生物領(lǐng)域信息的基礎(chǔ)上使基因識別分類精度達到了85％。在對完整基因的實現(xiàn)分類的基礎(chǔ)上，通過大量試驗，對復雜的訓練參數(shù)選擇，提出了在SVM訓練過程中參數(shù)選擇的具體而有效的方法。在對訓練數(shù)據(jù)沒有充分了解的情況下，對于C-SVC訓練中，懲罰因子C從大到小地選取往往比其從小到大地選取更快地找到最佳訓練結(jié)果。論文通過與其它學習方法進行比對，驗證了SVM方法的諸多優(yōu)勢。對DNA序列分類問題，首次將SVM訓練方法與二元Logisti

6、c回歸(BLR)方法進行了比較。在處理高維、復雜數(shù)據(jù)分類問題上，SVM不僅在分類精度上優(yōu)于BLR和人工神經(jīng)網(wǎng)絡(luò)(ANN)，而且在訓練速度上遠遠優(yōu)于它們。 論文初步探討了并行SVM訓練算法，并將遺傳算法引進到了并行SVM訓練過程中，充分地利用了SVM和遺傳算法中固有并行化特點。 論文研究工作將SVM技術(shù)用于生物數(shù)據(jù)分類并得到了滿意的實驗結(jié)果，它將使我們利用該方法解決其它生物數(shù)據(jù)的分類問題，因為生物數(shù)據(jù)既有整體上的相似性，在