基于二次互信息的雙聚類算法研究及應(yīng)用.pdf

1、作為一種近年來才出現(xiàn)的、新穎的聚類算法，雙聚類算法側(cè)重于對子空間內(nèi)的相似模式進行聚類，這種算法在高維數(shù)據(jù)的聚類方面具有良好的應(yīng)用前景。已經(jīng)證明，雙聚類問題是NP-Hard問題，已有的雙聚類算法都面臨著如何有效聚類數(shù)據(jù)對象和克服時間復(fù)雜度的困難。已經(jīng)提出了一些非確定性的和確定性的雙聚類算法，但是這些算法都是對線性相關(guān)的對象或滿足某個線性模型的對象進行聚類，然而實際數(shù)據(jù)中也存在著大量的非線性相關(guān)的數(shù)據(jù)對象；另外，可應(yīng)用于時序數(shù)據(jù)的雙聚類算法

2、還比較少。 本文首先引入廣義信息論中的二次互信息作為相似性度量，提出一種快速的簡化計算二次互信息的算法，以克服二次互信息計算開銷大的不足，并通過實驗，在計算時間開銷和識別非線性相關(guān)方面，將二次互信息與Pearson相關(guān)系數(shù)進行了對比，初步驗證了二次互信息具有識別非線性相關(guān)的能力。在此基礎(chǔ)上，基于二次互信息和滑動窗口技術(shù)，提出了一種時序數(shù)據(jù)相似模式-MI窗口相似模式，并以一種后綴樹的簡單變形-MI-泛化后綴樹作為索引結(jié)構(gòu)，提出了一

3、種適用于時序數(shù)據(jù)的確定性雙聚類算法MI-TSB。該算法與其他雙聚類算法的顯著區(qū)別在于，能夠快速發(fā)現(xiàn)各個滑動窗口下時序數(shù)據(jù)對象間的非線性相關(guān)性。最后，用合成數(shù)據(jù)和兩個真實的時序基因表達數(shù)據(jù)考察和驗證算法的可伸縮性和聚類有效性，并與兩個雙聚類算法進行對比，實驗結(jié)果驗證了本文提出的雙聚類算法具有良好的運行性能，成功地聚類出合成數(shù)據(jù)中的非線性相關(guān)的簇集，發(fā)現(xiàn)了隱藏在基因表達數(shù)據(jù)中的多種聚類形態(tài)；利用Gene Ontology對聚類結(jié)果進行基因注