生物數(shù)據(jù)集上的頻繁序列挖掘和索引技術(shù)的研究.pdf

1、二十一世紀(jì)是生命科學(xué)的時(shí)代，也是信息的時(shí)代。隨著人類基因組計(jì)劃的實(shí)施，基因序列呈指數(shù)增長(zhǎng)。面對(duì)巨大而復(fù)雜的數(shù)據(jù)，運(yùn)用數(shù)據(jù)挖掘技術(shù)解決基因序列的分析工作是當(dāng)前一個(gè)迫切的需求。 在海量的基因數(shù)據(jù)庫(kù)中包含了大量的重復(fù)序列，這些重復(fù)序列對(duì)于基因拼接和分析工作都有著至關(guān)重要的作用。如何高效的挖掘這些重復(fù)序列，并且為這些重復(fù)序列建立高效的索引結(jié)構(gòu)，對(duì)現(xiàn)有的數(shù)據(jù)挖掘技術(shù)尤其是頻繁序列挖掘技術(shù)提出了很大的挑戰(zhàn)。 為了解決上述問題，本文的

2、工作就是致力于在生物數(shù)據(jù)集上進(jìn)行頻繁序列的挖掘和序列索引的技術(shù)研究。本文的主要貢獻(xiàn)如下： 本文首先提出了一個(gè)針對(duì)生物數(shù)據(jù)集的高效的最大化頻繁連續(xù)序列的挖掘算法，用于解決在基因序列的拼接工作中獲取重復(fù)序列的問題。算法針對(duì)生物數(shù)據(jù)集擁有大量長(zhǎng)的頻繁序列的特點(diǎn)，提出了定長(zhǎng)跨度的方法深度優(yōu)先挖掘頻繁序列，每次掃描多個(gè)項(xiàng)而不是一個(gè)項(xiàng)，可以比傳統(tǒng)的算法更加快速的生成頻繁序列。實(shí)驗(yàn)證明，在生物數(shù)據(jù)集上，比傳統(tǒng)的PrefixSpan算法更加高效