学位论文 > 优秀研究生学位论文题录展示
基于支持向量机的基因表达数据降维方法的研究
作 者: 李靖
导 师: 翁桂荣
学 校: 苏州大学
专 业: 精密仪器及机械
关键词: 基因表达数据 数据降维 支持向量机
分类号: TP181
类 型: 硕士论文
年 份: 2011年
下 载: 64次
引 用: 1次
阅 读: 论文下载
内容摘要
随着生物信息学近年来的突破性进展,基因芯片技术也得到了快速的发展,人们可以更加快捷地获得可靠的基因表达数据,这些数据中蕴含了能够揭开生命奥秘的大量信息。但由于基因表达数据具有维数高、样本少、非线性等特点,导致了“维数灾难”,对传统的分析方法提出了挑战。支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习方法。它采用了结构风险最小化原则,能够在一定程度上克服小样本学习问题的困难,还采用了核函数思想,将非线性空间的问题转换到线性空间,大大降低了算法的复杂度。由于支持向量机在这类问题上表现出了良好的推广性,所以成为了当前研究的热点。针对基因表达数据维数、高样本少的特点,本文提出了将数据降维方法应用到基因表达数据上,分别使用线性以及非线性降维方法对原始数据进行处理,再将降维后的数据经由支持向量机进行分类,有效的提高了分类的准确性。最后,本文针对两个常用的数据集进行实验对比,结果表明,本文提出的方法相对于传统的分类方法,分类准确率有所提高。
|
全文目录
摘要 4-5 Abstract 5-8 第一章 绪论 8-11 1.1 课题的提出及研究意义 8 1.2 课题的研究背景与现状 8-10 1.2.1 微阵列基因表达数据的研究现状 8-9 1.2.2 降维方法的研究现状 9 1.2.3 支持向量机的研究现状 9-10 1.3 本文的研究工作和结构安排 10-11 第二章 微阵列基因芯片与基因表达数据 11-18 2.1 生物信息学 11-12 2.2 基因芯片的基本原理和制备 12-14 2.3 微阵列基因表达数据 14-16 2.3.1 微阵列表达数据分析流程 14-15 2.3.2 微阵列基因表达数据 15-16 2.4 基因表达数据的网络资源 16-18 第三章 数据降维方法 18-26 3.1 数据降维的基本概念 18 3.2 数据降维方法 18-24 3.2.1 主成份分析法 18-20 3.2.2 拉普拉斯特征映射方法 20-22 3.2.3 扩散映射方法 22-24 3.3 几种降维方法降维效果的比较 24-26 第四章 支持向量机理论 26-32 4.1 统计学习理论 26-28 4.1.1 VC 维 26 4.1.2 推广性的界 26-27 4.1.3 结构风险最小化 27-28 4.2 支持向量机理论 28-32 4.2.1 线性支持向量机 29-31 4.2.2 非线性支持向量机 31-32 第五章 基因表达数据实验结果 32-41 5.1 实验数据 32 5.2 实验结果 32-41 5.2.1 Leukemia 实验结果及分析 32-36 5.2.2 Colon 实验结果及分析 36-41 第六章 总结与展望 41-43 参考文献 43-46 攻读学位期间本人出版或公开发表的论著、论文 46-47 致谢 47-48
|
相似论文
- 基于SVM的常压塔石脑油干点软测量建模研究,TE622.1
- 基于SVM的高速公路路面浅层病害的自动检测算法研究,U418.6
- 基于PCA-SVM的液体火箭发动机试验台故障诊断算法研究,V433.9
- 基于三维重建的焊点质量分类方法研究,TP391.41
- 基于支持向量机的故障诊断方法研究,TP18
- 流形学习中样本点稀疏问题的研究,TP391.41
- 基于改进的支持向量机的模拟电路故障诊断方法研究,TN710
- 动力灾害煤炭资源开采危险程度预测方法,TD713
- 利用非局部相似性的图像超分辨率重建研究,TP391.41
- 基于数据降维的人脸图像检索及识别,TP391.41
- 田纳西—伊斯曼化工过程的故障诊断,TQ021.8
- 一种于经验数据的软件缺陷修复工作量预测模型研究,TP311.53
- 航空发动机燃调系统故障诊断,V263.6
- 基因表达数据分析的聚类算法研究,TP311.13
- 空间目标ISAR成像仿真及基于ISAR像的目标识别,TN957.52
- 基于心电信号和T波交替分析的心脏猝死无损诊断研究,TN911.7
- 铁合金冶炼矿热炉电极位置检测建模及优化设定研究,TF63
- 建筑施工安全管理及预警研究,TU714
- 人才资源及基于支持向量机的陕西省经济增长预测模型研究,F127;F224
- 一种改进的核函数参数选择方法,O174
中图分类: > 工业技术 > 自动化技术、计算机技术 > 自动化基础理论 > 人工智能理论 > 自动推理、机器学习
© 2012 www.xueweilunwen.com
|