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

基于支持向量机的基因表达数据降维方法的研究

内容摘要

全文目录

相似论文