基于二分圖的聚類算法研究.pdf

1、近年來，隨著對計算生物學的高速發(fā)展，開發(fā)出的微陣列技術可以測量細胞中成千上萬的基因。在這些基因中我們可以提取出許多數據，針對這些龐大的數據，我們可以從中得到許多有用的結論，數據分析技術在其中起到了至關重要的作用。
　　聚類分析是研究數據的一個非常重要的技術途徑。進幾十年越來越重視對聚類分析的研究，并開發(fā)出了許多高效的聚類算法。傳統(tǒng)的聚類方法通過對數據的行或者列上進行聚類，得出聚類結果。但是有時候數據的聚類結果往往受行和列的雙重影響

2、。因此，后來提出從行和列兩個方向上進行聚類，即提出雙向聚類算法。其主要功能是將數據之間相似程度比較高的數據集分為一組，而不同組別中數據之間相似程度比較小。對于基因表達數據中，同過聚類技術所得到的分組，可能對某一病癥或性狀有共同的表達能力，從而有助于探索基因奧秘。現如今，聚類算法已經成為研究基因表達數據最為常用的方法之一，但是由于現在數據越來越多，形式也多種多樣，以及算法自身的一些不足，對一些問題的處理結果并不十分理想，因此研究更優(yōu)秀的聚

3、類算法，就有著十分重要的意義。
　　BIMAX算法是近幾年提出的一種雙向聚類算法，該算法被證明能在允許的時間內有效地找出全部所想要大小的雙向聚類，提供了一個基礎性算法。這種方法基于分而治之的思想，使用的數據模型是0-1矩陣，它通過對矩陣的列進行簡單分組，而后移動行來簡單對矩陣進行劃分，并通過對重疊矩陣進行選擇討論，最終達到聚類的目的。然而該算法卻存在著一些缺陷。
　　本文主要利用BIMAX算法先對列劃分的特點，利用K均值聚類

4、方法、CC(Cheng AndChurch Biclustering)算法中殘差的思想，以及一種聚類決策標準：Gain值，從原矩陣入手進行預處理，使BIMAX算法處理已對列進行調整后的數據矩陣，這樣在 BIMAX算法開始劃分列集合時就具有較高的聚合程度，使得算法能更快地找到雙向聚類，從而提高BIMAX算法處理矩陣時的效率。
　　實驗結果表明，改進的BIMAX算法與原BIMAX算法對比，在處理同一矩陣的過程中，可以更快地輸出全部要求