面向基因表達數(shù)據(jù)的分類與特征選擇方法研究.pdf

1、在生物信息學領域，DNA微陣列技術的出現(xiàn)是一個具有里程碑意義的重大技術突破。隨著研究的不斷深入，它已被廣泛應用于藥物研究、基因測序等眾多領域，具有極高的應用價值和廣闊的發(fā)展前景。然而在實際應用中，DNA微陣列技術研究的基因組對象規(guī)模越來越大，特征維數(shù)也越來越高，最終獲得的基因表達數(shù)據(jù)不僅具有高維小樣本的特點，還含有大量和樣本分類無關或?qū)颖痉诸愖饔煤苄〉娜哂嗷蚝驮肼暬??；虮磉_數(shù)據(jù)的這些特點會提高機器學習的時間及空間復雜度，降低分類

2、精度，最終在疾病診斷等實際應用中會增加成本，降低疾病預測的準確度。因此，為提高基因表達數(shù)據(jù)的分類精度，本文從兩方面著手進行研究：一方面對分類算法進行改進，另一方面通過提出有效的特征選擇方法以篩選出關鍵基因，剔除冗余和噪聲基因，降低基因特征維數(shù)，提高機器學習效率。研究的主要內(nèi)容如下：
　?。?）正則極限學習機（RELM）是在極限學習機（ELM）的基礎上提出來的，具有簡單易用、分類精度較高、泛化能力好等優(yōu)點。然而RELM的輸入層權值、

3、隱含層偏差是隨機給定的，會影響RELM的穩(wěn)定性。另外，RELM為了獲得較理想的分類精度，仍需設置較多的隱層節(jié)點。針對此問題，通過分析粒子群算法（PSO）的原理，把RELM初始產(chǎn)生的輸入層權值、隱含層偏差作為粒子帶入PSO進行尋優(yōu)，提出了一種粒子群改進RELM（PSO-RELM）。在UCI數(shù)據(jù)集上的仿真實驗表明，PSO-RELM相對BP神經(jīng)網(wǎng)絡、支持向量機（SVM）、RELM具有更好的分類精度和更佳的穩(wěn)定性。
　?。?）提出一種結合