基因微阵列数据的SVM分类器优化方法

摘要

支持向量机是在统计学习理论的基础上发展起来的一种新的学习方法,是目前最为流行的分类技术之一。与其他学习算法相比,支持向量机使用了结构风险最小化原则,能较好的解决小样本学习问题,尤其是针对维数高、样本小、非线性的基因微阵列数据。
　　 DNA微阵列由于荷载了成千上万个DNA片段,由此而产生大量的基因微阵列数据,其研究和分析对辅助疾病的诊断和治疗有很高的医学应用价值。随着微阵列信息处理和信息挖掘技术开发的与日俱增,支持向量机作为一种有潜能的数据挖掘技术已经成为研究基因芯片的一个重要方向。围绕此课题,论文主要做了以下方面的工作:
　　 (1)针对基因微阵列数据的维数灾难问题,本文设计将支持向量机与多种降维方法融合的优化方法。研究多种降维方法对提高支持向量机分类器性能的影响。
　　 (2)采用五种癌症数据进行降维分析并给出SVM分类结果。通过研究线性和非线性降维方法对微阵列数据分类结果影响,从而验证了高维生物数据潜在的非线性结构。
　　 (3)采用两种线性(PCA、MDS)和三种非线性降维方法(Isomap、LLE、LEM)并将降维数据在低维空间中进行可视化投影,同时对低维空间进行聚类评估。

目录

文摘

英文文摘

第一章 绪论

1.1 问题的提出与研究意义

1.2 选题背景及研究现状

1.2.1 基因微阵列数据的研究现状

1.2.2 SVM的研究现状

1.2.3 SVM在基因微阵列数据中的应用

1.3 本文的创新点及主要研究内容

第二章 支持向量机理论研究

2.1 统计学习理论

2.1.1 机器学习基本问题和方法

2.1.2 经验风险最小化原则

2.1.3 VC维

2.1.4 推广能力的界

2.1.5 结构风险最小化

2.2 支持向量机理论

2.2.1 最优分类面

2.2.2 线性支持向量机

2.2.3 非线性支持向量机

2.3 本章小结

第三章 降维方法概述

3.1 线性降维技术

3.1.1 PCA算法

3.1.2 多维尺度变换算法

3.2 非线性降维技术

3.2.1 等距特征映射算法(Isomap)

3.2.2 局部线性嵌入算法(LLE)

3.2.3 拉普拉斯特征映射算法(LEM)

3.3 本章小结

第四章 采用降维策略的SVM分类器设计

4.1 方法介绍

4.2 分类器的设计与实现

4.2.1 SVM分类器设计

4.2.2 数据预处理方法

4.2.3 FSC基因筛选策略

4.3 多指标评估办法

4.4 仿真结果分析

4.4.1 实验数据来源

4.4.2 分类器算法流程

4.4.3 分类性能比较分析

4.4.4 数据可视化分析

4.4.5 聚类评估

4.4.6 算法耗时评估

4.5 结果与讨论

第五章 全文总结

5.1 研究工作总结

5.2 后续研究工作的展望

参考文献

致谢

在学期间公开发表论文及著作情况