資源描述：
《基于遺傳優(yōu)化獲取微陣列最佳分類規(guī)則》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。
1、基于遺傳優(yōu)化獲取微陣列最佳分類規(guī)則遺傳編程（GP）提出一種最優(yōu)規(guī)則遺傳算法（BRGA）對(duì)分類規(guī)則進(jìn)行優(yōu)化的方法，獲取最佳分類規(guī)則集，此算法可以調(diào)整分類器模型的相關(guān)參數(shù)，在適當(dāng)增加迭代基礎(chǔ)上大幅提高分類的精確度，具有相當(dāng)?shù)撵`活性和可理解性.利用6個(gè)基因數(shù)據(jù)集檢驗(yàn)了算法的性能.仿真結(jié)果表明，本文提出的算法與其他文獻(xiàn)的方法相比，在具有較高分類精確度和穩(wěn)定性前提下大幅降低了計(jì)算復(fù)雜度及冗余. 關(guān)鍵詞：最優(yōu)規(guī)則遺傳算法;微陣列;遺傳編程;分類規(guī)則;計(jì)算復(fù)雜度 ：TP391：A 生物醫(yī)學(xué)研究表明，人類大多數(shù)疾
2、病的發(fā)病機(jī)制，比如癌癥，從根本上來說都和基因息息相關(guān).微陣列數(shù)據(jù)是將樣本實(shí)驗(yàn)形成的影像轉(zhuǎn)為基因表達(dá)矩陣，矩陣行表示基因，列表示類別樣本，矩陣中的元素描述不同基因在不同樣本的表達(dá)水平. 由于微陣列芯片技術(shù)［1］獲得的基因數(shù)據(jù)數(shù)量遠(yuǎn)大于樣本數(shù)量，隨著維數(shù)的增加，最大的障礙則是在高維特征空間運(yùn)算時(shí)存在的“維數(shù)災(zāi)難”.微陣列大量基因數(shù)據(jù)僅為樣本分類提供了少數(shù)有分類意義的、具有明顯特征的基因.因此，在樣本分類之前，選擇特征基因是至關(guān)重要的，這直接影響到之后生成的分類器性能.微陣列分類作為生物指標(biāo)的探索成為生物信
3、息學(xué)一個(gè)重要的課題，事實(shí)上，由于存在更多的癌癥類型和潛在的癌癥子類，如果展開腫瘤分類問題到多重腫瘤類別，數(shù)據(jù)集包含更多的類別和非常少量的樣本，問題將變得更具有挑戰(zhàn)性. 一些研究報(bào)告指出，在基因選擇部分使用遺傳算法能改進(jìn)微陣列數(shù)據(jù)的分類性能［1-2］，因此，遺傳算法已廣泛用于解決包括數(shù)據(jù)分類的各種難題［3-4］.本文提出一種最優(yōu)規(guī)則遺傳算法（BestRuleGeicAlgorithm，BRGA），選用一種基于遺傳優(yōu)化的分類算法生成分類規(guī)則，用二進(jìn)制向量表示分類規(guī)則，初始化規(guī)則集，設(shè)定相應(yīng)的適應(yīng)度及
4、初始種群的規(guī)模,通過變異產(chǎn)生一定數(shù)量的最優(yōu)分類規(guī)則.通過實(shí)驗(yàn)，使用6個(gè)基因表達(dá)數(shù)據(jù)集來驗(yàn)證算法的性能. 微陣列數(shù)據(jù)分類技術(shù)通常包含2部分內(nèi)容：1）基因選擇；2）構(gòu)建分類器模型.文獻(xiàn)［5］在基因選擇部分使用排列值計(jì)分RBS算法，很好地解釋了基因之間的相關(guān)性，大幅降低基因矩陣維度，在一定程度上減少了計(jì)算復(fù)雜性；在構(gòu)建分類器部分提出了LCR方法，可以用很少的基因構(gòu)造形成分類規(guī)則，提高了算法的可理解性.但分類規(guī)則的形成過程仍存在很多不足，如分類器模型中規(guī)則形成框架過于縝密，容易導(dǎo)致過擬合，產(chǎn)生龐大規(guī)則集的迭代過程相
5、當(dāng)繁瑣，并產(chǎn)生大量冗余的規(guī)則，導(dǎo)致計(jì)算復(fù)雜度較高且算法收斂速度較低.分類器的構(gòu)建則是整個(gè)技術(shù)的核心所在，傳統(tǒng)的微陣列分類方法有：加權(quán)投票(）［8］，費(fèi)舍爾線性判別分析(LDA)［9］,人工神經(jīng)X絡(luò)（ANN）［10］,遺傳規(guī)劃（GP）［11］,最小二乘邏輯回歸［12］和樸素貝葉斯方法［13］等.由于它們僅僅聚焦于分類性能,而不能進(jìn)一步提供任何醫(yī)學(xué)和生物學(xué)依據(jù)，導(dǎo)致這些分類算法往往產(chǎn)生僵硬的分類系統(tǒng)，存在穩(wěn)定性弱和開銷大的特征，缺乏可擴(kuò)展性.決策樹算法［14］和隨機(jī)森林算法
6、［15］基于決策規(guī)則產(chǎn)生分類器模型，此類算法獲得的分類規(guī)則在某種意義上包含了生物體基因之間的相關(guān)性，但如果訓(xùn)練樣本存在小的差異會(huì)導(dǎo)致決策樹結(jié)構(gòu)產(chǎn)生大的變化，致使分類器缺乏穩(wěn)定性，這些分類方法仍然存在很大的局限性. 1BRGA方法的基本思想 BRGA算法是在遺傳優(yōu)化的基礎(chǔ)上，將分類規(guī)則集作為種群，使用二進(jìn)制串表示其中任意一條分類規(guī)則，計(jì)算對(duì)應(yīng)于基因?qū)傩缘谋容^關(guān)系的分類規(guī)則適應(yīng)度值，經(jīng)過若干代的繁殖過程，包括選擇、交叉和變異運(yùn)算，反復(fù)迭代優(yōu)化，獲取具有較高適應(yīng)度的最佳分類規(guī)則. 4結(jié)論 本文提出的
7、BRGA算法很好地解決了用微陣列基因表達(dá)值構(gòu)建分類決策規(guī)則普遍速度慢的難題，通過調(diào)整適合規(guī)則的適應(yīng)度值及相關(guān)參數(shù)對(duì)初始規(guī)則集進(jìn)行優(yōu)化，該算法能很快收斂于最優(yōu)分類規(guī)則集.采用6個(gè)數(shù)據(jù)集驗(yàn)證了該算法的性能，實(shí)驗(yàn)結(jié)果表明，BRGA算法具有較高的精確度和極少的分類運(yùn)算耗時(shí)（CPUtime）.當(dāng)然，由于實(shí)驗(yàn)條件和生物學(xué)發(fā)展的局限性，該算法有待進(jìn)一步提高和完善. 遺傳編程（GP）提出一種最優(yōu)規(guī)則遺傳算法（BRGA）對(duì)分類規(guī)則進(jìn)行優(yōu)化的方法，獲取最佳分類規(guī)則集，此算法可以調(diào)整分類器模型的相關(guān)參數(shù)，在適當(dāng)增加迭代基礎(chǔ)上大
8、幅提高分類的精確度，具有相當(dāng)?shù)撵`活性和可理解性.利用6個(gè)基因數(shù)據(jù)集檢驗(yàn)了算法的性能.仿真結(jié)果表明，本文提出的算法與其他文獻(xiàn)的方法相比，在具有較高分類精確度和穩(wěn)定性前提下大幅降低了計(jì)算復(fù)雜度及冗余. 關(guān)鍵詞：最優(yōu)規(guī)則遺傳算法;微陣列;遺傳編程;分類規(guī)則;計(jì)算復(fù)雜度 ?。篢P391：A 生物醫(yī)學(xué)研究表明，人類大多數(shù)疾病的發(fā)病機(jī)制，比如癌癥，從根本上來說都和基因息息相關(guān).微陣列數(shù)
