資源描述：
《基于支持向量機(jī)的基因選擇算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、廠——}學(xué)校代號(hào)：學(xué)號(hào)：密級(jí)：10532S07094049湖南大學(xué)碩士學(xué)位論文j7‘173￡；基于支持向量機(jī)的基因選擇算法研究—]／7甥燃ResearchesonGeneSelectionAlgorithmwithSupportVectorMachineYOUW．eiB．E．(HuIl鋤UIliVerSity)2007A舭sissubmi舵dinpanialSatisfactionof恤Requirementsfor們hedegreeofMasterofEngine謝ngControlSciencea11dEnginee
2、血giIl恤GraduateSchoolHunaIlUIliVersit)rSupeⅣisorProfessorLIShlItaoApril，2010湖南大學(xué)學(xué)位論文原創(chuàng)性聲明本人鄭重聲明：所呈交的論文是本人在導(dǎo)師的指導(dǎo)下獨(dú)立進(jìn)行研究所取得的研究成果。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的成果作品。對(duì)本文的研究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。本人完全意識(shí)到本聲明的法律后果由本人承擔(dān)。作者簽名：移啤日期：上∥‘口年歲月‘廠日學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者完
3、全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國(guó)家有關(guān)部門或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)湖南大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。本學(xué)位論文屬于1、保密口，在年解密后適用本授權(quán)書。2、不保密團(tuán)。(請(qǐng)?jiān)谝陨舷鄳?yīng)方框內(nèi)打“1J”)作者簽名：導(dǎo)師簽名詔‘年日期：)夕汐年J，月J7日日期：≥何?o年r月7、日基于支持向量機(jī)的慕因選擇算法研究摘要隨著基因微陣列技術(shù)的高速發(fā)展，人們可以同時(shí)快速地測(cè)量成千上萬(wàn)個(gè)基因的
4、表達(dá)水平。在腫瘤疾病研究中，通過(guò)獲取基因微陣列數(shù)據(jù)可以為癌癥診斷、治療、預(yù)測(cè)提供新的手段。但是，原始的基因微陣列數(shù)據(jù)具有小樣本、高維度特點(diǎn)，直接在此數(shù)據(jù)中進(jìn)行分析處理是不現(xiàn)實(shí)的。因此，有必要在這些海量的基因數(shù)據(jù)中，找出對(duì)疾病有鑒別作用的基因，提高腫瘤診斷準(zhǔn)確性。傳統(tǒng)的統(tǒng)計(jì)學(xué)方法在基因選擇中，表現(xiàn)出了較大的局限性。支持向量機(jī)(SVM)以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，能較好地解決小樣本數(shù)據(jù)學(xué)習(xí)問(wèn)題；另外，支持向量機(jī)采用核函數(shù)技術(shù)，能夠解決數(shù)據(jù)非線性可分的問(wèn)題。因此，在基因選擇算法中，支持向量機(jī)表現(xiàn)出更強(qiáng)的適應(yīng)性
5、和優(yōu)越性。本文基于支持向量機(jī)，對(duì)基因選擇算法進(jìn)行研究，完成的主要工作如下：1．介紹了基因微陣列數(shù)據(jù)的制作、特點(diǎn)及應(yīng)用，分析了支持向量機(jī)的原理，并詳細(xì)研究了SVM．RFE基因選擇算法。2．在SVM．RFE算法的基礎(chǔ)上，引入了序列前向選擇方法。通過(guò)以組為單位同時(shí)進(jìn)行特征消去和序列前向選擇操作，加快了算法的運(yùn)行速度，提升了分類性能。3．研究了基于自適應(yīng)策略選取支持向量機(jī)核參數(shù)的方法。算法首先利用樣本之間的2范數(shù)距離設(shè)置初始參數(shù)值，然后根據(jù)進(jìn)行遞歸特征消去后重構(gòu)的樣本對(duì)核參數(shù)進(jìn)行自動(dòng)運(yùn)算更新。4．提出了多SVM混合分類模型。利用
6、不同參數(shù)下的多個(gè)SVM分別進(jìn)行基因選擇，然后合并各分類器選擇出來(lái)的基因子集，最后再利用SVM．RFE得到最優(yōu)的基因子集。算法通過(guò)對(duì)參數(shù)選取一組值代替僅選擇一個(gè)值，克服了單個(gè)參數(shù)值選取困難的問(wèn)題，能夠得到更高的分類準(zhǔn)確率。在三個(gè)公開(kāi)的基因微陣列數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)，提出的算法能夠得到更佳的分類性能。關(guān)鍵詞：基因微陣列；基因選擇；支持向量機(jī)：序列前向選擇；核方法II碩士學(xué)位論文AbstractWiththequickdevelopmentofgenemicroarraytechnology，researcherscanmeas
7、uretheexpressionofthousandsofgenesdatarapidly．Intheresearchofcancer，thegenemicroarraydatamakeanewwaytodealwithdiseasediagnosis，cancertherapyandcancerprediction．HoweVer，thisoriginalgenemicroarraydatacontainthousandsofgeneswithasmallnumberofsamples，wrhichmakesitdif
8、nculttoanalyzeanddisposethedata．Soitisnecessarytoselectthediscriminategenesubsetfromtheoriginalgenedata，whichcanimproVecancerdiagnosisaccuracy．Thetraditionalst
