基因表達數(shù)據(jù)的特征選擇及其識別算法研究

序 前言 第1章 緒論 1 參考文獻 3 第2章 理論基礎(chǔ)與相關(guān)工作 5 2.1 基因表達數(shù)據(jù)特征選擇方法 5 2.2 神經(jīng)網(wǎng)絡(luò) 7 2.3 支持向量機 11 2.4 超限學習機 15 2.5 集成學習 21 2.6 代價敏感學習 22 2.7 決策樹 23 2.8 粒子群算法 24 2.9 遺傳算法 24 2.10 小結(jié) 25 參考文獻 25 第3章 基于基因數(shù)據(jù)的特征選擇算法 29 3.1 引言 29 3.2 基于信息增益的基因分組與篩選 30 3.2.1 信息熵與信息增益 30 3.2.2 信息增益流程 31 3.3 基于互信息最大化的基因分組與篩選 32 3.4 基于遺傳算法的基因選擇 33 3.4.1 遺傳算法簡介 33 3.4.2 遺傳算法流程 33 3.4.3 編碼方式 34 3.4.4 適應度函數(shù) 34 3.4.5 遺傳算子 35 3.4.6 交叉率與變異率 36 3.5 基于聚類算法與PSO算法的基因選擇 36 3.5.1 聚類算法 36 3.5.2 算法描述 37 3.6 基于信息增益和遺傳算法的基因選擇 38 3.6.1 算法分析 38 3.6.2 算法描述 38 3.6.3 實驗與結(jié)果分析 39 3.7 基于互信息最大化和遺傳算法的基因選擇 45 3.7.1 算法分析 45 3.7.2 算法描述 45 3.7.3 實驗與結(jié)果分析 46 3.8 基于互信息最大化和自適應遺傳算法的基因選擇 50 3.8.1 自適應遺傳算法 50 3.8.2 算法流程 51 3.8.3 實驗與結(jié)果分析 52 3.9 小結(jié) 54 參考文獻 55 第4章 基于核主成分分析的旋轉(zhuǎn)森林基因數(shù)據(jù)分類算法 58 4.1 引言 58 4.2 集成算法 59 4.2.1 Boosting算法 59 4.2.2 Adaboost算法 59 4.2.3 Bagging算法 60 4.2.4 隨機森林 60 4.2.5 旋轉(zhuǎn)森林 62 4.3 基于核主成分分析的旋轉(zhuǎn)森林 63 4.3.1 核函數(shù)相關(guān)理論 63 4.3.2 核主成分分析 65 4.3.3 基于核主成分分析的旋轉(zhuǎn)森林算法描述 66 4.4 實驗與結(jié)果分析 69 4.5 小結(jié) 74 參考文獻 75 第5章 基于改進PSO的KELM的基因表達數(shù)據(jù)分類 77 5.1 引言 77 5.2 基本粒子群算法 78 5.3 自適應混沌粒子群算法對超限學習機參數(shù)的優(yōu)化作用 78 5.3.1 自適應慣性權(quán)重與適應度方差 78 5.3.2 混沌序列 79 5.3.3 算法分析與描述 79 5.3.4 實驗與結(jié)果分析 80 5.4 基于改進PSO的核超限學習機算法 83 5.4.1 KELM 83 5.4.2 算法簡介 84 5.4.3 算法分析與描述 86 5.4.4 實驗與結(jié)果分析 88 5.5 小結(jié) 91 參考文獻 91 第6章 基于輸出不一致測度的ELM集成基因表達數(shù)據(jù)分類 93 6.1 引言 93 6.2 相異性集成 94 6.3 常見的相異性度量方法 95 6.3.1 輸出不一致測度 95 6.3.2 錯誤一致測度 95 6.4 基于榆出不一致測度的ELM集成 96 6.4.1 理論分析 97 6.4.2 算法描述 98 6.4.3 實驗與結(jié)果分析 99 6.5 嵌入代價敏感的相異性集成超限學習機 102 6.5.1 嵌入代價敏感的D.ELM 102 6.5.2 算法分析與描述 103 6.5.3 嵌入拒識代價的CS.D.ELM 104 6.6 小結(jié) 105 參考文獻 105 第7章 基于代價敏感的基因表達數(shù)據(jù)分類 108 7.1 引言 108 7.2 代價敏感超限學習機 110 7.2.1 貝葉斯決策論的啟發(fā) 110 7.2.2 基于ELM集成的概率 111 7.2.3 算法分析與描述 112 7.3 嵌入拒識代價的代價敏感ELM 114 7.3.1 CS-ELM的實驗結(jié)果 115 7.3.2 嵌入拒識代價的CS-ELM的實驗結(jié)果 117 7.4 代價敏感旋轉(zhuǎn)森林 120 7.4.1 代價敏感決策樹 120 7.4.2 算法分析 122 7.4.3 CS-RoF的實驗結(jié)果 122 7.5 小結(jié) 127 參考文獻 127 第8章 總結(jié) 131