基于支持向量機的基因選擇算法研究.pdf

1、隨著基因微陣列技術的高速發(fā)展,人們可以同時快速地測量成千上萬個基因的表達水平。在腫瘤疾病研究中,通過獲取基因微陣列數(shù)據(jù)可以為癌癥診斷、治療、預測提供新的手段。但是,原始的基因微陣列數(shù)據(jù)具有小樣本、高維度特點,直接在此數(shù)據(jù)中進行分析處理是不現(xiàn)實的。因此,有必要在這些海量的基因數(shù)據(jù)中,找出對疾病有鑒別作用的基因,提高腫瘤診斷準確性。
　　 傳統(tǒng)的統(tǒng)計學方法在基因選擇中,表現(xiàn)出了較大的局限性。支持向量機(SVM)以統(tǒng)計學習理論為基礎,

2、采用結構風險最小化原則,能較好地解決小樣本數(shù)據(jù)學習問題;另外,支持向量機采用核函數(shù)技術,能夠解決數(shù)據(jù)非線性可分的問題。因此,在基因選擇算法中,支持向量機表現(xiàn)出更強的適應性和優(yōu)越性。
　　 本文基于支持向量機,對基因選擇算法進行研究,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、特點及應用,分析了支持向量機的原理,并詳細研究了SVM-RFE基因選擇算法。
　　 2.在SVM-RFE算法的基礎上,引入了

3、序列前向選擇方法。通過以組為單位同時進行特征消去和序列前向選擇操作,加快了算法的運行速度,提升了分類性能。
　　 3.研究了基予自適應策略選取支持向量機核參數(shù)的方法。算法首先利用樣本之間的2范數(shù)距離設置初始參數(shù)值,然后根據(jù)進行遞歸特征消去后重構的樣本對核參數(shù)進行自動運算更新。
　　 4.提出了多SVM混合分類模型。利用不同參數(shù)下的多個SVM分別進行基因選擇,然后合并各分類器選擇出來的基因子集,最后再利用SVM-RFE得到