基于先驗信息和二進(jìn)制微粒群算法的基因選擇方法研究.pdf

1、雖然傳統(tǒng)的基因選擇方法已經(jīng)能夠取得很好的效果，選出的基因子集有利于后續(xù)樣本分類，但是這些方法主要考慮數(shù)據(jù)方差和分布的相關(guān)性，從而選出的基因可解釋性較差且冗余度較高。為了獲得最小冗余可解釋的基因子集，本文在充分考慮基因類別靈敏度(Gene to class sensitivity, GCS)信息和基因調(diào)控(Generegulation，GR)信息的基礎(chǔ)上，利用二進(jìn)制微粒群算法(BPSO)和極限學(xué)習(xí)機(ELM)進(jìn)行基因選擇。本文主要工作如下

2、:
　　(1)針對GCS-BPSO-BP基因選擇方法時間開銷過高，提出了一類改進(jìn)的基于GCS信息和BPSO的基因選擇方法(BPSO-GCSI-ELM)。相對于GCS-BPSO-BP方法，BPSO-GCSI-ELM方法利用ELM代替BP來評價獲取的基因子集從而降低時間開銷和避免過學(xué)習(xí)問題，同時在粒子初始化上進(jìn)行有效的調(diào)整。在多個基因表達(dá)譜數(shù)據(jù)上的實驗表明，BPSO-GCSI-ELM方法能夠選出與樣本類別高度相關(guān)的基因子集，且選出的基

3、因子集具有較強的分類能力。
　　(2)針對BPSO-GCSI-ELM方法中初始化不完全合理以及BPSO進(jìn)化過早收斂等問題，提出了一類基于兩種先驗信息的混合基因選擇方法(PKmeans-BPSO-GCS&GR-ELM)。該方法提出用PSO優(yōu)化K均值聚類，并在此基礎(chǔ)上確定初始化種群，隨后運用兩個BPSO分別結(jié)合GCS和GR信息進(jìn)行進(jìn)行選擇。在多個基因表達(dá)譜數(shù)據(jù)上的實驗結(jié)果表明，相比BPSO-GCSI-ELM和其他一些經(jīng)典的基因選擇方法