數(shù)據(jù)清洗是代謝組學(xué)進(jìn)行數(shù)據(jù)分析之前的重要步驟,合理的數(shù)據(jù)清洗步驟可以讓后續(xù)的數(shù)據(jù)分析工作更完善更有效的進(jìn)行。在本文中就數(shù)據(jù)清洗中的缺失值處理和變量分類兩個(gè)問(wèn)題提出了新的方法:1.深入探討了質(zhì)譜數(shù)據(jù)中的缺失值模式,并提出了一種新的方法來(lái)生成模擬的質(zhì)譜缺失數(shù)據(jù)集,相對(duì)現(xiàn)有的生成方法更加簡(jiǎn)單快捷,也更加貼合現(xiàn)實(shí);提出了一種新的缺失值填補(bǔ)方法:在KNN過(guò)程中利用了分組信息以及左截?cái)嗾龖B(tài)分布的特點(diǎn),首先填補(bǔ)非隨機(jī)缺失,接著使用自適應(yīng)KNN來(lái)進(jìn)行填補(bǔ)。在模擬代謝組學(xué)分析結(jié)果中說(shuō)明,使用此經(jīng)過(guò)改進(jìn)的KNN方法可以有效的完成缺失值填補(bǔ),同時(shí)也有助于后續(xù)的分析。2.提出了一種新的變量分類方法:D-C方法,這一變量分類方法主要從兩個(gè)方向出發(fā)完成變量分類:自變量與因變量的相關(guān)性,變量之間的相關(guān)性。將變量分為三類:獨(dú)特變量、共性變量和冗余變量。D-C方法主要使用Diffreg方法和CMELR-CSIS方法、主成分分析、相關(guān)性分析來(lái)完成變量分類工作。同時(shí)將此變量分類方法應(yīng)用于多源數(shù)據(jù)數(shù)據(jù)處理的數(shù)據(jù)清洗步驟,可以有效地處理高維數(shù)據(jù)。通過(guò)模擬數(shù)據(jù)和實(shí)際數(shù)據(jù)檢驗(yàn)證明使用此方法有助于后續(xù)的建模等程序。在基于質(zhì)譜的代謝組...

【文章頁(yè)數(shù)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 代謝組學(xué)簡(jiǎn)述
    1.2 代謝組學(xué)數(shù)據(jù)清洗
        1.2.1 缺失值填補(bǔ)
        1.2.2 多源數(shù)據(jù)融合
    1.3 論文結(jié)構(gòu)
    參考文獻(xiàn)
第二章 缺失值處理方法研究
    2.1 引言
    2.2 缺失值的研究進(jìn)展
    2.3 缺失值的數(shù)據(jù)模擬方法
    2.4 缺失值填補(bǔ)KNN方法
    2.5 改進(jìn)的KNN方法
    2.6 數(shù)值分析
    2.7 本章小結(jié)
    參考文獻(xiàn)
第三章 基于變量分類的多源數(shù)據(jù)融合
    3.1 引言
    3.2 多源數(shù)據(jù)融合的研究進(jìn)展
    3.3 基于變量分類的數(shù)據(jù)融合
        3.3.1 diffreg檢驗(yàn)
        3.3.2 CMELR-CSIS方法
        3.3.3 D-C方法
    3.4 模擬數(shù)據(jù)實(shí)驗(yàn)
    3.5 真實(shí)代謝組學(xué)數(shù)據(jù)實(shí)驗(yàn)
    3.6 本章小結(jié)
    參考文獻(xiàn)
第四章 代謝物數(shù)據(jù)管理系統(tǒng)實(shí)現(xiàn)
    4.1 引言
    4.2 系統(tǒng)的框架設(shè)計(jì)
    4.3 數(shù)據(jù)庫(kù)表單設(shè)計(jì)
        4.3.1 菌株信息表
        4.3.2 粗提物信息表
        4.3.3 化合物信息表
        4.3.4 送測(cè)信息表
    4.4 功能模塊設(shè)計(jì)
        4.4.1 用戶控制部分
        4.4.2 數(shù)據(jù)庫(kù)操作部分
    4.5 系統(tǒng)實(shí)現(xiàn)
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 論文總結(jié)
    5.2 研究展望
攻讀碩士期間的研究成果
致謝



本文編號(hào)：3907232