本文關鍵詞：粒子對與和聲搜索混合算法在基因聚類的應用研究

  更多相關文章： 微陣列 基因聚類 粒子對算法 和聲算法 信息熵

【摘要】：隨著生命科學研究的不斷深入,人類對于生命起源,物種進化等領域的探索受到越來越多學者的關注。面對繁緒復雜的數(shù)據(jù)分析,統(tǒng)計和運算,使得集成生物科學,數(shù)學計算,計算機科學,化學分析研究等領域于一體的生物信息學應運而生。這也標志著人類基因組計劃已步入后基因組時代。在后基因組時代,關于基因組研究的重點也由基因組測序轉(zhuǎn)變?yōu)椋捍_定生物體中每條基因在生命過程中所起到的功能,以及不同基因之間相互協(xié)調(diào)和相互引導的關系上。由于研究重點的轉(zhuǎn)變,傳統(tǒng)的實驗技術和實驗方法對于海量基因組序列數(shù)據(jù)的處理顯得越來越乏力。隨著人工智能的迅猛發(fā)展和生命科學的興旺,人們迫切需要尋求更為高效便捷的基因表達處理方法。而要揭示生命科學的本源,就要對海量基因組進行精確測序和統(tǒng)計分析,微陣列技術在這種研究背景下應運而生。微陣列(microarray)技術,常被稱為芯片技術,是由“人類基因組計劃”的發(fā)展而興起的一項新技術,廣泛應用于基因序列分析、基因突變檢測和多態(tài)性分析以及疾病的基因診斷等諸多領域。聚類分析是微陣列數(shù)據(jù)分析中廣泛使用的方法之一,具有較高的研究價值。原有的聚類算法雖然順利的攻克了低維,數(shù)據(jù)量小的聚類難關。但由于規(guī)模和交互程度的不斷擴張,以及分析探索的不斷深入,現(xiàn)有的算法通常不能取得理想的聚類效果,也很難滿足人們對于數(shù)據(jù)分析效率和準確性的要求。隨著人們對算法效率的要求不斷攀升,群智能算法的興起(如遺傳算法、粒子群優(yōu)化算法(PSO)、粒子對算法、免疫算法、人工蜂群算法等)為數(shù)據(jù)分析提供了新方向。群智能算法具有模擬生物群體進化學習的特性,在解決復雜優(yōu)化問題方面顯示出了其獨有的優(yōu)勢,已在社會科學、自然科學、經(jīng)濟管理學、醫(yī)學、生物學、計算機等眾多領域得到了成功的應用�；虮磉_數(shù)據(jù)聚類算法的研究還處在不斷研究和探索中,作為目前比較新穎的基因聚類算法——粒子對算法(PPO),具有群體規(guī)模小,便于協(xié)調(diào)粒子之間的位置關系,能獲得較好的聚類效果等優(yōu)勢,是目前廣泛使用且效果較好的基因聚類算法之一。但同樣PPO算法也存在著過早陷入局部最優(yōu)、全局搜索能力不強等缺點,針對PPO算法的這些不足,本文建議了一種新的基于PPO優(yōu)化算法與和聲算法(HS)的混合算法(DPPO-HS)。在算法初代形成精英粒子對的迭代過程中,引入PSO算法對其中一個精英粒子進行一次快速初始化,而另外一個精英粒子則沿用標準PPO聚類算法進行初始化,通過將兩個不同初始化的粒子組成精英粒子對,增強了精英粒子對間的交流學習能力,在一定程度上改善了精英粒子對的解質(zhì)量和搜優(yōu)能力。混合算法在獲得精英粒子對后,針對PPO算法易陷入局部最優(yōu)解的不足,在第二階段的迭代過程中,嘗試引入以信息熵動態(tài)調(diào)整HS算法微調(diào)概率的和聲優(yōu)化算法,提高混合算法的全局搜索能力和跳出局部最優(yōu)區(qū)域的能力。在此思路的基礎上,通過四組不同的國際通用標準基因表達數(shù)據(jù)集,以MSE均方差函數(shù),D1類內(nèi)緊致度,D2類間分離度為檢測指標,將本文的混合算法DPPO-HS與當前較為流行K-Means算法,標準PPO粒子對聚類算法,DPPO算法,以及聚類效果較好的PPO-DE混合算法做了詳盡的實驗對比分析,將五種算法通過四組不同數(shù)據(jù)集的三項檢測指標,進行了較為詳盡的對比試驗。實驗結(jié)果表明,本文的混合算法DPPO-HS與其他四種對比算法相比,取得了較好的聚類精度、類內(nèi)緊致度和類間分離度,證明本文提出的混合算法是有效的。
【關鍵詞】：微陣列 基因聚類 粒子對算法 和聲算法 信息熵
【學位授予單位】：廣西師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：Q811.4;TP311.13
【目錄】：

• 摘要3-5
• Abstract5-9
• 第1章 緒論9-14
• 1.1 本文的研究背景及其意義9-10
• 1.2 基因聚類分析的研究現(xiàn)狀10-12
• 1.3 本文主要研究工作12
• 1.4 本文的組織結(jié)構(gòu)12-13
• 1.5 本章小結(jié)13-14
• 第2章 基因聚類分析研究14-18
• 2.1 生物信息學簡介14
• 2.2 基因表達數(shù)據(jù)聚類分析14-17
• 2.2.1 基因表達數(shù)據(jù)表示14-15
• 2.2.2 數(shù)據(jù)預處理15-16
• 2.2.3 基因聚類結(jié)果評價16-17
• 2.3 基因表達數(shù)據(jù)集17
• 2.4 本章小結(jié)17-18
• 第3章 基因聚類算法分析18-25
• 3.1 K-means算法18-19
• 3.2 粒子群聚類算法19-21
• 3.3 粒子對算法21-24
• 3.3.1 粒子對算法基本原理21-22
• 3.3.2 粒子對算法步驟流程22-24
• 3.4 本章小結(jié)24-25
• 第4章 信息熵及和聲算法分析研究25-31
• 4.1 信息熵25-26
• 4.1.1 信息熵原理25-26
• 4.2 和聲搜索算法26-30
• 4.2.1 和聲算法基礎26-27
• 4.2.2 和聲搜索算法模型27-29
• 4.2.3 和聲搜索算法的應用29-30
• 4.3 本章小結(jié)30-31
• 第5章 粒子對優(yōu)化算法基因聚類研究31-41
• 5.1 算法優(yōu)化的可行性分析31-32
• 5.1.1 粒子對算法有待解決的不足31-32
• 5.2 改進的粒子對算法研究32-39
• 5.2.1 對初始粒子質(zhì)量進行優(yōu)化32-36
• 5.2.2 改進算法對初始粒子聚類的研究36-39
• 5.3 實驗結(jié)果分析及討論39-40
• 5.4 本章小結(jié)40-41
• 第6章 混合算法DPPO-HS41-54
• 6.1 改進的粒子對與和聲混合算法DPPO-HS思路41-42
• 6.2 混合算法DPPO-HS算法具體流程42-45
• 6.3 實驗結(jié)果對比及分析45-52
• 6.3.1 實驗數(shù)據(jù)集及參數(shù)設置45-46
• 6.3.2 實驗結(jié)果分析46-52
• 6.4 本章小結(jié)52-54
• 第7章 總結(jié)與展望54-56
• 參考文獻56-59
• 致謝59-60

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 胡洪林;;截斷思想在算法分析中的應用[J];科技風;2012年12期

2 陳際平;算法分析與優(yōu)化程序的研究[J];西北大學學報(自然科學版);1994年05期

3 梁彥杰;徐堅;;算法分析中概率變化與圖形生成[J];云南大學學報(自然科學版);2009年S2期

4 劉寧;邵曉艷;;算法分析與設計課程中多媒體技術的應用[J];科技風;2009年18期

5 海亞;張永平;;算法對學生解決問題能力的培養(yǎng)[J];黑龍江科技信息;2008年10期

6 李冰穎,夏利民,舒遠仲;學分制模式下網(wǎng)上選課系統(tǒng)的算法探析[J];江西科學;2004年05期

7 Anany Levitin;Maria Levitin;;算法謎題[J];中國科技信息;2014年08期

8 杜剛;陸黎明;;一修路問題的算法解決分析[J];太原師范學院學報(自然科學版);2006年02期

9 許之民;;砝碼稱重問題的多種算法分析與探究[J];合肥學院學報(自然科學版);2011年01期

10 李亞楠;;菌群優(yōu)化算法分析[J];貴州大學學報(自然科學版);2011年02期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 俞洋;田亞菲;;一種新的變步長LMS算法及其仿真[A];通信理論與信號處理新進展——2005年通信理論與信號處理年會論文集[C];2005年

2 周顥;劉振華;趙保華;;構(gòu)造型的D~2FA生成算法[A];中國通信學會通信軟件技術委員會2009年學術會議論文集[C];2009年

3 賴桃桃;馮少榮;張東站;;一種基于劃分和密度的快速聚類算法[A];第二十五屆中國數(shù)據(jù)庫學術會議論文集（一）[C];2008年

4 劉遠新;鄧飛其;羅艷輝;舒添慧;;ERP柔性平臺下物流運輸配送系統(tǒng)算法分析[A];第二十六屆中國控制會議論文集[C];2007年

5 王樹西;白碩;姜吉發(fā);;模式合一的“減首去尾”算法[A];第二屆全國學生計算語言學研討會論文集[C];2004年

6 王萬青;張曉輝;;改進的A~*算法的高效實現(xiàn)[A];2009全國測繪科技信息交流會暨首屆測繪博客征文頒獎論文集[C];2009年

7 孫煥良;邱菲;劉俊嶺;朱葉麗;;IncSNN——一種基于密度的增量聚類算法[A];第二十三屆中國數(shù)據(jù)庫學術會議論文集（研究報告篇）[C];2006年

8 韓建民;岑婷婷;于娟;;實現(xiàn)敏感屬性l-多樣性的l-MDAV算法[A];第二十七屆中國控制會議論文集[C];2008年

9 張悅;尤楓;趙瑞蓮;;利用蟻群算法實現(xiàn)基于程序結(jié)構(gòu)的主變元分析[A];第五屆中國測試學術會議論文集[C];2008年

10 王旭東;劉渝;鄧振淼;;正弦波頻率估計的修正Rife算法及其FPGA實現(xiàn)[A];全國第十屆信號與信息處理、第四屆DSP應用技術聯(lián)合學術會議論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 科文;VIXD算法分析Web異常[N];中國計算機報;2008年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 魏哲學;樣本斷點距離問題的算法與復雜性研究[D];山東大學;2015年

2 劉春明;基于增強學習和車輛動力學的高速公路自主駕駛研究[D];國防科學技術大學;2014年

3 張敏霞;生物地理學優(yōu)化算法及其在應急交通規(guī)劃中的應用研究[D];浙江工業(yè)大學;2015年

4 李紅;流程挖掘算法研究[D];云南大學;2015年

5 盛歆漪;粒子群優(yōu)化算法及其應用研究[D];江南大學;2015年

6 黃磊;高動態(tài)環(huán)境捷聯(lián)慣導信號處理及高精度姿態(tài)速度算法研究[D];南京航空航天大學;2015年

7 劉新旺;多核學習算法研究[D];國防科學技術大學;2013年

8 于濱;城市公交系統(tǒng)模型與算法研究[D];大連理工大學;2006年

9 曾國強;改進的極值優(yōu)化算法及其在組合優(yōu)化問題中的應用研究[D];浙江大學;2011年

10 肖永豪;蜂群算法及在圖像處理中的應用研究[D];華南理工大學;2011年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 黃廈;基于改進蟻群算法的柔性作業(yè)車間調(diào)度問題研究[D];昆明理工大學;2015年

2 李平;基于Hadoop的信息爬取與輿情檢測算法研究[D];昆明理工大學;2015年

3 趙官寶;基于位表的關聯(lián)規(guī)則挖掘算法研究[D];昆明理工大學;2015年

4 殷文華;移動容遲網(wǎng)絡中基于社會感知的多播分發(fā)算法研究[D];內(nèi)蒙古大學;2015年

5 徐翔燕;人工魚群優(yōu)化算法及其應用研究[D];西南交通大學;2015年

6 李德福;基于小世界模型的啟發(fā)式尋路算法研究[D];華中師范大學;2015年

7 鄭海彬;一種面向MAPREDUCE的DATASHUFFLE的優(yōu)化方法[D];蘇州大學;2015年

8 趙曉寒;輪換步長PSO算法及SMVSC參數(shù)優(yōu)化[D];沈陽理工大學;2015年

9 安豐洋;基于無線網(wǎng)絡的廣播算法研究[D];曲阜師范大學;2015年

10 李智明;基于改進FastICA算法的混合語音盲分離[D];上海交通大學;2015年

，

本文編號：854811