本文關(guān)鍵詞：面向差異特征識別的稀疏矩陣分解方法的研究

  更多相關(guān)文章： 稀疏矩陣分解 特征基因 L2 1范數(shù) 分塊稀疏約束 流形學(xué)習(xí)

【摘要】：隨著高通量測序技術(shù)的進(jìn)步和發(fā)展,生物信息數(shù)據(jù)呈現(xiàn)爆炸式增長。從海量的基因組數(shù)據(jù)和遺傳變異數(shù)據(jù)中找到有用信息成為巨大挑戰(zhàn)。傳統(tǒng)的數(shù)據(jù)分析方法已經(jīng)遠(yuǎn)遠(yuǎn)不能滿足實(shí)際需要,稀疏矩陣分解理論作為數(shù)據(jù)挖掘技術(shù)能夠很好地處理大規(guī)模數(shù)據(jù),進(jìn)一步從基因組數(shù)據(jù)中識別出關(guān)鍵特征基因,為生命科學(xué)更好地認(rèn)識生命以及疾病治療提供了有效的方法。本文通過分析國內(nèi)外研究學(xué)者對稀疏矩陣分解理論和特征基因識別算法方面的綜合研究成果,發(fā)現(xiàn)現(xiàn)有的理論成果存在部分學(xué)術(shù)研究上的缺乏。因此,在以往研究成果的基礎(chǔ)上,通過對稀疏矩陣分解算法和非負(fù)矩陣分解(Non-negative Matrix Factorization,NMF)進(jìn)行深入研究,將差異特征提取作為重點(diǎn)研究方向,分別提出了三種新的差異特征識別算法。主要包括基于L2,1范數(shù)的非負(fù)矩陣分解算法,基于流形學(xué)習(xí)的非負(fù)矩陣分解算法和分塊稀疏約束的非負(fù)矩陣分解算法�；贚2,1范數(shù)的非負(fù)矩陣分解方法根據(jù)數(shù)據(jù)含有異常值和噪聲等特點(diǎn),將L2,1范數(shù)約束分別施加在誤差函數(shù)以及正則項(xiàng)上,產(chǎn)生魯棒性和稀疏性結(jié)果。基于魯棒性圖正則的非負(fù)矩陣分解算法通過構(gòu)建圖正則來保存原始矩陣中的數(shù)據(jù)點(diǎn)的分布結(jié)構(gòu),可以有效地識別特征基因。分塊稀疏約束的非負(fù)矩陣分解算法則是根據(jù)處理癌癥數(shù)據(jù)和腫瘤基因圖譜(The Cancer Genome Atlas,TCGA)的特點(diǎn),將不同性質(zhì)的數(shù)據(jù)采用不同的稀疏約束強(qiáng)度,使結(jié)果更容易理解和解釋。為了驗(yàn)證這三種算法的性能,本文在基因表達(dá)數(shù)據(jù)集和整合數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),并同現(xiàn)有的方法相比較。實(shí)驗(yàn)結(jié)果證明了本文中所提出的算法在處理數(shù)據(jù)上是切實(shí)可行的。本文的創(chuàng)新點(diǎn)之一在于通過L2,1范數(shù)來產(chǎn)生稀疏以及魯棒性結(jié)果,提出一種新的魯棒性且稀疏性的非負(fù)矩陣分解算法(NMFL2,1)來識別特征基因。同時(shí)將NMFL2,1成功應(yīng)用在基因表達(dá)數(shù)據(jù)分析中;創(chuàng)新點(diǎn)之二是基于L2,1范數(shù)和流形學(xué)習(xí)算法,提出魯棒性圖正則算法(RGNMF)來識別特征基因;創(chuàng)新點(diǎn)三是提出一種分塊稀疏約束的非負(fù)矩陣分解算法(BSNMFL2,1),并成功應(yīng)用在整合數(shù)據(jù)集上。
【關(guān)鍵詞】：稀疏矩陣分解 特征基因 L2 1范數(shù) 分塊稀疏約束 流形學(xué)習(xí)
【學(xué)位授予單位】：曲阜師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：Q811.4;O151.21
【目錄】：

• 摘要4-5
• Abstract5-9
• 第1章 緒論9-13
• 1.1 研究背景及意義9-10
• 1.1.1 研究背景9-10
• 1.1.2 研究意義10
• 1.2 國內(nèi)外研究綜述10-11
• 1.3 研究思路與方法11-12
• 1.3.1 研究思路11-12
• 1.3.2 研究方法12
• 1.4 研究的創(chuàng)新點(diǎn)12-13
• 第2章 稀疏矩陣分解理論與差異特征識別13-15
• 2.1 稀疏矩陣分解理論概述13
• 2.2 差異特征識別概述13-15
• 2.2.1 基因表達(dá)數(shù)據(jù)及其特點(diǎn)13-14
• 2.2.2 特征基因識別14-15
• 第3章 基于L2,1-norm的非負(fù)矩陣分解算法及其在差異特征識別中的應(yīng)用15-28
• 3.1 L2,1-norm16
• 3.2 標(biāo)準(zhǔn)的非負(fù)矩陣分解算法16
• 3.3 基于L2,1-norm的非負(fù)矩陣分解算法16-18
• 3.4 NMFL2,1 在差異特征識別中的應(yīng)用18-19
• 3.5 實(shí)驗(yàn)結(jié)果與討論19-27
• 3.5.1 在植物數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果與分析19-26
• 3.5.2 在癌癥數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果與分析26-27
• 3.6 小結(jié)27-28
• 第4章 魯棒性圖正則非負(fù)矩陣分解算法及其在差異特征識別中的應(yīng)用28-38
• 4.1 流形學(xué)習(xí)方法28-30
• 4.1.1 等距映射(ISOMAP)29
• 4.1.2 局部線性嵌入(LLE)29-30
• 4.2 魯棒性圖正則非負(fù)矩陣分解算法30-31
• 4.3 魯棒性圖正則非負(fù)矩陣分解算法及其在差異特征識別中的應(yīng)用31-32
• 4.4 實(shí)驗(yàn)結(jié)果與討論32-37
• 4.4.1 白血病數(shù)據(jù)實(shí)驗(yàn)結(jié)果與分析32-33
• 4.4.2 髓母細(xì)胞瘤數(shù)據(jù)實(shí)驗(yàn)結(jié)果與分析33-35
• 4.4.3 彌漫性大B淋巴細(xì)胞瘤數(shù)據(jù)實(shí)驗(yàn)結(jié)果與分析35-36
• 4.4.4 肺癌數(shù)據(jù)實(shí)驗(yàn)結(jié)果與分析36-37
• 4.5 小結(jié)37-38
• 第5章 分塊稀疏約束的非負(fù)矩陣分解算法及其在TCGA數(shù)據(jù)庫中的應(yīng)用38-44
• 5.1 TCGA數(shù)據(jù)庫39-40
• 5.2 分塊稀疏約束40
• 5.3 分塊稀疏約束方法在TCGA上的應(yīng)用40-41
• 5.4 實(shí)驗(yàn)結(jié)果與分析41-42
• 5.5 小結(jié)42-44
• 第6章 結(jié)論與展望44-46
• 6.1 研究結(jié)論44
• 6.2 研究不足及展望44-46
• 6.2.1 研究的不足44-45
• 6.2.2 研究的展望45-46
• 參考文獻(xiàn)46-51
• 在讀期間發(fā)表的學(xué)術(shù)論文及研究成果51-53
• 致謝53

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張奠成 ,姚棟義;電子電路機(jī)助分析和設(shè)計(jì)中的稀疏矩陣技術(shù)[J];合肥工業(yè)大學(xué)學(xué)報(bào);1981年02期

2 匡云太;一個(gè)縮減非對稱稀疏矩陣的帶寬和外形的算法[J];同濟(jì)大學(xué)學(xué)報(bào);1987年03期

3 于繼業(yè);稀疏矩陣塊對角化的一種方法[J];數(shù)學(xué)的實(shí)踐與認(rèn)識;1988年03期

4 黃東泉;有向圖在結(jié)構(gòu)不對稱稀疏矩陣重排序中的應(yīng)用[J];西安交通大學(xué)學(xué)報(bào);1982年06期

5 陸黎明;陳海強(qiáng);朱鴻鶚;;稀疏矩陣技術(shù)在網(wǎng)絡(luò)分析中的應(yīng)用[J];上海師范學(xué)院學(xué)報(bào)(自然科學(xué)版);1984年03期

6 鄭志鎮(zhèn),李尚健,李志剛;稀疏矩陣帶寬減小的一種算法[J];華中理工大學(xué)學(xué)報(bào);1998年12期

7 秦體恒;李學(xué)相;安學(xué)慶;;稀疏矩陣存儲算法的探討[J];河南機(jī)電高等�？茖W(xué)校學(xué)報(bào);2008年01期

8 周永法;稀疏矩陣的并行算法[J];北京航空學(xué)院學(xué)報(bào);1982年04期

9 鄭金華;稀疏矩陣的存儲結(jié)構(gòu)和乘法運(yùn)算[J];湘潭大學(xué)自然科學(xué)學(xué)報(bào);1994年02期

10 王玉卿;高斯消元的順序和稀疏矩陣的圖解[J];沈陽工業(yè)大學(xué)學(xué)報(bào);1993年03期

中國重要會議論文全文數(shù)據(jù)庫 前3條

1 宋琦;陳璞;;稀疏求解—結(jié)構(gòu)修改的一種新的可能性[A];北京力學(xué)會第20屆學(xué)術(shù)年會論文集[C];2014年

2 徐道遠(yuǎn);王寶庭;王向東;馮伯林;;求解大型稀疏矩陣的ICCG法[A];第八屆全國結(jié)構(gòu)工程學(xué)術(shù)會議論文集（第Ⅰ卷）[C];1999年

3 苑維然;陳璞;劉凱欣;;非對稱線性方程組的快速外存解法[A];中國力學(xué)學(xué)會學(xué)術(shù)大會'2005論文摘要集（下）[C];2005年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王冬;面向差異特征識別的稀疏矩陣分解方法的研究[D];曲阜師范大學(xué);2016年

2 劉健;基于稀疏矩陣分解的特征基因識別方法研究[D];曲阜師范大學(xué);2015年

3 莊立;稀疏矩陣向量乘及自動(dòng)調(diào)優(yōu)[D];杭州電子科技大學(xué);2011年

4 馮廣祥;大型稀疏矩陣直接求解算法的研究及實(shí)現(xiàn)[D];東北大學(xué);2010年

5 丁玲;低秩與稀疏矩陣恢復(fù)問題的若干研究[D];浙江大學(xué);2012年

6 吳超凡;基于UB樹的大型稀疏矩陣存儲研究[D];云南大學(xué);2013年

7 王亞南;基于FPGA的稀疏矩陣分解實(shí)現(xiàn)[D];西安電子科技大學(xué);2009年

8 趙加強(qiáng);基于OpenCL的稀疏矩陣向量乘優(yōu)化[D];吉林大學(xué);2012年

9 施浩;基于FPGA的稀疏矩陣向量乘的優(yōu)化研究與實(shí)現(xiàn)[D];南京郵電大學(xué);2011年

10 胡耀國;基于GPU的有限元方法研究[D];華中科技大學(xué);2011年

，

本文編號：946653