在生物學的許多領(lǐng)域中,常用機器學習算法來建立模型,以便從多元分析數(shù)據(jù)中識別生物樣本的類型或狀態(tài)。機器學習算法建立的模型本質(zhì)上是進行模式識別,有時更正式地稱為多元分類。在代謝組學中,這種模型長期被用來證明樣本類之間存在客觀的生物化學差異。這通常被用來證明一個假設(shè),但也可以被認為是自動化的未知樣本分類的第一步,或者識別可以作為新診斷試驗基礎(chǔ)的生物標記物。有大量的機器學習方法,包括偏最小二乘判別分析（PLS-DA）,人工神經(jīng)網(wǎng)絡(luò)（ANN）,極限學習（ELM）和支持向量機（SVM）。在代謝組學領(lǐng)域,PLS-DA長期占據(jù)主導地位,以至于一些研究者完全沒有意識到還可以用其他更好的方案。事實上,其他方法已經(jīng)取得飛速進展,特別是支持向量機在代謝組學中的應(yīng)用已被證明超越PLS-DA。相對于傳統(tǒng)的化學計量學方法,支持向量機對具有高復雜度邊界的線性和非線性預(yù)測模型的支持的這一優(yōu)勢,剛好可以處理具有極其復雜性質(zhì)的代謝組學數(shù)據(jù)。在本研究中,代謝組數(shù)據(jù)選用的是使用戊四唑（治療組）和生理鹽水（對照組）治療四周的小鼠在治療期結(jié)束之后收集的尿液,提取出腦區(qū),提取出代謝產(chǎn)物,并使用NMR分析的樣本。我們將傳統(tǒng)的PLS-D... 

【文章頁數(shù)】：43 頁

【學位級別】：碩士

【部分圖文】：

圖２．１基本神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)??

圖２．?２極限學習機結(jié)構(gòu)??Ｆｉｇ?２．２?Ｅｘｔｒｅｍｅ?Ｌｅａｒｎｉｎｇ?Ｍａｃｈｉｎｅ?Ｓｔｒｕｃｔｕｒｅ??

圖３．１結(jié)構(gòu)風險最小化??Ｆｉｇ?３．１?Ｓｔｒｕｃｔｕｒａｌ?Ｒｉｓｋ?Ｍｉｎｉｍｉｚａｔｉｏｎ??為了實現(xiàn)ＳＲＭ原則，我們會使用一下兩種方法：（１）求每個子集的最小經(jīng)驗風??

【參考文獻】：
期刊論文
[1]機器學習概述[J]. 李煒.  科技視界. 2017(12)
[2]R語言在統(tǒng)計分析中的使用技巧[J]. 劉二鋼,馬建強.  電腦知識與技術(shù). 2017(01)
[3]基于深層神經(jīng)網(wǎng)絡(luò)（DNN）的漢語方言種屬語音識別[J]. 景亞鵬,鄭駿,胡文心.  華東師范大學學報(自然科學版). 2014(01)
[4]代謝組學中機器學習研究進展[J]. 白天,周春光,王喆,王巖.  吉林大學學報(信息科學版). 2008(02)
[5]基于反向傳播算法神經(jīng)網(wǎng)絡(luò)的信用評分系統(tǒng)預(yù)測力研究[J]. 朱曉明,程建,劉治國,鐘經(jīng)樊.  西安交通大學學報. 2006(12)
[6]機器學習在生物信息學中的應(yīng)用[J]. 張曉龍,楊艷霞.  武漢科技大學學報(自然科學版). 2005(02)
[7]誤差反向傳播算法與信噪分離[J]. 王忠勇,陳恩慶,葛強,史小軍.  河南科學. 2002(01)
[8]前饋神經(jīng)網(wǎng)絡(luò)中的反向傳播算法及其改進:進展與展望[J]. 劉曙光,鄭崇勛,劉明遠.  計算機科學. 1996(01)

博士論文
[1]基于非線性方法和VaR的均線交易系統(tǒng)研究[D]. 吳亞軍.哈爾濱工業(yè)大學 2014
[2]支持向量機特征選擇中的Lp正則化方法研究[D]. 姚蘭.湖南大學 2014
[3]孿生支持向量機關(guān)鍵問題的研究[D]. 黃華娟.中國礦業(yè)大學 2014
[4]基于優(yōu)化機器學習算法的模擬電路故障診斷研究[D]. 李晴.湖南大學 2013
[5]基于多種分析技術(shù)的代謝組學方法研究與應(yīng)用[D]. 張小麗.蘭州大學 2013
[6]基于支持向量機的金融時間序列分析預(yù)測算法研究[D]. 鮑漪瀾.大連海事大學 2013
[7]基于機器學習的盾構(gòu)姿態(tài)調(diào)整決策方法研究[D]. 郭正剛.大連理工大學 2013
[8]基于支持向量機的旋轉(zhuǎn)機械故障診斷與預(yù)測方法研究[D]. 朱霄珣.華北電力大學 2013
[9]集合型故障檢測與診斷技術(shù)研究[D]. 楊青.長春理工大學 2013
[10]面向智能決策問題的機器學習方法研究[D]. 陳慧靈.吉林大學 2012

碩士論文
[1]基于機器學習的聲源定位研究[D]. 楊悅.南京郵電大學 2017
[2]基于R語言的綜采工作面瓦斯?jié)舛阮A(yù)測研究[D]. 加茸茸.西安科技大學 2017
[3]基于機器學習的癌癥診斷方法研究[D]. 劉奕.湖北工業(yè)大學 2017
[4]基于機器學習的車牌識別算法研究[D]. 杜偉.沈陽師范大學 2017
[5]基于支持向量機的不平衡數(shù)據(jù)分類算法研究[D]. 劉東啟.浙江大學 2017
[6]基于優(yōu)化的偏最小二乘—判別分析和核磁共振波譜的肺癌血清代謝組學研究[D]. 李亞瓊.華中師范大學 2014
[7]基于支持向量機的特征選擇算法研究[D]. 嚴康.大連理工大學 2010
[8]基于R語言的空間統(tǒng)計分析研究與應(yīng)用[D]. 楊中慶.暨南大學 2006



本文編號：3714670