基因表达谱数据挖掘方法研究PDF|Epub|txt|kindle电子书版本网盘下载

基因表达谱数据挖掘方法研究PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 绪论1

1.1生物信息学简介1

生物信息学概念1

生物信息学的研究背景和意义2

生物信息学的研究内容与方法6

生物信息学的研究历史和现状8

应用前景16

1.2基因组时代简介17

基因组计划17

基因的基本结构19

1.3基因表达谱数据挖掘的研究意义与研究现状20

研究意义20

研究现状22

1.4本章小结28

参考文献28

第2章 DNA微阵列技术与基因表达谱33

2.1基因芯片与DNA微阵列33

基因芯片介绍33

基因芯片的特点、分类和制作34

基因芯片制备方法36

DNA微阵列技术的应用和研究方向38

2.2基因表达谱40

基因表达谱的获取与表示40

基因表达谱的特点43

基因表达谱的数学描述44

常用的肿瘤基因表达谱数据集45

2.3基因表达谱数据分析46

基因表达谱数据的预处理46

基因表达谱数据分析的层次50

差异基因筛选51

基因解读与注释52

基因表达调控53

2.4基因表达谱的研究方向53

2.5本章小结55

参考文献56

第3章 基因表达谱数据挖掘中的模式识别基础58

3.1模式识别的概念及其研究方向58

3.2特征提取与选择方法59

特征提取中用到的统计量59

基因表达谱的特征提取与选择63

3.3常用的基因表达谱聚类与分类算法71

基因表达谱聚类和分类的目的71

聚类与分类算法的划分及评估准则72

基于类间距离的聚类算法75

层次聚类77

基于密度、网格和模型的聚类算法80

K-均值法81

仿射传播聚类83

K-近邻分类方法及其改进方法84

决策树86

线性判别分析87

基因表达谱可分性判据90

3.4分类器91

贝叶斯分类器91

人工神经网络92

自组织映射93

支持向量机94

多分类器性能比较97

3.5本章小结99

参考文献99

第4章 基于因子分量分析的基因表达谱特征提取方法102

4.1基因表达谱特征提取方法简介102

4.2主分量分析103

主分量分析的基本思想103

主分量分析算法步骤106

4.3判决主分量分析106

判决主分量分析的基本思想106

判决主分量分析算法步骤107

4.4因子分析109

因子分析的基本思想110

因子分析算法的步骤110

4.5独立分量分析111

独立分量分析的基本思想111

独立分量分析算法的步骤113

FastICA115

4.6因子分析、主分量分析和独立分量分析之间的关系115

4.7基于主分量分析、判决主分量分析和因子分析的肿瘤亚型分类方法117

算法框架模型117

信息基因选择118

基于主分量分析的肿瘤亚型分类的实验结果与分析119

基于判决主分量分析的肿瘤亚型分类的实验结果与分析123

基于因子分析的肿瘤亚型分类的实验结果与分析130

4.8基于独立分量分析的肿瘤亚型分类方法133

基因表达谱的ICA模型及其生物学意义133

基于独立分量分析的基因表达谱提取与选择算法134

实验结果与分析135

4.9基于独立分量分析的肿瘤亚型惩罚性分类方法137

惩罚性回归模型137

优化得分算法137

惩罚性优化得分分类算法138

特征基因的初选138

实验结果与分析139

4.10本章小结141

参考文献142

第5章 基于傅里叶与小波包变换的基因表达谱特征提取方法144

5.1基于离散余弦变换和傅里叶变换的基因表达谱特征提取方法144

离散傅里叶变换和离散余弦变换144

Relief算法145

基因表达谱分类模型146

实验结果与分析147

5.2基于小波包变换的基因表达谱特征提取与选择152

小波包变换153

肿瘤亚型分类方法155

实验结果与分析156

5.3基因表达谱的特征提取与选择方法比较158

5.4本章小结160

参考文献161

第6章 信息基因的启发式搜索算法研究163

6.1信息基因选择问题163

基于基因表达谱的肿瘤分类问题描述163

肿瘤分类模型及评估164

信息基因选择方法简介166

信息基因选择策略171

6.2基于启发式搜索的基因表达谱数据挖掘算法176

肿瘤信息基因的启发式宽度（HBSA）优先搜索算法176

信息基因选择177

HBSA算法实现179

实验结果与分析181

6.3基于Wilcoxon秩和检验的信息基因选择方法185

算法的基本思想186

算法的基本步骤187

实验结果与分析187

6.4基于Kruskal-Wallis秩和检验的基因选择方法194

算法的基本步骤195

实验结果与分析195

SRBCT数据集中信息基因描述及肿瘤亚型相关基因推测198

6.5本章小结200

参考文献201

第7章 基于粗糙集的信息基因选择方法204

7.1基于粗糙集的肿瘤信息基因选择方法204

粗糙集模型简介204

粗糙集属性约简的一般步骤和算法实现205

基于粗糙集的信息基因选择方法206

实验结果与分析207

7.2基于邻域粗糙集的肿瘤信息基因选择方法209

邻域粗糙集模型简介210

邻域分类器212

基于邻域粗糙集模型的肿瘤分类方法213

实验结果与分析216

7.3基于邻域粗糙集的多类肿瘤亚型分类方法221

多肿瘤亚型分类算法框架和模型221

实验结果与分析222

7.4本章小结229

参考文献229

第8章 基于基因调控概率模型的基因表达谱数据挖掘方法231

8.1基因表达调控的生物学背景231

8.2基于概率统计的基因调控概率模型232

8.3基因调控概率计算233

基于全概率公式的基因调控概率计算234

基于最大似然估计的基因调控概率计算236

基于贝叶斯后验概率估计的基因调控概率计算238

8.4基于基因调控概率模型的基因选择与肿瘤基因分类239

基于基因调控概率模型的基因选择239

基于基因调控概率模型的肿瘤诊断与分类241

8.5实验结果与分析243

基于基因调控概率模型的基因选择方法的应用243

基于基因调控概率的肿瘤诊断与分类方法的应用254

8.6本章小结258

参考文献259

第9章 基于神经网络和支持向量机的基因选择及肿瘤分类方法261

9.1人工神经网络261

人工神经网络261

径向基函数神经网络266

9.2基于径向基函数神经网络的肿瘤分类方法268

模拟退火算法269

改进的基于模拟退火的径向基函数网络优化算法270

实验结果与分析274

9.3基于支持向量机的基因表达谱分类方法277

支持向量机简介278

超球面二类别SVM算法283

SVM多类分类器285

SVM决策树288

9.4基于支持向量机和惩罚策略的基因表达谱分类方法290

支持向量机与基因表达谱矩阵290

基于支持向量机的基因初始关联度计算292

基于惩罚策略的基因惩罚关联度计算293

实验结果与分析294

9.5基因选择算法及肿瘤样本分类器性能比较299

9.6本章小结302

参考文献302

第10章 基于集成分类器系统的基因表达谱数据挖掘方法研究306

10.1多分类器集成系统306

多分类器集成系统的研究历史和发展现状306

集成分类器模型及其构造方法309

多分类器集成系统构建310

差异度测度316

10.2基于概率神经网络集成的肿瘤样本分类方法319

分类算法模型319

基于间隔的迭代搜索算法320

实验结果与分析322

10.3基于标准遗传算法的集成基因表达谱特征选择算法设计325

遗传算法简介326

集成基因表达谱特征选择算法设计328

实验结果与分析330

10.4基于集成独立分量的基因表达谱特征提取与选择332

独立分332

选择必要性的实验验证332

集成独立分量选择在基因表达谱分析中的应用333

实验结果与分析335

10.5基于多目标遗传算法的基因表达谱集成特征选择算法340

染色体编码方式设计340

适应值函数的设计341

集成生成个体342

实验结果与分析342

10.6基于进化计算的扩展集成独立分量选择系统346

扩展独立分量选择系统设计方案346

多目标遗传算法的设计347

实验结果与分析350

10.7基于遗传规划的多类基因表达谱数据分析358

遗传规划概述359

基于遗传规划的多类判别分析360

基于遗传规划的多类基因表达谱数据判别分析方法362

实验结果与分析367

基于遗传规划的基因表达谱数据分析生物学意义372

10.8基于旋转森林的肿瘤样本分类方法379

基于决策树的集成系统380

旋转森林的算法框架380

基于旋转森林的肿瘤样本分类方法383

实验结果与分析386

基分类器差异度与精确度分析390

10.9本章小结392

参考文献393

第11章 基于流形学习的基因表达谱特征提取方法400

11.1流形学习的研究背景与现状400

11.2几种典型的流形学习算法403

11.3面向分类的流形学习中存在的问题407

本征维数407

样本外点问题409

监督（半监督）流形学习410

小样本问题411

11.4基于局部线性判别嵌入的特征提取方法412

局部线性嵌入算法412

局部线性判别嵌入法的思想415

局部线性判别嵌入法416

11.5实验结果与分析419

11.6本章小结424

参考文献425

第12章 基于张量分析的高阶基因表达谱特征提取方法430

12.1张量分析430

张量的基本概念及其伸展、块表示和分解430

张量与向量、张量与矩阵和张量与张量之积434

12.2张量的奇异值分解与多线性独立分量分析435

12.3基于张量多线性ICA的肿瘤亚型分类方法437

分类方法437

实验结果与分析439

12.4本章小结442

参考文献442

附录 部分源代码445

1.判决主分量分析445

2.启发式宽度优先搜索算法446

3.SVM分类模型的参数选择法448

4.基于小波包变换的基因表达谱特征提取算法448

5.基于邻域粗糙集的基因约简算法449

6.Relief算法450

7.采用DCT变换抽取特征的肿瘤分类方法451

8.概率神经网络分类方法452

9.基于概率神经网络集成的基因表达谱特征提取方法452

10.基于FastICA的肿瘤分类方法454

11.基于集成独立分量分析的肿瘤分类方法455

12.基于遗传规划的肿瘤分类方法457

13.旋转森林459

14.基于流形学习的肿瘤分类方法461