基于降維的微陣列數(shù)據(jù)分析.pdf

1、微陣列技術(shù)的發(fā)展在生物學(xué)歷史上具有重要意義,該技術(shù)的發(fā)展使得成千上萬的基因同時測量成為了可能,與此同時,大量的微陣列數(shù)據(jù)正以指數(shù)級增長。面對如此龐大的數(shù)據(jù),若沒有有效的處理方法,就容易導(dǎo)致從“數(shù)據(jù)資源”變?yōu)椤皵?shù)據(jù)災(zāi)難”。而這些數(shù)據(jù)存在著維數(shù)高、樣本少即“維數(shù)災(zāi)難”問題。如何從這些數(shù)據(jù)中挑選分類能力強(qiáng),數(shù)量少的特征基因極具復(fù)雜性。因此,本文主要針對該問題進(jìn)行了基于降維技術(shù)的微陣列數(shù)據(jù)分析研究。
　　 本文主要分為兩個部分:一是線性

2、降維算法,運(yùn)用主成分分析(PCA),多維尺度變換分析(MDS),因子分析(FA)對微陣列數(shù)據(jù)降維,然后用SVM分類算法對降維的結(jié)果進(jìn)行性能比較。分析結(jié)果表明PCA對分類結(jié)果性能優(yōu)于其它兩種線性降維方法；二是非線性降維算法,運(yùn)用局部線性嵌入(LLE)、等距離映射算法(ISOMAP)、局部切空間排列(LTSA)對微陣列數(shù)據(jù)降維,并用SVM算法比較性能。結(jié)果顯示,用LLE特征提取后,分類效果優(yōu)于其它兩種非線性降維方法。把線性降維和非線性降維的