神經(jīng)網(wǎng)絡(luò)集成技術(shù)及其在癌癥基因分類中的應(yīng)用研究.pdf

1、微陣列技術(shù)可以在不同條件下同時檢測成千上萬的基因在細(xì)胞中的表達(dá)水平。已成為生物信息學(xué)研究的焦點，對生物醫(yī)學(xué)研究產(chǎn)生了極大的影響。在癌癥的研究中，微陣列技術(shù)可以從腫瘤基因表達(dá)數(shù)據(jù)的變異研究中，獲得更好的癌癥診斷與治療方法。 人工神經(jīng)網(wǎng)絡(luò)已在很多領(lǐng)域得到了成功的應(yīng)用，通過集成多個體網(wǎng)絡(luò)提高系統(tǒng)泛化能力的神經(jīng)網(wǎng)絡(luò)集成技術(shù)已成為神經(jīng)計算技術(shù)的一個研究熱點。本文研究神經(jīng)網(wǎng)絡(luò)集成技術(shù)在癌癥分類中的應(yīng)用問題。 針對基因表達(dá)數(shù)據(jù)中樣本數(shù)

2、量小的情況，本文介紹了神經(jīng)網(wǎng)絡(luò)集成算法Bagging與Boosting方法，并對它們進(jìn)行分析比較。Boosting算法以提高不易分類樣本的訓(xùn)練機(jī)會，也即增加這類樣本被抽中的概率來提高系統(tǒng)的分類效果，但不穩(wěn)定；而Bagging算法以等概率的方式抽樣生成訓(xùn)練集，雖分類效果不如Boosting，但更為穩(wěn)定。為此本文建立一種不等概的抽樣方法產(chǎn)生訓(xùn)練集，訓(xùn)練個體網(wǎng)絡(luò)。并在基因表達(dá)數(shù)據(jù)上進(jìn)行實驗。結(jié)果表明，這種方法能有效地提高分類效果。研究表明，有

3、選擇性地將部分個體網(wǎng)絡(luò)用于集成能比全部個體網(wǎng)絡(luò)用于集成獲得更好的效果，針對選擇個體網(wǎng)絡(luò)用于集成問題，本文提出一種動態(tài)集成方法，即以分類準(zhǔn)確率為標(biāo)準(zhǔn)動態(tài)選擇個體神經(jīng)網(wǎng)絡(luò)集成。在基因表達(dá)數(shù)據(jù)上進(jìn)行的實驗結(jié)果表明，神經(jīng)網(wǎng)絡(luò)集成的效果得到顯著提高。在基因表達(dá)數(shù)據(jù)的分析中，針對特征基因選擇，本文給出一種改進(jìn)的信噪比方法，以中位數(shù)取代均值作為信噪比的參量。并在基因表達(dá)數(shù)據(jù)上進(jìn)行實驗，表明該方法能有效地剔除冗余基因。 針對特征基因的選取，本文