基于支持向量机的基因表达数据降维方法的研究-精密仪器及机械专业论文.docxVIP

四、. 苏州大学学位论文使用授权声明本人完全了解苏州大学关于收集、保存和使用学位论文的规定， 苏州大学学位论文使用授权声明 本人完全了解苏州大学关于收集、保存和使用学位论文的规定， 即：学位论文著作权归属苏州大学。本学位论文电子文档的内容和纸 质论文的内容相一致。苏州大学有权向国家图书馆、中国社科院文献 信息情报中心、中国科学技术信息研究所(含万方数据电子出版社)、 中国学术期刊(光盘版)电子杂志社送交本学位论文的复印件和电子 文档，允许论文被查阅和借阅，可以采用影印、缩印或其他复制手段 保存和汇编学位论文，可以将学位论文的全部或部分内容编入有关数 据库进行检索。 涉密论文口 本学位论文属 在——年一月解密后适用本规定。 非涉密论文囱 论文作者签名：叠盗导师签名：≤豸趁日日 基于支持向量机的基冈表达数据降维方法的研究 基于支持向量机的基冈表达数据降维方法的研究 摘要 摘 要 一随着生物信息学近年来的突破性进展，基因芯片技术也得到了快速的发展， 人们可以更加快捷地获得可靠的基因表达数据，这些数据中蕴含了能够揭开生命 奥秘的大量信息。但由于基因表达数据具有维数高、样本少、非线性等特点，导 致了‘雏数灾难”，对传统的分析方法提出了挑战。 支持向量机(S印port Vector Machine，SVM)是一种基于统计学习理论的新 型机器学习方法。它采用了结构风险最小化原则，能够在一定程度上克服小样本 学习问题的困难，还采用了核函数思想，将非线性空间的问题转换到线性空间， 大大降低了算法的复杂度。由于支持向量机在这类问题上表现出了良好的推广性， 所以成为了当前研究的热点。 针对基因表达数据维数、高样本少的特点，本文提出了将数据降维方法应用 到基因表达数据上，分别使用线性以及非线性降维方法对原始数据进行处理，再 将降维后的数据经由支持向量机进行分类，有效的提高了分类的准确性。最后， 本文针对两个常用的数据集进行实验对比，结果表明，本文提出的方法相对于传 统的分类方法，分类准确率有所提高。 关键词：基因表达数据，数据降维，支持向量机 作 者：李靖 指导老师：翁桂荣 Abstract Abstract DinleflsjonaIity Rcduction Mdhods for G朗e E坤reSsion Data base SVM Dimensionality Reduction Methods for Gene Expression Data base on SVM Absn‘act Bbinformatics lns got great progress i11 recem yearS，with the rap订devebpmem of(论Ile Chip，we can get reliable萨m e冲ression data more emciemly，and these data proVide a南硼dation of umoVering tbe secret of life．But the data with high diIllellsiomlit弘危w samples aIld∞nlmear characterist记s，leadiIlg t0‘‘d洒1e璐iomlity 位Igedy’’，whjch is a mw cIlaUenge南r son℃昀ditiomI machiIle learn抽g methods． S印port Ve咖r Mach沁(SVM)iS a type of mw mchiIle 1ear血lg methodbaSed on statisticallearning tbeo哆n吣es the princ和le of millhIlizmg s订mtural risk，which oVercon℃s the s眦U sample 1earnmg problem MoreoVer，it en驴loys kerml mmti011， changiIlg∞nl洫ear pmbleIIls iIlto lmear oms by usillg mapp证g tIle dirnension origmal spaCe to 11j曲diIlle璐ion免ature space，wllich mal(es the algor缸hnlbe real泣ed eaLsily． Because ofs眦h ad、，antage，SVMs become a hot Spot ofmachir℃leaurning theo ry． This paper印pHes dinle璐bmlity redmtbn nE