基因表达数据的特征选择及其识别算法研究

序 前言 第1章 绪论 1 参考文献 3 第2章 理论基础与相关工作 5 2.1 基因表达数据特征选择方法 5 2.2 神经网络 7 2.3 支持向量机 11 2.4 超限学习机 15 2.5 集成学习 21 2.6 代价敏感学习 22 2.7 决策树 23 2.8 粒子群算法 24 2.9 遗传算法 24 2.10 小结 25 参考文献 25 第3章 基于基因数据的特征选择算法 29 3.1 引言 29 3.2 基于信息增益的基因分组与筛选 30 3.2.1 信息熵与信息增益 30 3.2.2 信息增益流程 31 3.3 基于互信息最大化的基因分组与筛选 32 3.4 基于遗传算法的基因选择 33 3.4.1 遗传算法简介 33 3.4.2 遗传算法流程 33 3.4.3 编码方式 34 3.4.4 适应度函数 34 3.4.5 遗传算子 35 3.4.6 交叉率与变异率 36 3.5 基于聚类算法与PSO算法的基因选择 36 3.5.1 聚类算法 36 3.5.2 算法描述 37 3.6 基于信息增益和遗传算法的基因选择 38 3.6.1 算法分析 38 3.6.2 算法描述 38 3.6.3 实验与结果分析 39 3.7 基于互信息最大化和遗传算法的基因选择 45 3.7.1 算法分析 45 3.7.2 算法描述 45 3.7.3 实验与结果分析 46 3.8 基于互信息最大化和自适应遗传算法的基因选择 50 3.8.1 自适应遗传算法 50 3.8.2 算法流程 51 3.8.3 实验与结果分析 52 3.9 小结 54 参考文献 55 第4章 基于核主成分分析的旋转森林基因数据分类算法 58 4.1 引言 58 4.2 集成算法 59 4.2.1 Boosting算法 59 4.2.2 Adaboost算法 59 4.2.3 Bagging算法 60 4.2.4 随机森林 60 4.2.5 旋转森林 62 4.3 基于核主成分分析的旋转森林 63 4.3.1 核函数相关理论 63 4.3.2 核主成分分析 65 4.3.3 基于核主成分分析的旋转森林算法描述 66 4.4 实验与结果分析 69 4.5 小结 74 参考文献 75 第5章 基于改进PSO的KELM的基因表达数据分类 77 5.1 引言 77 5.2 基本粒子群算法 78 5.3 自适应混沌粒子群算法对超限学习机参数的优化作用 78 5.3.1 自适应惯性权重与适应度方差 78 5.3.2 混沌序列 79 5.3.3 算法分析与描述 79 5.3.4 实验与结果分析 80 5.4 基于改进PSO的核超限学习机算法 83 5.4.1 KELM 83 5.4.2 算法简介 84 5.4.3 算法分析与描述 86 5.4.4 实验与结果分析 88 5.5 小结 91 参考文献 91 第6章 基于输出不一致测度的ELM集成基因表达数据分类 93 6.1 引言 93 6.2 相异性集成 94 6.3 常见的相异性度量方法 95 6.3.1 输出不一致测度 95 6.3.2 错误一致测度 95 6.4 基于榆出不一致测度的ELM集成 96 6.4.1 理论分析 97 6.4.2 算法描述 98 6.4.3 实验与结果分析 99 6.5 嵌入代价敏感的相异性集成超限学习机 102 6.5.1 嵌入代价敏感的D.ELM 102 6.5.2 算法分析与描述 103 6.5.3 嵌入拒识代价的CS.D.ELM 104 6.6 小结 105 参考文献 105 第7章 基于代价敏感的基因表达数据分类 108 7.1 引言 108 7.2 代价敏感超限学习机 110 7.2.1 贝叶斯决策论的启发 110 7.2.2 基于ELM集成的概率 111 7.2.3 算法分析与描述 112 7.3 嵌入拒识代价的代价敏感ELM 114 7.3.1 CS-ELM的实验结果 115 7.3.2 嵌入拒识代价的CS-ELM的实验结果 117 7.4 代价敏感旋转森林 120 7.4.1 代价敏感决策树 120 7.4.2 算法分析 122 7.4.3 CS-RoF的实验结果 122 7.5 小结 127 参考文献 127 第8章 总结 131