基因表达数据的特征选择及其识别算法研究PDF|Epub|txt|kindle电子书版本网盘下载

基因表达数据的特征选择及其识别算法研究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

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 KELM83

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基于输出不一致测度的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-ELM102

6.5.2算法分析与描述103

6.5.3嵌入拒识代价的CS-D-ELM104

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ELM114

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