论文部分内容阅读
随着微阵列芯片技术地广泛应用,科研人员能够在较少的实验中完成对物种大量基因表达水平值的检测,这为从分子水平上探索疾病的发病机理、临床诊断与治疗,了解生命的生长生活过程奠定了殷实的基础。但是,原始获取的数据具有高维、高噪、高相关、小样本特点,分析这些数据并从中筛选和疾病相关的关键特征具有重要意义。
本文基于群智能算法和统计学习理论的知识,在分析肿瘤基因表达谱特征的基础上,研究了肿瘤分类特征基因选取问题;提出两种改进的粒子群算法使其具有良好的局部搜索与全局搜索能力,并成功运用到基因特征选择方法中获取了有效特征子集。一种为混合多变异位自适应遗传算子操作的二进制粒子群算法。我们引入改良了的遗传算子操作到粒子群算法,其中,采用多位变异位来增加种群的多样性,同时,我们选取自适应概率的交叉、变异操作,更好的寻优满意解。另一种改进的粒子群算法中,我们引入基本遗传算法的交叉和变异策略到粒子群算法增加搜索可行解范围,避免粒子的早熟收敛;同时选用免疫算法的疫苗机制有效地削弱基本遗传算子操作带来的种群退化风险。文中首先采用Wilc oxon秩和检验指标来对分类起较大作用的预选特征子集,然后结合广泛应用于小样本分类的支持向量机为分类器的改进粒子群算法对预选子集实施筛选。两种方法中适应值函数均采用带权系数的策略来权衡子集数量和分类准确率在最优化子集中的比重,同时,方法二中支持向量机分类器的参数选用了自适应调整策略。在两个公开的基因表达数据集上的实验仿真数据以及对选定特征的生物学分析显示本文提出的方法是可行、有效的,对医学工作者诊疗疾病具有实践指导意义。