期刊文献+

一种确定肿瘤重要基因信息的有效算法

下载PDF
导出
摘要 肿瘤基因微阵列数据对于肿瘤诊断具有重要意义,由于基因数据具有数据样本少、基因维数高的特点,传统的分类器方法在样本数量不足或远远小于属性维数的情况下,易于陷入"过学习",分类精度较低。本文采用T-test选取获选基因,选取分布差异较大的基因,剔除无关基因,提高实验的整体效率;将支持向量机SVM的惩罚因子加入粒子群算法PSO的粒子编码,PSO同时对候选基因组和SVM参数进行搜索,减少SVM参数的不确定性,以此得到更精确的基因标签,确定好的分类因素。文章最后验证了算法的有效性。
作者 康雨生 郭红
出处 《信息系统工程》 2010年第10期49-51,共3页
基金 福建省自然科学基金资助项目(2009J01283) 福建省科技计划重点资助项目(2008H0026)
关键词 微阵列 T-TEST PSO SVM
  • 相关文献

参考文献4

二级参考文献36

  • 1Lander E S. Array of hope. Nature Genetics, 1999,21 (Suppl) :3- 4
  • 2Ramaswamy S, Gloub T R. DNA microarrays in clinical oncology. Journal of Clinical Ontology,2002,20(7) :1932-1941
  • 3Derisi J, Penland L, Brown P O, et al. Use of a cDNA microarray to analyse gene expression patterns in human cancer. Nature Genetics, 1996,14(4) :457-460
  • 4Gloub T R, Slonim D K, Tamayo P, et al. Molecular classification of cancer: Class discovery and class prediction by gene expression monitoring. Science, 1999,286 (5439) : 531-537
  • 5Khan J, Wei J S, Ringner M, et al. Classification and diagnostic prediction of cancers using gene expression profiling and artificial neural networks. Nature Medicine, 2001,7(6) : 673-679
  • 6Guyon I, Weston J, Barnhill S, et al. Gene selection for cancer classification using support vector machines. Machine Learning, 2000,46(13) :389-422
  • 7Tibshirani R, Hastie T, Narasimhan B, et al. Diagnosis of multiple cancer types by shrunken centroids of gene expression//Proceedings of the National Academy of Science. 2002, 99 (10) : 6567-6572
  • 8Pawlak Z. Rough sets. International Journal of Information and Computer Science, 1982,11 :341-356
  • 9Baxevanis A D, Ouellette B F F. Bioinformaties-A Practical Guide to the Analysis of Genes and Proteins. Tsinghua University Press, 2000
  • 10Li Dingfang, Zhang Wen. Gene selection using rough set theory //Rough Sets and Knowledge Technology 2006 (RSKT 2006). Lecture Notes in Artificial Intelligence. Chongqing, 2006,4062: 778-785

共引文献14

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部