支持向量机算法-基于SVM 和LDA-GA 的基因图谱信息提取方法的研究.pdf

《基于SVM和LDA-GA的基因图谱信息提取方法的研究》这篇论文主要探讨了如何从基因图谱中有效地提取信息，特别是针对肿瘤诊断的关键基因"标签"。以下是论文中涉及的重要知识点： 1. **Bhattacharyya距离**：这是一种度量两个概率分布相似性的指标，文中用它来评估并剔除样本中的无关基因，减少后续分析的复杂性。 2. **浮动顺序搜索算法**：这是一种特征选择算法，用于从大量基因中寻找对分类最有影响的特征子集，为构建分类模型做准备。 3. **RBF支持向量机** (Radial Basis Function - SVM)：SVM是一种监督学习模型，RBF核函数常用于非线性分类。文中使用RBF-SVM对候选分类特征子集进行训练，并通过“留一法”和“独立测试实验”验证模型的分类能力。 4. **LDA-GA算法** (Linear Discriminant Analysis - Genetic Algorithm)：LDA是一种统计方法，用于寻找分类之间的最大投影差异；GA则是遗传算法，用于全局优化。结合使用，LDA-GA能筛选出有助于诊断肿瘤的生理基因，形成广义候选分类子集。 5. **噪声模型**：文中分析了两种类型的噪声(NT_I和NT_II)，并建立了相应的模型对基因表达谱进行降噪处理，以提高分类的准确性。 6. **基因“标签”**：论文中的核心概念，指的是能够区分不同样本类别的关键基因表达模式，是分类和诊断的关键。 7. **DNA微阵列技术**：这是一种高通量的基因表达分析技术，通过比较样本与参考基因表达谱，获取基因表达信息。 8. **信息基因**：与样本类别密切相关的基因，它们的表达模式可作为识别肿瘤的标志。 论文的研究目标是解决四个问题： - 如何在大量基因中找到与特定肿瘤相关的最佳分类因素？ - 如何确定与结肠癌分类相关的基因"标签"？ - 如何处理基因表达谱中的噪声，以改善信息提取的准确性？ - 如何结合已知的肿瘤相关信息，建立更精确的基因"标签"模型？ 通过上述方法，论文实现了在不同条件下对基因图谱信息的有效提取，并通过实验验证了模型的分类性能。这些方法和模型对生物信息学领域的肿瘤诊断和研究具有重要意义。