版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、宏基因組測序序列分類問題是宏基因組學(xué)研究的一個重點問題。用實驗方法進行分類代價高且速度慢,故利用分類算法進行分類的計算手段成為了一種趨勢。主流的分類算法有基于比對的和基于結(jié)構(gòu)的兩類方法,前者需要和已知基因組進行比對,后者只需要特征向量信息即可。然而后者在低分類層次上的分類精度僅為60%左右,并且在大規(guī)模數(shù)據(jù)集上的時間開銷也太大。基于結(jié)構(gòu)的分類算法又有有監(jiān)督和無監(jiān)督之劃分,我們研究基于結(jié)構(gòu)的有監(jiān)督分類算法。
本研究主要內(nèi)容包括:
2、⑴宏基因組數(shù)據(jù)的特征向量提取方法。針對宏基因組測序序列的結(jié)構(gòu)特點,結(jié)合馬爾可夫模型的概率轉(zhuǎn)移矩陣性質(zhì),提出了一種基于馬爾可夫模型的特征提取方法,得到了關(guān)于測序序列的特征向量集,驗證了新提取的特征向量在不同的測序物種之間的區(qū)分特性,應(yīng)用基于互信息選擇的降維方法對特征向量進行降維處理。將新提出的方法和基于k-mer頻率信息的特征提取方法應(yīng)用到LIBSVM分類算法中,進行分類性能比較。實驗結(jié)果表明,LIBSVM算法使用新方法產(chǎn)生的特征向量比使
3、用基于k-mer頻率信息產(chǎn)生的特征向量在分類精度上高出2%~3%,且分類運行時間也提高了4~5倍。⑵基于特征向量的SVM分類算法MarkovBinning。首先,對已知物種的特征向量集進行預(yù)處理,過濾掉噪聲數(shù)據(jù)。我們定義了一種新的相似性度量方法KLDist距離,計算出中心特征向量進行噪聲數(shù)據(jù)過濾,將過濾后的特征向量集作為SVM算法的初始訓(xùn)練集。為了加快訓(xùn)練過程,采用變步長的網(wǎng)格搜索法,改進了關(guān)于懲罰系數(shù)C和核函數(shù)參數(shù)γ的最優(yōu)參數(shù)對(C,
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 宏基因組測序講解
- 基于De Bruijn圖的宏基因組序列組裝算法研究.pdf
- 13769.宏基因組的序列拼接算法研究
- 2284.基于debruijn圖的宏基因組序列拼接算法實現(xiàn)
- 基于宏基因組編碼的個體特征識別研究.pdf
- 宏基因組樣本分類方法研究.pdf
- 基因組序列特征分析.pdf
- 基于概率模型的基因組從頭測序算法研究.pdf
- 基于宏基因組序列的黑熊腸道微生物組的應(yīng)用基礎(chǔ)研究.pdf
- 基于特征向量統(tǒng)計的極化SAR地物分類.pdf
- 基于特征向量的個性化推薦算法研究.pdf
- 基于錨點的多基因組序列比對算法.pdf
- 31412.phenylobacteriumzucineum全基因組測序及序列分析
- 玉米(Zea mays)ZmCDC5基因基因組序列的克隆、測序及其序列分析.pdf
- 元基因組序列聚類算法研究.pdf
- 基因組短序列片段拼接算法研究.pdf
- 面向基因組重測序的BWT索引壓縮算法.pdf
- 4416.基于深海宏基因組文庫活性篩選及高通量測序分析的酯酶研究
- 棘胸蛙線粒體基因組全序列的測序與分析.pdf
- 基于全局信息的圖結(jié)點特征向量學(xué)習(xí)算法.pdf
評論
0/150
提交評論