基于二次互信息的雙聚類算法研究及應用.pdf

1、作為一種近年來才出現的、新穎的聚類算法，雙聚類算法側重于對子空間內的相似模式進行聚類，這種算法在高維數據的聚類方面具有良好的應用前景。已經證明，雙聚類問題是NP-Hard問題，已有的雙聚類算法都面臨著如何有效聚類數據對象和克服時間復雜度的困難。已經提出了一些非確定性的和確定性的雙聚類算法，但是這些算法都是對線性相關的對象或滿足某個線性模型的對象進行聚類，然而實際數據中也存在著大量的非線性相關的數據對象；另外，可應用于時序數據的雙聚類算法

2、還比較少。 本文首先引入廣義信息論中的二次互信息作為相似性度量，提出一種快速的簡化計算二次互信息的算法，以克服二次互信息計算開銷大的不足，并通過實驗，在計算時間開銷和識別非線性相關方面，將二次互信息與Pearson相關系數進行了對比，初步驗證了二次互信息具有識別非線性相關的能力。在此基礎上，基于二次互信息和滑動窗口技術，提出了一種時序數據相似模式-MI窗口相似模式，并以一種后綴樹的簡單變形-MI-泛化后綴樹作為索引結構，提出了一

3、種適用于時序數據的確定性雙聚類算法MI-TSB。該算法與其他雙聚類算法的顯著區(qū)別在于，能夠快速發(fā)現各個滑動窗口下時序數據對象間的非線性相關性。最后，用合成數據和兩個真實的時序基因表達數據考察和驗證算法的可伸縮性和聚類有效性，并與兩個雙聚類算法進行對比，實驗結果驗證了本文提出的雙聚類算法具有良好的運行性能，成功地聚類出合成數據中的非線性相關的簇集，發(fā)現了隱藏在基因表達數據中的多種聚類形態(tài)；利用Gene Ontology對聚類結果進行基因注