基于ELM的腫瘤基因表達數(shù)據(jù)分類算法研究.pdf

1、近年來，隨著腫瘤患者的逐漸增多，預防和治療腫瘤是全世界關注的焦點問題。據(jù)統(tǒng)計，全世界由于惡性腫瘤導致的疾病死亡人數(shù)已位居第一，大大超過了心臟病和腦血管病的死亡人數(shù)。目前的腫瘤診斷方法大多以形態(tài)學為基礎，同一類型的腫瘤可能會出現(xiàn)臨床上的差異，對治療的敏感性存在很大的局限性。基因芯片技術的快速發(fā)展使得越來越多的腫瘤基因表達數(shù)據(jù)得以測定。從分子生物學角度出發(fā)，利用基因芯片技術有效地分析、處理和利用基因表達數(shù)據(jù)，進而對癌癥病人進行早期診斷和個性

2、化治療對提高病人的生存率具有重要的意義。然而，基因表達數(shù)據(jù)具有高維、分布不平衡、樣本數(shù)量少等特征，如何從高維數(shù)據(jù)中提取出少數(shù)關鍵的致病基因，即基因表達數(shù)據(jù)的分類，引起國內外學者的廣泛關注。
　　本文聚焦腫瘤基因表達數(shù)據(jù)的分類問題研究，借助于神經(jīng)網(wǎng)絡和極限學習機(Extreme Learning Machine，ELM)等理論方法和工具構建分類模型，設計和實現(xiàn)基因表達數(shù)據(jù)分類算法。首先，針對單個ELM性能不穩(wěn)定問題，采用了一種基于輸

3、出不一致測度的ELM相異性集成算法進行分類器集成。以輸出不一致測度為標準判斷不同ELM模型之間的相異性，根據(jù)ELM的平均分類精度對ELM模型進行篩選，并采用多數(shù)投票法對篩選后的分類模型進行集成。然后，分析了拒識代價和誤分類代價對基因分類性能的影響，進而以減少決策風險、降低平均代價為目標，設計了代價敏感的ELM算法。通過在算法中引入代價敏感因素，極大地改進了ELM處理不同代價基因表達數(shù)據(jù)的有效性。
　　以多種腫瘤數(shù)據(jù)集為參考，本文對