收藏本站
收藏 | 手机打开
二维码
手机客户端打开本文

基于特征选择融合和代价敏感学习的蛋白质亚细胞定位研究

程浪  
【摘要】:蛋白质分类预测通常包括如下四个步骤:(1)构建合理的蛋白质数据集;(2)特征描述方法把蛋白质信息转化为特征向量;(3)若数据集维度较高,需要进行降维处理;(4)建立分类模型对蛋白质分类预测;(5)用检验方法和评价指标衡量分类效果。如何提高蛋白质分类的精度和降低对内存的需求,一直都是研究者重点关注的问题。特征工程和分类算法是蛋白质分类预测研究问题中最关键的两项技术,直接决定着分类效果的好坏。特征工程决定分类效果的上限,而模型和算法只是尽可能达到该上限。因此本文以蛋白质亚细胞位置定位预测为主题,针对蛋白质亚细胞定位的特征表达、分类算法展开了相关的研究,主要工作和创新点如下:一、提出特征选择加权融合的方法对数据进行特征筛选,从而得到最优特征集合并降低数据维度。因为生物数据具有数据量大、维度高、计算复杂、耗时等特点,所以首先就要对获取的生物数据进行降维处理。本文提出SVM-Logistic-RFE算法,引入特征选择的方法,它不改变原始特征值,只消除冗余和不相关特征,选择最有用的那一部分特征,并将递归特征消除法(Recursive feature elimination method,RFE)和支持向量机(SVM)及Logistic回归相结合,分别对原始特征进行筛选,得到各自的最优子特征集合,并加权融合得到新的最优特征集合,最后利用K最近邻算法分类。实验表明:(1)采用特征选择后,分类效果明显增强了;(2)特征选择融合的分类效果和稳定性都比单一的特征选择好。二、针对蛋白质数据类别不平衡问题,本文提出基于代价敏感学习的贝叶斯决策树算法(NBDT-cs算法)。传统的蛋白质分类问题很少考虑到数据类别的不平衡性。在本文中,我们引入代价敏感学习概念,把代价增益作为决策树的属性选择,在决策树的叶子结点采用含代价期望的贝叶斯算法,提出基于代价敏感学习的贝叶斯决策树算法,该方法有有效解决蛋白质数据类别不平衡问题。实验表明:(1)该方法的分类效果比单一的贝叶斯算法、决策树算法都要好,略好于K近邻分类器;(2)在不降低总体分类精度的情况下,可以提高少数类别的分类精度。


知网文化
【相似文献】
中国期刊全文数据库 前17条
1 张红涛,胡玉霞,邱道尹;遗传算法在储粮害虫特征选择中的应用[J];华北水利水电学院学报;2004年03期
2 徐雷;阎平凡;常迥;;用于特征选择的BF算法及其与B&B算法的比较[J];自动化学报;1988年05期
3 杨锦英;王碧泉;;K—W检验和熵法在单个特征选择中的应用[J];华北地震科学;1989年02期
4 陈晋苏;特征选择在电信行业客户流失分析中的应用[J];科技资讯;2005年22期
5 范劲松,方廷健;特征选择和提取要素的分析及其评价[J];计算机工程与应用;2001年13期
6 江乃雄;蔡民;;综合距离特征选择问题解的存在性与唯一性[J];计算机应用与软件;1992年01期
7 钱学双;多重筛选逐步回归特征选择法及其应用[J];信息与控制;1986年05期
8 赵帅;张雁;徐海峰;;基于成对约束分的特征选择及稳定性评价[J];计算机与数字工程;2019年06期
9 余胜龙;赵红;;基于样本邻域保持的代价敏感特征选择[J];数据采集与处理;2018年02期
10 杜政霖;李云;;基于特征聚类集成技术的在线特征选择[J];计算机应用;2017年03期
11 崔亚芬;解男男;;一种基于特征选择的入侵检测方法[J];吉林大学学报(理学版);2015年01期
12 林秀晶;夏勇明;钱松荣;;基于支持向量机及特征选择的单通道脑电波睡眠分期研究[J];生物医学工程学杂志;2015年03期
13 仇利克;刘竞;孙中卫;赵扬帆;;一种快速的特征选择框架和方法[J];北京邮电大学学报;2019年03期
14 黄铉;;特征选择研究综述[J];信息与电脑(理论版);2017年24期
15 杨超;蔡晓东;甘凯今;王丽娟;;基于自适应显著特征选择的动态加权平均行人识别模型[J];计算机工程与科学;2017年05期
16 章新华;一种特征选择的动态规划方法[J];自动化学报;1998年05期
17 单世超;栾翠菊;;基于局部特征选择的微博中文文本分类研究[J];现代计算机(专业版);2017年23期
中国重要会议论文全文数据库 前10条
1 史彩娟;沙宇阳;刘健;闫晓东;刘利平;;基于自适应半监督稀疏特征选择的图像标注[A];第十届全国信号和智能信息处理与应用学术会议专刊[C];2016年
2 刘培磊;李满生;王挺;;蛋白质相互作用有向关系抽取的特征选择[A];第五届全国信息检索学术会议论文集[C];2009年
3 袁帅;杨宏晖;申昇;;基于云模型的特征评价准则[A];第三届上海——西安声学学会学术会议论文集[C];2013年
4 申昇;杨宏晖;袁帅;;用于水声目标识别的互信息无监督特征选择[A];第三届上海——西安声学学会学术会议论文集[C];2013年
5 李泽辉;聂生东;陈兆学;;应用多类SVM分割MR脑图像特征选择与优化的实验研究[A];中国仪器仪表学会第九届青年学术会议论文集[C];2007年
6 李娜;曾向阳;;目标识别中的样本选择和特征选择联合算法研究[A];2009年西安-上海声学学术会议论文集[C];2009年
7 宋鹏;郑文明;赵力;;基于子空间学习和特征选择融合的语音情感识别[A];第十四届全国人机语音通讯学术会议(NCMMSC’2017)论文集[C];2017年
8 亢中苗;赵志强;周玉白;;基于嵌入式特征选择与L1正则化模型的电力通信网入侵检测方法[A];电力通信技术研究及应用[C];2019年
9 臧淼;徐惠民;张永梅;;基于局部约束和稀疏编码的自动图像标注[A];国防光电子论坛第二届激光雷达成像探测技术及应用研讨会论文集[C];2015年
10 俞士汶;王治敏;朱学锋;;文学语言与自然语言理解研究[A];中文信息处理前沿进展——中国中文信息学会二十五周年学术会议论文集[C];2006年
中国博士学位论文全文数据库 前10条
1 袁明冬;基于图的特征提取和特征选择及其应用研究[D];西安电子科技大学;2017年
2 胡小娟;基于特征选择的文本分类方法研究[D];吉林大学;2018年
3 任宇林;结构化预测中N元特征选择算法的研究[D];华中科技大学;2018年
4 Reehan Ali Shah;基于稀疏模型组合的网络入侵分类[D];浙江大学;2019年
5 Arfan Ali Nagra;混合粒子群优化算法研究及其应用[D];江苏大学;2019年
6 滕旭阳;面向特征选择问题的优化方法研究[D];哈尔滨工程大学;2017年
7 张丽新;高维数据的特征选择及基于特征选择的集成学习研究[D];清华大学;2004年
8 高青斌;蛋白质亚细胞定位预测相关问题研究[D];国防科学技术大学;2006年
9 刘风;基于磁共振成像的多变量模式分析方法学与应用研究[D];电子科技大学;2014年
10 冯国忠;文本分类中的贝叶斯特征选择[D];东北师范大学;2011年
中国硕士学位论文全文数据库 前10条
1 蓝劲鹏;基于特征选择的行人定位方法研究[D];上海交通大学;2017年
2 李霜;基于非均衡数据处理和特征选择的信贷风险评估算法研究[D];西北大学;2019年
3 程浪;基于特征选择融合和代价敏感学习的蛋白质亚细胞定位研究[D];云南大学;2018年
4 马敬敬;基于智能算法的高维生物医学数据集的特征选择策略研究[D];河南大学;2019年
5 李雨;基于引力场模型的多标记特征选择[D];安庆师范大学;2019年
6 王莹莹;基于布谷鸟搜索算法的特征选择研究及改进[D];吉林大学;2019年
7 方旭阳;基于特征选择和深度旋转森林的信用评估方法研究[D];河南大学;2019年
8 刘永轩;基于特征选择的声发射评价技术研究[D];东北石油大学;2019年
9 汤凯华;基于深度特征选择与映射的跨年龄人脸检索[D];上海交通大学;2018年
10 Wei Wang;P值的不稳定性与其他因素对统计特征选择的影响[D];天津大学;2018年
中国重要报纸全文数据库 前7条
1 本报记者 李振辉;根据自身特征选择健身方式[N];广东科技报;2008年
2 海通证券 娄静吴先兴;把握风险收益特征选择最适合自己的基金[N];上海证券报;2007年
3 铁岭市第二高中 高军;让学生“动”起来[N];铁岭日报;2005年
4 郑卫东;高产鹅选种方法和标准[N];中国畜牧兽医报;2007年
5 《网络世界》记者 周源;云平台,只选对的[N];网络世界;2012年
6 郑军;高产鹅选种方法和标准[N];河南科技报;2016年
7 记者 丁宁;2012年,我们一起“追”的创新产品[N];上海证券报;2012年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978