基于伪F统计量的模糊聚类方法在基因表达数据分析中的应用

目的 通过对基因芯片数据的分析 ,提出一种基因表达的分类方法。方法 首先 ,应用FCM模糊聚类法(FuzzyClusteringMethod)进行聚类 ,然后我们应用PFS(PseudoF statistics)统计量作为一个判别函数来确定最佳类数目。结果 将本方法应用于模拟数据、人类纤维原细胞血清基因表达数据上 ,其结果明显好于K 均值法。结论 本方法基于没有聚类数据的任何先验知识和组成成分信息的前提下 ,考虑如何确定数据的分类结构。根据实际结果发现 。

基于模糊c-均值聚类的微阵列基因表达数据分析

微阵列技术已成为染色体研究的主要工具,但是它所面临的挑战是如何对海量数据进行分析.利用模糊c 均值聚类对这些数据进行分析,从而发现有差异的基因表达.结果表明,模糊聚类是一种用来为微阵列基因表达数据寻找有差异的基因表达的一种有用工具.

基于GEP的遥感数字图像模糊聚类研究

针对遥感信息的不确定性和混合像元问题,分析FCM算法。为了避免FCM初值选取不当而陷入局部最优,提出基于基因表达式编程的遥感数字图像模糊聚类算法。该算法可以利用外层GEP算法的全局寻优能力,确定最佳初始聚类中心,再利用内层FCM算法的模糊聚类和局部快速收敛的特性获得遥感数字图像的最优聚类。

Bezdek型模糊属性C均值聚类算法

推广了属性均值聚类算法,提出了基于模糊度m的Bezdek型模糊属性C均值聚类算法(FAMC),给出了FAMC算法的迭代算法,并讨论了模糊度m对算法收敛性的影响.在标准Iris数据集与肿瘤基因芯片表达数据的模式识别实验结果,验证了该算法优于模糊C均值算法和属性均值聚类算法.

基于有效性测度的基因表达数据的模糊聚类分析

本文讨论了模糊聚类中的模糊C均值算法和聚类有效性测度。结合基因微阵列的特点,设计并实现了一种基于聚类有效性函数的模糊C均值模型。将该种模型运用于公开的白血病基因表达数据,取得了与实际情况相吻合的实验结果。

一种适用于基因表达数据的特征加权FCM算法

针对FCM算法应用于基因表达数据分析时存在的局限性,提出一种特征加权自适应FCM算法。该算法在FCM算法的基础上引入数据集预处理机制,可依据数据集的分布特征自适应地获取分类数目和初始聚类中心,并通过ReliefF算法实现特征权值的自动确定。同时,新算法考虑了不同属性对分类贡献的差异,在FCM算法中引入特征权重。将算法应用于真实基因表达数据集,实验结果表明,算法能够自适应地确定聚类数目、获得稳定性较好的聚类结果,而且具有较高的聚类精度。

一种用于基因表达数据的无参数聚类算法

提出了一种用于基因表达数据的无参数聚类算法。该算法把多维数据的模糊聚类方法与CTWC相结合,并引入基于范数的方法进一步对该方法加以改进和论证。将该算法应用于真实的结肠癌基因表达数据集,确定了含8个基因的特征基因组合,该特征基因组合不仅达到了90%左右的结肠癌样本识别率,还能鉴别结肠癌样本的亚型。实验结果充分验证了这种算法的可行性。

一种模糊相似关系的基因表达数据聚类方法

对于时间序列的基因表达数据,传统的聚类算法都是以距离为相似性度量标准,没有考虑基因随时间变化的相似趋势。从基因变化的趋势出发,构造了一种新的模糊相似关系矩阵,提出了改进的基于模糊相似关系的聚类算法,并以该算法计算FCM的初始聚类中心。将该方法应用在酵母菌基因表达数据中,实验结果表明该算法不仅克服了FCM算法易陷入局部极小值、对初值敏感的缺点,而且能够发现一些表达模式变化趋势相似的共调控基因。

基于多维伪F统计量的基因序列图形动态聚类研究

利用动态调整聚类个数的思想,在模糊C-均值聚类算法基础上引入基于多维PFS判别函数,提出一种基于多维伪F统计量的基因表达动态C-均值聚类算法。以H5N1病毒基因序列数字特征提取为例,在聚类分析过程中直接利用数字特征矩阵作为分析数据,结果表明该算法可以动态调整聚类个数,给出最佳聚类数目,从而获得较好的聚类质量。

面向大数据集的有效聚类算法

为解决传统模糊C-均值算法无法适应大规模数据集体量大、冗余属性的问题,提出了一种面向大数据集的混合聚类算法。将大数据集划分为多个子集,对各子集进行聚类,通过合并得到最终聚类结果。对于子集采用基于基因表达式编程(GEP)和模糊C-均值的混合算法进行聚类,以改善聚类的质量和效率;基于相似性选取初始聚类中心,使用信息熵体现属性重要程度,从而进一步优化聚类性能。实验仿真及分析结果表明,该算法具有较好地全局收敛性,得到的聚类效果也更好。

基于基因表达式编程的ISODATA模糊聚类算法

针对ISODATA算法需要人为给定分类数,对初始聚类中心较为敏感,没有显示出自动聚类效果等不足,结合基因表达式编程(GEP)嵌套构成迭代自组织模糊聚类进行优化计算。该方法不仅能在不需要先验知识的条件下对数据进行自动聚类,而且充分利用了GEP算法的全局寻优能力及ISODATA算法的软性分类特性,提高了算法的收敛速度和聚类精度。通过仿真验证及对比分析,运用到地理信息系统(GIS)物流选址实际问题中,得到了理想聚类效果。

基于伪F统计量的模糊聚类方法在医疗质量综合评价中的应用

目的探讨一种新的基于伪F统计量的最佳聚类分析方法,该方法不需要预先选择类的数目作为先验值。并有效地应用于医疗质量的综合评价。方法首先,应用FCM模糊聚类法(Fuzzy Clustering Method)进行聚类,然后应用PFS(PseudoF-statistics)统计量作为一个判别函数来确定最佳类数目。结果将该方法应用于某院2002年度各科室医疗质量综合评价,得到了一种合理的综合评价结果。结论该方法基于没有聚类数据的任何先验知识和组成成分信息的前提下,考虑如何确定数据的分类结构。根据应用的情况,发现该方法是医疗质量综合评价的有力工具。

小波包分解和模糊聚类下的基因表达数据分析

针对基因表达数据中存在的噪声对聚类分析结果准确度的影响问题,提出了一种基于小波包分解的基因表达数据模糊聚类分析方案,介绍了理论根据和算法,给出了Matlab仿真结果,并与其他方法聚类的结果进行了比较。结果表明提出的方法能够减少传统聚类方法受到噪声影响的程度,能够挖掘出基因表达数据在时间上的行为特征,对与细胞周期调控有关的基因表达数据的聚类结果划分更为准确和细致。

一种共调控基因C均值模糊聚类算法

聚类方法在基因表达数据分析中发挥着非常重要的作用,但基因表达数据相对其他领域的数据具有自身的特性,因此传统的数据距离定义和聚类方法已不能完全满足研究者对生物数据的分析要求。提出一种基于泊松分布的数据距离度量方式TransChisq,它以一种全新的视角定义了基因数据之间的距离,鉴于模糊聚类算法能够更加深刻地描述复杂的基因作用关系,将TransChisq距离与模糊聚类方法相结合对模糊C均值算法进行改进,并应用于真实基因表达数据分析。实验结果表明,该方法能够按照生物学的真实分类将基因表达数据聚类,并且可以发现更多的共调控基因,更加满足了基因表达数据分析的需要。

基于AR模型的动态模糊聚类算法

与传统的硬划分聚类相比,模糊聚类算法(以FCM为例)对数据的比例变化具有鲁棒性,能够更准确地反映数据点与类中心的实际关系,目前已得到广泛应用。然而对于时序基因表达数据来说,传统的聚类算法往往不能充分利用到数据中时间上的动态关联信息。因此可以在模糊聚类算法的基础上引入自回归(AR)模型,将时序基因表达数据作为一组时间序列进行动态的聚类分析。这样不仅可以充分利用到时序基因表达数据的内部自相关性,并且可以进一步利用隶属度函数对AR模型的预测过程进行模糊化调整,从而得到更为理想的聚类结果。

几种微阵列基因表达数据分析方法的比较

比较了微阵列基因表达数据处理中的几种方法,包括等级聚类、K-means方法、模糊聚类和自组织树.同时从算法中计算机的时空复杂度和结果的生物学意义两方面,对以上几种方法作了细致的讨论.结果显示,模糊聚类和自组织树都是较理想的方法.

基于小波去噪的基因表达数据聚类集成算法的研究

目的:为基因表达数据的聚类提供方法学参考。方法:提出了一种小波去噪与模糊聚类集成算法结合起来进行聚类的新算法对酵母细胞的基因表达数据进行聚类,并同模糊聚类集成算法进行比较分析。结果:采用Micro-precision方法对新算法和模糊聚类集成算法进行评价。结果表明本文提出的算法具有较高的聚类精度,并且聚类精度高于模糊聚类集成算法。结论:利用本文提出的算法对基因表达数据具有较好的聚类效果。

基于PCA的模糊C均值聚类算法识别AD候选致病基因

研究表明阿尔茨海默病(AD)的致病机理可能与基因有关.利用计算方法对AD基因表达数据进行挖掘,以获得AD候选致病基因,寻找治愈AD方法.结合生物信息理论应用基于主成分分析(PCA)方法的模糊C均值算法处理基因表达数据:观察到AD基因表达数据具有线性相关性后,先用PCA对数据降维,再利用一维分类方法对降维后的数据聚类,然后将结果提供给模糊C均值算法作为其初始聚类数目和聚类中心.通过算法,最终识别出9个AD候选致病基因.

结合基因表达式编程与空间模糊聚类的图像分割

目的针对模糊C-均值聚类图像分割方法存在的对初始值敏感及抗噪性能差的问题,提出一种结合基因表达式编程与空间模糊聚类的图像分割方法。方法首先,利用基因表达式编程算法对图像进行初次分割,即将聚类中心编码成染色体,通过适应度评价引导搜索获得优化的聚类中心;然后在隶属度计算中引入空间函数,以初次分割结果作为初始值,使用空间模糊聚类对图像进行二次分割。结果对加噪的合成图像和Berkeley图像的分割实验显示,本文方法在聚类划分系数(VPC)、聚类划分熵(VPE)和峰值信噪比(PSNR)等评价指标上总体性能优于经典的模糊C-均值聚类和空间模糊C-均值聚类分割算法,其中VPC值平均高出0.062 4和0.061 1,VPE值平均降低0.117 0和0.101 1,而PSNR值平均提升了约13.312 1 d B和3.308 4 d B;在对Berkeley图像库中的6幅图片的分割实验显示,本文方法对图像分割的VPC值均在0.93以上,相比两种对比方法平均提高0.157 6和0.013 3,VPE值保持在0.1附近,均低于对比方法,PSNR值平均提高2.896 3 d B和1.934 4 d B;在多目标分割实验上,随着聚类数目增加,3种方法的分割性能均有下降,但本文方法性能曲线最为平缓,受聚类数目的影响最小。虽然本文方法所需的运行时间略有增加,但求解所需的迭代次数却极大地减少。结论本文提出的图像分割方法具有很强的抗噪性、更高的分割精度和稳定性,适用于需要更精确结果、对时间要求不高的分割场景。

基于小波去噪和改进的FCM算法的基因表达数据分析

模糊c均值算法是一种局部搜索迭代法,易陷入局部最小解,而且算法未考虑样本对聚类的贡献程度。针对传统的模糊c均值(FCM)算法的不足和基因表达数据高噪声的特点,提出了一种基于小波变换和改进的FCM聚类模型,最后将该模型应用于白血病基因数据分析。根据Xie-Beni指数,在没有先验知识的条件下,确定了最佳聚类个数。为了体现文中提到的算法对样本聚类的准确性,本文分别采用传统的FCM聚类算法和分层聚类的方法在同样的试验条件下进行试验。样本聚类的结果表明:该方法能得到高准确度的样本分型结果。