已閱讀1頁，還剩47頁未讀， 繼續(xù)免費閱讀
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(rèn)領(lǐng)
文檔簡介
1、由于基因表達(dá)譜數(shù)據(jù)具有高維度、樣本少、高噪聲等特點,從而導(dǎo)致傳統(tǒng)的機器學(xué)習(xí)方法對高維小樣本的基因表達(dá)譜數(shù)據(jù)的處理并不是很有效。因此,針對基因表達(dá)譜數(shù)據(jù)的特點,本文提出將粒子群優(yōu)化和極端學(xué)習(xí)機結(jié)合起來對其進行處理。該方法能夠以較少的基因獲取更高的癌癥預(yù)測精度。在兩類和多類基因表達(dá)譜數(shù)據(jù)上的實驗結(jié)果也驗證了本文方法的有效性。本文的主要工作如下;
1.運用粒子群優(yōu)化算法和極端學(xué)習(xí)機對基因表達(dá)譜數(shù)據(jù)進行基因選擇,算法中用粒子群對基
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(fù)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
- 基于粒子群優(yōu)化的極端學(xué)習(xí)機的研究及其應(yīng)用.pdf
- 基于粒子群優(yōu)化的構(gòu)造性極端學(xué)習(xí)機的研究.pdf
- 基于極端學(xué)習(xí)機的分類方法研究.pdf
- 基于粒子群算法優(yōu)化極限學(xué)習(xí)機的仿真機器魚策略.pdf
- 基于粒子群算法的車身測點布置優(yōu)化及檢測數(shù)據(jù)處理.pdf
- 基于ARPSO算法優(yōu)化的集成極端學(xué)習(xí)機的研究與應(yīng)用.pdf
- 基于成員分類器選擇優(yōu)化的集成極端學(xué)習(xí)機的研究.pdf
- 極端學(xué)習(xí)機的有效計算.pdf
- 基于粒子群優(yōu)化的集成學(xué)習(xí)方法在基因微陣列數(shù)據(jù)分類中的應(yīng)用.pdf
- 基于粒子群優(yōu)化算法的支持向量機集成學(xué)習(xí)方法研究.pdf
- 基于基因表達(dá)譜的數(shù)據(jù)挖掘方法研究.pdf
- 基于聚類與粒子群優(yōu)化的基因選擇方法研究.pdf
- 極速學(xué)習(xí)機優(yōu)化方法研究.pdf
- 基于粒子群優(yōu)化的協(xié)同優(yōu)化方法研究.pdf
- 基于極端學(xué)習(xí)機的短期風(fēng)電功率預(yù)測研究.pdf
- 基因表達(dá)譜數(shù)據(jù)處理系統(tǒng)的設(shè)計與實現(xiàn).pdf
- 基于極端學(xué)習(xí)機的混凝土抗壓強度預(yù)測研究.pdf
- 基于粒子群優(yōu)化算法和HFSS軟件的電磁優(yōu)化方法研究.pdf
- 基于粒子群優(yōu)化算法的測試數(shù)據(jù)自動生成方法研究
- 基于粒子群優(yōu)化的圖像融合方法研究.pdf
評論
0/150
提交評論