基于稀疏表示的蛋白質(zhì)質(zhì)譜數(shù)據(jù)分析.pdf

1、蛋白質(zhì)質(zhì)譜技術(shù)是一種蛋白組學(xué)研究有力的工具，在癌癥的早期診斷和生物標(biāo)志物(Biomarker)尋找中有著巨大的應(yīng)用潛力。從模式識(shí)別的角度來看，癌癥診斷和生物標(biāo)志物尋找分別對(duì)應(yīng)了模式識(shí)別中最經(jīng)典的模式分類與特征選擇問題。
　　 由于質(zhì)譜數(shù)據(jù)本身具有高維度、小樣本的特點(diǎn)，使得針對(duì)這些數(shù)據(jù)的分析與處理工作給傳統(tǒng)的模式識(shí)別方法帶來了巨大的挑戰(zhàn)，因而特征選擇成了必不可少的步驟。通常的模式識(shí)別分類方法強(qiáng)烈依賴于降維與訓(xùn)練兩個(gè)步驟。但是存在幾

2、個(gè)突出的問題：首先，一個(gè)復(fù)雜的降維步驟也許在某一個(gè)數(shù)據(jù)集上表現(xiàn)良好，卻很難直接應(yīng)用于其他的數(shù)據(jù)集上。其次，一些特征提取方法(如PCA)僅僅為服務(wù)于分類判別任務(wù)，往往在轉(zhuǎn)換而成的新特征空間里，數(shù)據(jù)僅被看成數(shù)值表達(dá)，而不再具有明確的物理意義。顯然的，這些轉(zhuǎn)換是不符合生物標(biāo)志物挑選需求的。最后，訓(xùn)練完畢后的分類器退化成一個(gè)毫無“生氣”的黑箱，不再具有對(duì)新數(shù)據(jù)的直接在線學(xué)習(xí)能力。
　　 針對(duì)上述的癌癥診斷類型問題，本文在質(zhì)譜數(shù)據(jù)分析中引

3、入了稀疏表示分類方法。使用高斯分布的隨機(jī)投影的方法簡單的繞開特征提取過程；使用樣本擴(kuò)充的方法改善小樣本問題中稀疏表示的欠稀疏情況，在改善實(shí)驗(yàn)結(jié)果的同時(shí)又印證了本文稀疏表示分類方法良好抗魯棒性能力。另外，稀疏表示分類方法是一種在線型學(xué)習(xí)算法，能根據(jù)實(shí)際樣本不斷自我調(diào)節(jié)，從而不斷“進(jìn)化”，是一種智能化學(xué)習(xí)算法。
　　 在論證了稀疏表示分類能力的基礎(chǔ)上，針對(duì)上述的生物標(biāo)志物選擇問題，本文結(jié)合稀疏表示分類與“纏繞法”特征選擇模型，得到生