一种模糊相似关系的基因表达数据聚类方法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (8): 236-238.

一种模糊相似关系的基因表达数据聚类方法

姜永森1，陆媛2，杨慧中2

1.北华大学科研处，吉林 132013
2.江南大学物联网工程学院，江苏无锡 214122

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-03-11 发布日期:2011-03-11

Improved clustering algorithm based on fuzzy similarity relation

JIANG Yongsen1，LU Yuan2，YANG Huizhong2

1.Science and Technology Office，Beihua University，Jilin 132013，China
2.School of IoT Engineering，Jiangnan University，Wuxi，Jiangsu 214122，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-03-11 Published:2011-03-11

摘要/Abstract

摘要： 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。

关键词: 模糊相似关系矩阵, 聚类中心, 模糊C均值聚类（FCM）算法, 时序基因表达数据

Abstract: For time series gene expression data，the similarity measure of traditional clustering algorithm is measured based on distance.There is no consideration the coherent trend of expression patterns gene exhibit with time process.A new fuzzy similar relation matrix is constructed and a modified clustering algorithm based on fuzzy similarity relation is proposed.On this base，a new method is used to find the initial center of FCM algorithm.The method is used in yeast gene expression data.Experimental results show that the method not only overcomes the limitation of FCM algorithm，but also identifies cell-cycle regulated genes where expression levels change periodically during the cell cycle.

Key words: fuzzy similar relation matrix, cluster centers, Fuzzy C-Means（FCM） algorithm, time series gene expression data

姜永森1，陆媛2，杨慧中2. 一种模糊相似关系的基因表达数据聚类方法[J]. 计算机工程与应用, 2011, 47(8): 236-238.

JIANG Yongsen1，LU Yuan2，YANG Huizhong2. Improved clustering algorithm based on fuzzy similarity relation[J]. Computer Engineering and Applications, 2011, 47(8): 236-238.

[1]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[2]	王子龙，李进，宋亚飞. 基于距离和权重改进的K-means算法[J]. 计算机工程与应用, 2020, 56(23): 87-94.
[3]	郭永坤，章新友，刘莉萍，丁亮，牛晓录. 优化初始聚类中心的K-means聚类算法[J]. 计算机工程与应用, 2020, 56(15): 172-178.
[4]	杨俊闯，赵超. K-Means聚类算法研究综述[J]. 计算机工程与应用, 2019, 55(23): 7-14.
[5]	薛印玺，许鸿文，李羚. 基于样本密度的全局优化K均值聚类算法[J]. 计算机工程与应用, 2018, 54(14): 143-147.
[6]	陈雷雷，葛洪伟，杨金龙，袁运浩. 基于流形结构的多聚类中心近邻传播聚类算法[J]. 计算机工程与应用, 2016, 52(6): 67-73.
[7]	付芦静1，钱军浩1，钟云飞2. 基于汉字连通分量的印刷图像版面分割方法[J]. 计算机工程与应用, 2015, 51(5): 178-182.
[8]	魏英姿1，2，李静静1. 红外图像分割的改进模糊C均值聚类方法[J]. 计算机工程与应用, 2014, 50(9): 163-166.
[9]	邢长征，谷浩. 基于平均密度优化初始聚类中心的k-means算法[J]. 计算机工程与应用, 2014, 50(20): 135-138.
[10]	闫新庆，王换换，栗青霞，傅喆. 基于改进K-Means聚类的煤炭交易者信誉度划分[J]. 计算机工程与应用, 2014, 50(2): 231-236.
[11]	沈国珍. 依赖数据密度的K均值初始化调优[J]. 计算机工程与应用, 2014, 50(11): 139-144.
[12]	何云斌，肖宇鹏，万静，李松. 基于密度期望和有效性指标的K-均值算法[J]. 计算机工程与应用, 2013, 49(24): 105-111.
[13]	邱继钊1，2，计华1，2，张化祥1，2. 基于标记特征的多标记学习改进算法[J]. 计算机工程与应用, 2013, 49(22): 163-166.
[14]	李正兵1，2，罗斌1，2，翟素兰1，3，4，涂铮铮1，4. 基于关联图划分的Kmeans算法[J]. 计算机工程与应用, 2013, 49(21): 141-144.
[15]	冯波，郝文宁，陈刚，占栋辉. K-means算法初始聚类中心选择的优化[J]. 计算机工程与应用, 2013, 49(14): 182-185.