基于ICA模式空间的基因分类

doi:10.3778/j.issn.1002-8331.2009.23.012

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (23): 40-43.DOI: 10.3778/j.issn.1002-8331.2009.23.012

基于ICA模式空间的基因分类

羊四清^1，2，卢新国²，易叶青^1，2

1.湖南人文科技学院计算机系，湖南娄底 417000
2.湖南大学计算机与通信学院，长沙 410082

收稿日期:2008-10-13 修回日期:2008-12-09 出版日期:2009-08-11 发布日期:2009-08-11
通讯作者: 羊四清

Gene classification based on mode space of ICA

YANG Si-qing ^1，2，LU Xin-guo²，YI Ye-qing^1，2

1.Computer Department，Hunan Institute of Humanities，Science and Technology，Loudi，Hunan 417000，China
2.School of Computer and Communication，Hunan University，Changsha 410082，China

Received:2008-10-13 Revised:2008-12-09 Online:2009-08-11 Published:2009-08-11
Contact: YANG Si-qing

摘要/Abstract

摘要： ICA是应用于盲源信号分离的一种统计方法。利用ICA对基因微阵列表达谱数据进行分解获得由基因模型谱和对应系数构成的线性谱模型，并在此基础上进行基因分类。由于基于ICA的一个模型谱并不能完整地代表一个具有生物意义的类别，并且模型谱之间不具正交性，在此线性模型下不能有效的表示基因数据，为此提出基于ICA的模式表达空间的概念，并在该模式空间中重新构造了基因的数据表达形式，并利用此表达形式进行基因分类。实验结果表明，该分类方法比线性谱模型下的基因分类具有更高的正确率。

关键词: 独立分量分析, 基因分类, 模式空间, 线性谱模型

Abstract: ICA is a statistical method of blind source separation.The gene linear profile model，composed of model profiles and coefficients，is obtained by ICA from gene expression data，so gene classification based on ICA is presented.But a model profile is not consistent with an average profile of a group genes completely，and model profiles are not orthogonal，so the linear profile model can’t express the gene data effectively.This paper proposes the mode space based on ICA，restructure the gene expression data，and introduce a classification method in the space.Experiments show that this method has better performance in gene classification than the method in the linear profile model of genes.

Key words: Independent Components Analysis（ICA）, gene classification, mode space, linear profile model

中图分类号:

TP391

羊四清^1，2，卢新国²，易叶青^1，2

. 基于ICA模式空间的基因分类[J]. 计算机工程与应用, 2009, 45(23): 40-43.

YANG Si-qing ^1，2，LU Xin-guo²，YI Ye-qing^1，2. Gene classification based on mode space of ICA[J]. Computer Engineering and Applications, 2009, 45(23): 40-43.

[1]	贾雁飞，杜艳丽，赵立权. 快速收敛参考独立分量分析方法[J]. 计算机工程与应用, 2020, 56(7): 255-259.
[2]	王灿锋，孙曜. 改进独立分量算法的眼电伪迹去除方法研究[J]. 计算机工程与应用, 2018, 54(4): 167-173.
[3]	仇国庆，张少昀，赵婉滢，马俊. 基于PSO-ICA的文本分类研究[J]. 计算机工程与应用, 2018, 54(14): 95-99.
[4]	何安玲，何选森. 基于有理非线性函数的Fast-ICA算法[J]. 计算机工程与应用, 2018, 54(1): 251-255.
[5]	赵立权，王欣. 基于改进的人工蜂群的独立分量分析方法[J]. 计算机工程与应用, 2017, 53(18): 204-207.
[6]	陈梦，何选森. 基于八阶收敛牛顿迭代的Fast-ICA改进算法[J]. 计算机工程与应用, 2017, 53(11): 178-181.
[7]	恩德1，陈亚柯1，毛哲龙2. 基于FastICA的低信噪比下L-PLC语音的间断传输[J]. 计算机工程与应用, 2016, 52(9): 108-111.
[8]	罗文娟1，袁莉芬1，2，何怡刚2. 一种基于十五阶的FastICA改进算法[J]. 计算机工程与应用, 2016, 52(20): 108-113.
[9]	蔡伟华，何选森. 基于UWT和独立分量分析的含噪盲源分离[J]. 计算机工程与应用, 2016, 52(16): 180-185.
[10]	汪道德1，何鹏举1，龙莉莉2. FSS-kernel与FastICA融合的盲源分离算法研究[J]. 计算机工程与应用, 2015, 51(2): 209-212.
[11]	张杰，刘辉，欧伦伟. 改进的FastICA算法研究[J]. 计算机工程与应用, 2014, 50(6): 210-212.
[12]	孙浩，周力，邱意敏. 基于最大信息理论和共轭梯度寻优的ICA算法[J]. 计算机工程与应用, 2014, 50(4): 219-222.
[13]	任静1，李维勤2，惠鏸2. 基于alpha稳定分布的盲信号分离[J]. 计算机工程与应用, 2014, 50(18): 215-219.
[14]	刘建立1，2，沈菁1，王蕾1，高卫东1. 织物纹理的简单视神经细胞感受野的选择特性[J]. 计算机工程与应用, 2014, 50(1): 185-190.
[15]	张明亮，王曙钊，卢虎，卞东亮，王博，杨勇. 噪声ICA模型去偏技术研究[J]. 计算机工程与应用, 2013, 49(5): 205-209.

基于ICA模式空间的基因分类

Gene classification based on mode space of ICA

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics