返回上一页 发布人:patent
我要发布信息
| 可扩展模式识别算法 | 发布于:2015/10/22 | |
| 生物信息学是生物学与计算机科学以及应用数学等学科相互交叉而形成的一门新兴学科。它通过对生物学实验数据的获取、加工、分析，进而达到揭示数据所蕴含的生物学意义的目的。基于海量的生物信息数据，从中寻找规律并对结果进行预测，是未来生物（医药）发展所必须的技术手段。一方面，这些生物数据对于生物信息技术（如基因预测、数据对比）的发展来说无疑是极为重要的，另一方面，仅仅依靠有丰富经验的专家来人工识别、处理这些海量数据又显得不太现实。而模式识别算法对高维数据具有降维、分类和识别等特点，所以在生物信息学中得到了广泛的应用。 本书主要描述了如何利用软计算及机器学习技术快速而又高效地建立模式识别模型，并且在此基础上，详细介绍了如何将该模型应用到计算生物学以及生物信息学中去。 全书分为三个部分，共11章。第1部分 分类，含第1-3章：1.生物数据以及模式识别基础；2.神经网络树的拼接以及蛋白质编码识别，提出基于神经网络树（NNTree）的混合学习模式；3.基于内核的分类器，介绍支持向量机等基于内核模式的模式识别算法在蛋白质功能点预测中的应用。第2部分 特征选取，含第4-7章：4.分子描述符选取，提出一种基于粗糙集的特征选择算法，详细描述了如何利用该算法通过最大化相关性以及描述符的意义来选择一套分子描述符；5.基因选取，描述不同的f-信息方法在用于基因选择问题时各自的评价标准；6.致病基因识别，介绍基于交互网络最短路径分析算法，从而确定致病基因的位置；7.微阵列数据，提出一种行之有效的从微阵列数据选取miRNA的方法。第3部分 聚类，含第8-11章：8.相似基因分类，介绍聚类算法以及C均值算法，给出各算法在基因数据上的实验结果；9.基于监督的聚类算法，介绍样本分类算法以及基因选取与聚类准则；10.模糊聚类，包括双聚类以及模糊聚类的定义以及模糊双聚类算法；11.图像分割，包括模糊测度、共现矩阵以及图像的阈值算法。 本书内容丰富，而且特别注重实际应用，每一章最后都给出了相关的算法设计过程及实验结果。本书适合计算机科学、电子和生物医学工程领域的研究人员、工程师、教师和研究生阅读和参考。 臧光明，硕士研究生 （中国科学院国家空间科学中心）来源：国外科技新书评介 |
||
