数据挖掘方法在生物实验数据上的应用
2018-09-22辛月振孙贝贝夏盛瑜
计算机技术与发展 2018年9期
辛月振,孙贝贝,夏盛瑜
(中国石油大学(华东) 计算机与通信工程学院,山东 青岛 266580)
0 引 言
随着大规模生物实验技术的发展和数据累积,如何处理数据,从全局和系统水平研究和分析生物学系统,揭示其发展规律已成为一个新的研究热点。传统生物数据分析方法受限于其处理能力与时间复杂度,已逐渐不适用于当前的生物数据分析。将计算机技术与生物实验相结合,采用生物信息学的思想与方法成为目前生物数据处理的新途径[1]。
近年来,机器学习方法已应用于生物数据处理。在生物数据处理领域,人工神经网络与数据挖掘算法已应用于产量的优化[2],特别是在培养条件的优化方面。张梅等利用BP神经网络优化杜鹃花黄酮的提取工艺[3]。Khaouane L等利用神经网络和粒子群优化算法寻找最优截短侧耳素培养条件[4]。最近,随着生物数据的增加,数据分类思想也应用于生物数据处理方面[5-7]。分类的概念是在现有数据的基础上使用分类函数,或者构造一个分类模型(即通常称之为分类器)。函数或模型可以将数据库中的数据记录映射到给定的类别,它可以应用于数据预测。在文献[8]中,应用在这些实验中收集的数据,以统计方法建立数学模型来预测桑黄产黄酮产量,并取得了较好的效果。但在这个过程中,发现统计方法在处理生物实验数据具有模型建立依赖先验知识,数据受误差样本扰动大,信息易丢失等缺点。因此,文中采用分类算法对整个样本集进行高产和低产的数据分类,取得了良好的分类精度。……
登录APP查看全文
