1、基因數(shù)據(jù)分析已經(jīng)逐漸成為疾病診斷及分類的常規(guī)步驟。原始基因數(shù)據(jù)的維數(shù)很高而樣本卻很小，因此如何從大量的基因數(shù)據(jù)中剔除冗余基因，提取出能夠表征樣本屬性的特征基因成為了研究的重點和難點。在實際應(yīng)用中，可以利用有效的數(shù)據(jù)表示方法來解決這一難題，即利用數(shù)據(jù)的低維表示來挖掘出原始數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和本質(zhì)信息。
　　目前已經(jīng)被廣泛使用的基因數(shù)據(jù)處理方法如主成分分析等在進行數(shù)據(jù)分析時的效果并不十分理想，因此可以利用非負矩陣分解(Nonnegativ

2、e MatrixFactorization，NMF)算法來對原始基因數(shù)據(jù)進行處理即實現(xiàn)數(shù)據(jù)的低秩表示。與其它矩陣分解方法相比，此方法在體現(xiàn)局部特征信息的同時實現(xiàn)了有效的腫瘤分類。
　　本文主要內(nèi)容如下:
　　1.本文首先概述了傳統(tǒng)NMF算法的基本理論，并在此基礎(chǔ)上簡單介紹了幾種NMF的變體算法，最后介紹了這幾種改進型的目標函數(shù)和迭代規(guī)則。
　　2.將雙正交非負矩陣三因式分解BONMTF(Bi-orthogonal No

3、nnegativeMatrix Tri-Factorization)算法應(yīng)用到了基因表達譜數(shù)據(jù)挖掘中。首先對BONMTF算法進行了系統(tǒng)化分析;然后利用此算法得到能夠表征樣本屬性的矩陣，并將其應(yīng)用于腫瘤分類中，提高了樣本的識別率。實驗采用四組具有代表性的腫瘤基因表達譜數(shù)據(jù)，其結(jié)果證明了本文方法針對不同數(shù)據(jù)集的識別率比傳統(tǒng)方法有所提高，不僅具有可行性而且具有廣闊的應(yīng)用前景。
　　3.將對稱三因式非負矩陣分解STFNMF(Symmetr

4、ic Three-factorNonnegative Matrix Factorization)算法應(yīng)用到腫瘤分類中。首先使用記分準則來對基因進行排序，以降低噪聲的干擾;其次利用譜圖的方法將原始基因樣本映射到高維空間中去，并通過所提出的權(quán)值矩陣來構(gòu)造一個相似矩陣，然后利用STFNMF算法來進行特征提取;最后使用SVM實現(xiàn)腫瘤樣本的分類。實驗采取了四種廣泛使用的基因表達譜數(shù)據(jù)，并通過大量實驗驗證了所提出的算法相比于其它傳統(tǒng)算法有更好的性能