1、隨著生物學中的基因微陣列數(shù)據(jù)呈現(xiàn)爆炸式增長，直接對這些海量數(shù)據(jù)進行認知變得越來越困難，這就出現(xiàn)了對能夠從這些海量數(shù)據(jù)中探究其內在結構的機器學習方法的需求。如何對這些基因微陣列數(shù)據(jù)進行有效處理，提取出隱含在其中的有用信息成為數(shù)據(jù)挖掘、機器學習和模式識別等領域的核心問題之一。而流形學習作為一種非線性維數(shù)約簡方法，能發(fā)現(xiàn)海量高維數(shù)據(jù)的內在規(guī)律，因而越來越廣泛地被應用在模式識別等領域。本文主要研究如何將流形學習應用到基因微陣列數(shù)據(jù)分類中，研究內

2、容包括以下幾個方面：
　　1)分析比較了典型的基因微陣列數(shù)據(jù)分類算法的效果。這些分類算法包括K近鄰(K-NN)、樸素貝葉斯(NB)算法和支持向量機(SVM)算法?；蛭㈥嚵袛?shù)據(jù)呈現(xiàn)出高維小樣本的特性，往往存在著大量的與分類類別無關的特征基因，這些基因往往會影響分類結果。實驗表明利用這三種分類算法對基因微陣列數(shù)據(jù)進行分類并不能取得令人滿意的結果。
　　2)介紹了一種將支持向量機遞歸消除(SVM-RFE)算法與典型的分類算法相結

3、合來對基因微陣列數(shù)據(jù)進行分類的方法。該算法根據(jù)一種排列標準循環(huán)排除掉特征基因中類別依賴性最小的基因，最終得出一個特征基因子集，將該子集利用上述三種分類算法進行分類。與直接用上述三種分類算法相比，基于SVM-RFE算法的基因微陣列數(shù)據(jù)分類的精度有所提高。
　　3)提出了基于流形學習的基因微陣列數(shù)據(jù)分類模型，該方法將流形學習與分類算法結合起來，先利用流形學習算法對基因微陣列數(shù)據(jù)提取特征，然后再利用分類算法進行分類。流形學習算法包括LL