1、在生物信息學(xué)中，從大量數(shù)據(jù)中挖掘?qū)ρ芯坑袃r值的信息越來越受到研究人員的重視。時序基因表達數(shù)據(jù)是生物生長過程中不同時間點采集的基因數(shù)據(jù)，作為研究熱點之一的時間序列基因數(shù)據(jù)挖掘也越來越受到研究者們廣泛關(guān)注和研究。時間序列基因數(shù)據(jù)分類是一個非常重要的課題，它包含了大量與時間相關(guān)的生物信息。由于基因表達數(shù)據(jù)的“高維、小樣本”特點。傳統(tǒng)的機器學(xué)習(xí)方法在處理高維數(shù)據(jù)上不僅會建立復(fù)雜的分類模型，而且得到的分類結(jié)果很難用生物學(xué)的角度理解。最高得分對算法

2、（Top Scoring Pairs，TSP）是利用少量特征對對樣本進行預(yù)測的分類器，此算法在處理基因數(shù)據(jù)上達到了很好的效果，但還不能處理時間序列基因表達數(shù)據(jù)。為了充分利用TSP算法優(yōu)勢，本文提出動態(tài)最高得分對算法（Dynamic Top Scoring Pairs，DTSP），將TSP算法改進為能處理時序基因數(shù)據(jù)的分類器。本文的主要工作如下：
　　1.本文提出DTSP算法，將趨勢的思想融入TSP算法中，使其能夠處理時序基因。DT

3、SP算法不僅考慮了相鄰時間點的差異趨勢，并且將差異的值的大小考慮進去，提高了分類準確率。同時算法也改進了預(yù)測模型，用趨勢的規(guī)則進行預(yù)測。本文使用時序基因數(shù)據(jù)集進行實驗，將DTSP算法和支持向量機、K近鄰算法做橫向?qū)Ρ?，并將DTSP算法中包含的三種算法做縱向?qū)Ρ取嶒炞C明，改進后的分類器得到了很高的分類效果，選出了最具分類能力的特征對。選出的特征對將對生物學(xué)基因研究提供了新的思路。
　　2.在動態(tài)最高得分對算法理論的基礎(chǔ)上，本文設(shè)計