您的位置：首页 > 论文页面
β散度的非负矩阵分解在基因聚类中的应用
发表时间：2015-02-28 浏览量：2927 下载量：1761
| 全部作者： | 崔建，何光辉 |
| 作者单位： | 重庆大学数学与统计学院 |
| 摘 要： | 针对传统的非负矩阵分解（non-negative matrix factorization，NMF）算法在基因表达数据聚类应用中的低效性，研究采用一种基于β散度的NMF（β-NMF）算法，该方法中β的选择是一个开放性问题。实验中β取不同值分别对基因表达数据进行分解，再通过K均值聚类。分析结果并与传统的基于梯度下降的NMF和Kullback Leibler（KL）散度的NMF实验做对比，得出当β取值为0.5时，该算法对基因数据表达谱具有较好的聚类效果。 |
| 关 键 词： | 模式识别；β散度；非负矩阵分解；基因表达数据；聚类；梯度下降 |
| Title： | Application of β-divergence non-negative matrix factorization in gene clustering |
| Author： | CUI Jian, HE Guanghui |
| Organization： | College of Mathematics and Statistics, Chongqing University |
| Abstract： | Traditionally non-negative matrix factorization (NMF) algorithm clustering for the application of gene expression data is inefficient. In this paper, we used NMF algorithm based on β divergence (β-NMF) to avoid some insufficiency of classical NMF algorithm. It was an open problem to choose the best optimal value of β. In our experiments, we took different value of β for gene expression data decomposition, and then clustered gene expression data by K-means algorithm. By analyzing and comparing experimental results with traditional non-negative matrix decomposition based on gradient descent and Kullback Leibler (KL) divergence decomposition, we concluded that when β was 0.5, the algorithm had an better clustering effect. |
| Key words： | pattern recognition; β divergence; non-negative matrix factorization; gene expression data; clustering；gradient descent |
| 发表期数： | 2015年2月第4期 |
| 引用格式： | 崔建，何光辉. β散度的非负矩阵分解在基因聚类中的应用[J]. 中国科技论文在线精品论文，2015，8（4）：325-330. |
0
评论数 0请您登录
暂无评论
下载全文
多维论文