一种有效的基因表达数据模糊核聚类分析方法

模糊聚类是分析微阵列数据的重要工具。 将模糊聚类方法应用于微阵列基因表达数据的一个主要问题是选择具有聚类数目和中心的参数。 本文提出了一种新的模糊核聚类分析方法(FKCA),它可以识别所需的聚类数并获得更稳定的基因表达数据结果。 首先,为了优化特征差异并估计最佳簇数,引入了高斯核函数以改进频谱分析方法(SAM)。 通过将减法聚类与最大-最小距离均值相结合,提出了最大距离法(MDM)来确定聚类中心。 然后,分别给出了改进的SAM(ISAM)和MDM的相应步骤,通过对基因表达数据进行实验比较说明了它们的优越性和稳定性。 最后,通过将ISAM和MDM引入FKCA,提出了一种有效的改进的FKCA算法。 公共基因表达数据和UCI数据库的实验结果表明,该算法可用于聚类分析,聚类精度高于其他相关聚类算法。