基于tiga s4vm改进算法的蛋白质序列识别方法 - 山东大学学报(工学版).pdf

　第４４卷　第１期 山　东　大　学　学　报　（工　学　版） ２０１４年２月　 　 　　 Ｖｏｌ．４４　 Ｎｏ．１　　 　ＪＯＵＲＮＡＬＯＦＳＨＡＮＤＯＮＧＵＮＩＶＥＲＳＩＴＹ（ＥＮＧＩＮＥＥＲＩＮＧＳＣＩＥＮＣＥ） Ｆｅｂ．２０１４　 　文章编号：１６７２３９６１（２０１４）０１０００１０６　　　ＤＯＩ：１０６０４０／ｊ．ｉｓｓｎ．１６７２３９６１１２０１３０２９ 基于ＴＩＧＡ Ｓ４ＶＭ改进算法的蛋白质序列识别方法 － 王晓峰，随婷婷 （上海海事大学信息工程学院，上海２０１３０６） 摘要：针对安全的半监督支持向量机（ｓａｆｅｓｅｍｉｓｕｐｅｒｖｉｓｅｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，Ｓ４ＶＭ）存在参数选择盲目性、正 负样本比例不平衡等问题，建立了基于改进的ＴＦＩＤＦ（ｔｅｒｍｆｒｅｑｕｅｎｃｙｉｎｖｅｒｓｅｄｏｃｕｍｅｎｔｆｒｅｑｕｅｎｃｙ，ＴＦＩＤＦ）、遗传 算法（ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ，ＧＡ）和Ｓ４ＶＭ的蛋白质序列识别方法ＴＩＧＡ Ｓ４ＶＭ。利用改进的ＴＦＩＤＦ算法提取出蛋 － 白质序列中的特征项，将各个特征项在蛋白质序列中出现的频率归一化后作为识别模型的特征值，并结合ＧＡ以 及Ｓ４ＶＭ对蛋白质序列进行识别。实验结果表明，ＴＩＧＡ Ｓ４ＶＭ优于其它５个识别方法，即使在训练样本率较低 － 时，也能有效地识别蛋白质序列。 关键词：支持向量机；安全的半监督支持向量机；蛋白质序列识别；ＴＦＩＤＦ；遗传算法；半监督算法 中图分类号：Ｑ３１　　　文献标志码：Ａ ＰｒｏｔｅｉｎｓｅｑｕｅｎｃｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＴＩＧＡ Ｓ４ＶＭａｌｇｏｒｉｔｈｍ －  ＷＡＮＧＸｉａｏｆｅｎｇ，ＳＵＩＴｉｎｇｔｉｎｇ （ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＭａｒｉｔｉｍｅＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０１３０６，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｅｆｆｅｃｔｉｖｅｌｙｄｅａｌｗｉｔｈｔｈｅｃｈｏｉｃｅｂｌｉｎｄｎｅｓｓｏｆｐａｒａｍｅｔｅｒｓａｎｄｕｎｂａｌａｎｃｅｄｃｌａｓｓｓｉｚｅｓ，ＴＩＧＡ Ｓ４ＶＭ， － ａｐｒｏｔｅｉｎｓｅｑｕｅｎｃｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｏｄｅｌｗａｓｄｅｖｅｌｏｐｅｄａｎｄｔｒａｉｎｅｄｕｓｉｎｇｓａｆｅｓｅｍｉｓｕｐｅｒｖｉｓｅｄｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ （Ｓ４ＶＭ）ｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＴＦＩＤＦａｌｇｏｒｉｔｈｍａｎｄＧｅｎｅｔｉｃＡｌｇｏｒｉｔｈｍ（ＧＡ）．ＬＢＴＦＩＤＦ，ｔｈｅｉｍｐｒｏｖｅｄＴＦＩＤＦａｌｇｏ ｒｉｔｈｍ，ｗａｓｐｕｔｆｏｒｗａｒｄｉｎｔｈｉｓｍｏｄｅｌｆｏｒｅｘｔｒａｃｔｉｎｇｔｈｅｐｒｏｔｅｉｎｓｅｑｕｅｎｃｅｓ′ｆｅａｔｕｒｅｓ．Ａｆｔｅｒｔｈｅｎｏｒｍａｌｉｚａｔｉｏｎｏｆｆｅａｔｕｒｅｓ′ ｆｒｅｑｕｅｎｃｉｅｓ，ｔｈｅｒｅｓｕｌｔｓｗｅｒｅｔａｋｅｎａｓｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｖａｌｕｅｓｆｏｒｃｌａｓｓｉｆｉｅｒ．ＣｏｍｂｉｎｉｎｇＬＢＴＦＩ