數學建模華中賽b題優秀論文(專業版)

　　

【正文】 %連線 end text(x(i),y(i),num2str(i),39。 for i=1:h %使產生的隨機點有其范圍，使顯示分布的更廣 for j=1:w x=[x 10*rand(1)+(j1)*10]。new_ratio(i,1:29)=b。本次實驗有17個志愿者，每個志愿者有16個時間節點的采樣數據。 在處理基因調控網絡重構問題時，實際上是逐一尋找對基因i,i=1,2,...,p起調控作用的調控基因的集合，而不是從基因i,i=1,2,...,p調控哪些其他基因的角度出發。聚類的主要指導思想就是盡可能使同一簇內對象相似度達到最大，且不同簇間對象相異度達到最大。 由于這道題目的數據量龐大，所以，如何篩選數據就成了很重要的一步。問題：1）根據實驗數據重構基因調控網絡；2）通過比較出現感染癥狀的志愿者和健康志愿者的樣本數據，試確定病毒感染人體后導致志愿者是否會出現嚴重臨床癥狀的重要蛋白。本文中采用的模型是線性回歸模型，并對它的合理性，以及相較貝葉斯網絡作了對比。我們完全明白，在競賽開始后參賽隊員不能以任何方式（包括電話、電子郵件、網上咨詢等）與隊外的任何人（包括指導教師）研究、討論與賽題有關的問題。既降低了數據的處理難度，又盡量保持了新數據和原數據相比，盡可能保持原數據的信息。接種后，每隔大約8 h從血液中采集樣本測量基因表達譜數據，實驗數據一共有16 個時間點( 單位: h) ，包括baseline ( 24) ，0，5，12，21，29，36，45，53，60，69，77，84，93，101，108，共268 個樣本。由于數據集過大，所以第一步要做的就是對這一萬種基因進行篩選降維操作。下面再對這1000組新變量做聚類分析處理。其中有四組錯誤數據，排除后剩余268組數據，這里t=1，2，....,268，其中，xti ，表示t時刻時基因i（i 代表一個基因)的表達值。因此采用的是LR分類器的方法去求解。]。 h=floor(n/w)。Fontsize39。color39。 for i=1:ed x=[x 10*rand(1)+(i1)*10]。 return。通過相關性的分析便可以得到能夠推動產生臨床癥狀的關鍵基因，從而推出關鍵蛋白。假設是否展現嚴重的臨床癥狀為最后的因變量，那么由于這個因變量是二分類，所以考慮用邏輯回歸模型去對基因對是否產生癥狀的關系做一個分析。（3）Kmeans算法的實現：?從含有1000個數據對象的基因表達譜（附錄一）中隨機選擇100個數據對象作為初始的聚類中心；?兩基因數據的相似度可通過計算兩個基因數據的歐式距離來得到,再根據最近鄰原則將數據對象逐個劃分到離其最近的聚類中心所代表的簇中，計算誤差平方和準則函數E的值；?更新聚類中心，即分別計算各個簇中所有數據對象的均值作為各個簇的新的中心，以新的聚類中心來計算誤差平方和準則函數E的值；將步驟?計算得到的E值和前一次計算得到的E值進行比較，若兩者差值的絕對⑤值小于等于預先設定的閾值，即聚類準則函數收斂，則轉步驟（5)，否則轉步驟?；⑤輸出K個聚類。即在盡可能少丟失信息的前提下從所研究的個變量中求出幾個新變量，它們能綜合原有變量的信息，相互之間又盡可能不含重復信息。生命是存儲并加工信息的復雜系統,孤立地研究單個基因及其表達往往不能確切地反映生命現象本身的內在規律。根據附錄二給出的個體出現感染癥狀時間節點示意圖，1代表此志愿者在該時間節點表現出了臨床癥狀，0則表示沒有，這是一個二分類。如有違反競賽規則的行為，我們將受到嚴肅處理。 由于所給的基因數據譜（附錄一）十分龐大，所以首先要對數據進行降維處理。隨著測序技術的發展，產生了越來越多的高通量實驗數據。首先我們要對數據進行分析，尋找與染病相關系數大的基因，然后依據附錄一的sheet2中對于基因的描述去進一步確定關鍵蛋白質。計算步驟如下：由已知的原始數據矩陣計算樣本均值向量； 其中計算樣本協方差矩陣其中把原始數據標準化，即，記。為隨機誤差項，對隨機誤差項我們常假定 （22）稱 為理論回歸方程。既用總體的分布密度或概率分布的表達式及樣本所提供的信息求位置參數估計兩的一種方法。for j=1:i1tep=[tep,new_gene(new_represent(j),:)39。 return。)。)。r*39。 for i=1:n a=