...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE transactions on nanobioscience >Investigation of Self-Organizing Oscillator Networks for Use in Clustering Microarray Data
【24h】

Investigation of Self-Organizing Oscillator Networks for Use in Clustering Microarray Data

机译：用于组织微阵列数据的自组织振荡器网络的研究

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The self-organizing oscillator network (SOON) is a comparatively new clustering algorithm that does not require the knowledge of the number of clusters. The SOON is distance based, and its clustering behavior is different to density-based algorithms in a number of ways. This paper examines the effect of adjusting the control parameters of the SOON with four different datasets; the first is a (communications) modulation dataset representing one modulation scheme under a variety of noise conditions. This allows the assessment of the behavior of the algorithm with data varying between highly separable and nonseparable cases. The main thrust of this paper is to evaluate its efficacy in biological datasets. The second is taken from microarray experiments on the cell cycle of yeast, while the third and the fourth represent two microarray cancer datasets, i.e., the lymphoma and the liver cancer datasets. The paper demonstrates that the SOON is a viable tool to analyze these problems, and can add many useful insights to the biological data that may not always be available using other clustering methods.
机译：自组织振荡器网络（SOON）是一种相对较新的群集算法，不需要了解群集的数量。 SOON是基于距离的，其聚类行为在许多方面与基于密度的算法不同。本文研究了用四个不同的数据集调整SOON的控制参数的效果。第一个是（通信）调制数据集，表示在多种噪声条件下的一种调制方案。这允许使用高度可分离和不可分离的案例之间变化的数据评估算法的行为。本文的主要目的是评估其在生物学数据集中的功效。第二个取自关于酵母细胞周期的微阵列实验，而第三个和第四个代表了两个微阵列癌症数据集，即淋巴瘤和肝癌数据集。本文证明了SOON是分析这些问题的可行工具，并且可以为生物学数据添加许多有用的见解，而使用其他聚类方法可能无法始终获得这些见解。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号