基于KPCA及SVM的蛋白质O-糖基化位点的预测

摘要

为了提高蛋白质O-糖基化位点的预测准确率,提出了把核主成分分析(KPCA)与支持向量机(SVM)相结合的方法.实验样本用稀疏编码方式编码,窗口长度为21.首先,用核主成分分析提取了样本的核主成分(特征)；然后,在特征空间中用改进的支持向量机(ISVM)进行分类(预测).在使用支持向量机分类时,设置了一个边界系数αc来减少运算的复杂度.实验结果表明,使用KPCA+ ISVM的方法预测的效果优于PCA+ SVM的预测效果.预测准确率为87％.更进一步,用不同长度的样本做实验(w=5,7,9,11,21,31,41,51),使用多数投票法综合各子分类器的优势.结果表明,组合分类器的预测准确率优于子分类器的预测准确率,预测准确率为88％.