TY -的A2 Krithivasan Kannan盟——Belachew Melisew Tefera PY - 2021 DA - 2021/10/23 TI -协调Descent-Based稀疏非负矩阵分解为强劲Cancer-Class发现和微阵列数据分析SP - 6675829六世- 2021 AB -确定集群的数量在高维真实数据集和解释最终结果是数据科学的具有挑战性的问题之一。发现类的数量在癌症和微阵列数据起着至关重要的作用在癌症的治疗和诊断和其他相关疾病。非负矩阵分解(NMF)作为一种高效的数据探索发挥着重要作用的工具提取大量数据固有的基础功能。一些算法是基于将稀疏约束非凸NMF优化问题应用在过去的分析微阵列数据集。然而,我们所知,这些算法使用块坐标下降法以提供封闭形式的解决方案。在本文中,我们使用一个算法基于columnwise分区和秩一矩阵近似。我们测试该算法两个著名的癌症数据集:白血病和多发性骨髓瘤。数值结果表明,该算法表现明显好于相关先进的方法。特别是,结果表明,该方法能够可靠的集群和发现更大的癌症类的集群将是稳定的。SN - 1110 - 757 - 2021/6675829 / 10.1155 x你——https://doi.org/10.1155/2021/6675829——摩根富林明——应用数学学报PB - Hindawi KW - ER