K-means 和 BPSO

代码说明：

应用背景 虽然传统的基因选择方法已经能够取得很好的效果，选出的基因子集有利于后续样本分类，但是这些方法主要考虑数据方差和分布的相关性，从而选出的基因可解释性较差且冗余度较高。为了获得最小冗余可解释的基因子集，本文在充分考虑基因类别灵敏度 (Gene to class sensitivity,GCS) 信息和基因调控 (Gene regulation,GR) 信息的基础上，利用二进制微粒群算法(BPSO)和极限学习机(ELM)进行基因选择。 关键技术该方法提出用PSO优化K均值聚类，并在此基础上确定初始化种群，随后运用两个BPSO分别结合GCS和GR信息进行进行选择。在多个基因表达谱数据上的实验结果表明，相比BPSO-GCS-ELM和其他一些经典的基因选择方法，该方法能够选出更紧凑且分类能力更强的基因子集。