文件名称：光谱匹配matlab代码-BFClust:边界森林聚类
文件大小：208KB
文件格式：ZIP
更新时间：2024-06-14 03:31:55
系统开源
光谱匹配Matlab代码高炉团 边界森林聚类是用MATLAB编写的泛基因组聚类管道。 边界森林聚类分3个主要步骤完成： 边界森林。 这会基于序列相似性生成许多边界树（有关边界森林的更多详细信息，请参见）。 可以将一个序列作为新的代表添加到树上，或者如果树上已有与该序列足够接近的代表，则使用该代表来注释该序列，并从树中将其省略。 边界树因此包含一小部分输入序列作为代表序列，它们基于序列相似性排列在树形结构中。 簇。 在每个边界树上执行聚类。 目前，在边界森林的下游实施了7种聚类方法。 这些包括分层，kmeans，kmeans（矢量化），光谱，光谱（对Shi-Malik进行归一化），光谱（对Ng-Jordan-Weiss进行归一化）和马尔可夫聚类（MCL）。 我们建议使用MCL作为主要方法。 一旦代表性序列被聚类，聚类分配被扩展到整个数据集。 共识聚类。 在不同边界树代表上的聚类可能并不总是产生相同的结果。 对整个林中的群集分配达成共识，可以减少所有下游群集方法的错误。 每个元素和每个群集的共识分数也将作为质量指标生成。 聚类或项目的共识得分是介于0和1之间的值。得分为1表示各个聚类分配之
【文件预览】：
BFClust-master
----testout()
--------dataset-010-0.csv(27KB)
--------dataset-010-0Kmeans_clusterscores.csv(55B)
--------dataset-010-0Ward_clusterscores.csv(55B)
--------dataset-010-0Spectral JW_clusterscores.csv(61B)
--------dataset-010-0Kmeans vectorized_clusterscores.csv(67B)
--------dataset-010-0Spectral NN_clusterscores.csv(65B)
--------dataset-010-0Spectral SM_clusterscores.csv(67B)
--------dataset-010-0MCL_clusterscores.csv(55B)
--------dataset-010-0.mat(644KB)
--------dataset-010-0.png(66KB)
----dataset-010-0.fasta(195KB)
----dataset-010-1.fasta(195KB)
----cluster_example.m(963B)
----LICENSE(1KB)
----add_to_cluster_example.m(392B)
----README.md(9KB)
----BF_clustering()
--------scan_clusters.m(2KB)
--------add_to_clustering.m(5KB)
--------consensus_quality_single.m(2KB)
--------mcl_ds.m(4KB)
--------run_BF_spectral.m(3KB)
--------consensus_clustering_kmed.m(872B)
--------find_closest_on_BF.m(2KB)
--------vectorize_dm_fn.m(830B)
--------SSEDS.m(701B)
--------boundary_tree.m(4KB)
--------consensus_quality_all.m(2KB)
--------cell2csv.m(947B)
--------Spectralpt2.m(760B)
--------cost_scripts()
--------Spectralpt1.m(2KB)
--------run_BF_single.m(6KB)
--------add_to_clustering_all.m(2KB)
--------read_and_clean.m(688B)
--------find_elbow.m(645B)
--------mcl_wrapper.m(118B)
--------pairwise_distances.m(985B)
--------run_BF_all.m(7KB)
--------extendBF_DS.m(243B)
--------add_to_clustering_single.m(2KB)
----.gitattributes(66B)