样本过滤的基因表达数据分类

针对单个人工神经网络稳定性差、分类精度不高的缺点,提出了基于样本过滤的人工神经网络集成算法,并用于基因表达数据分类.采用基因表达数据集Leukemia进行实验仿真,并与单个BP神经网络、Bagging神经网络集成和支持向量机进行比较.结果表明,样本过滤算法具有更好的稳定性和更高的分类精度.     

基于人工神经网络集成的微阵列数据分类

基因数量远多于样本数量是基因表达微阵列数据进行疾病诊断所面临的主要挑战，为此提出了采用人工神经网络集成的组织分类方法．该方法使用Wilcoxon测试选择用于与分类相关性较高的重要基因，通过凸伪数据法产生神经网络集成中各个体的训练集，用简单平均法集成网络个体的测试结果．采用实际的微阵列实验数据集分别进行独立测试和交叉验证测试，结果表明，该方法性能优于单个神经网络、最近邻法和决策树．受试者特征曲线测试表明，神经网络集成性能优于单个神经网络．     

由"诱思探究"学科教学论谈研究生教育中教学和谐共振的实现

本文根据“诱思探究”学科教学论,结合教育时间学和认知发展心理学的研究成果,探讨了在高师研究生教育中实现教学和谐共振的策略、方法和实践问题。     

基于相关性分析的基因选择算法

常用的排列法从微阵列数据中选择的基因集合会包含相关性较高的基因,这会影响分类器的性能,为了去除这些冗余基因(特征),提出了无监督的特征选择算法.该算法主要包含:将原始特征集划分为一组相似的子集(聚类);从每个聚类中选择代表性特征.特征的划分采用特征间的相关性作为测度以k近邻原则来完成.该算法无需指定聚类数量,时间复杂度低.真实的生物学数据实验证明该算法可显著提高分类器的分类准确性.