基于元分析的差异表达基因识别

针对传统差异表达基因识别方法不能处理异质性数据集以及分析结果偏差较大的问题,提出了一个基于元分析及标准差过滤技术的差异表达基因识别算法标准差排序分析(RS-DM)。对来自于不同实验平台的数据进行整合分析,过滤掉伪差异表达基因PDEGs,并找出遗失的真正的差异表达基因TDEGs。经实验验证,算法简单有效。     

基于主元分析的传感器故障诊断

一般辨识方法在传感器间进行预测来对传感器故障诊断时，其准确的冗余关系难以找到，针对这一缺点，提出了一种用主元分析技术建立传感器间的预测模型的方法。它同时克服了对传统感器测量的数据直接进行主元分析需要诊断的传感器较多的不足。最后，通过仿真验证了方法的有效性。     

基于小波包主元分析的表面肌电信号特征识别

针对表面肌电信号(SEMG)的非平稳性及小波包变换系数维数过高的问题,提出一种小波包主元分析和线性判别分析相结合的表面肌电信号动作特征识别新方法。以表面肌电信号用于智能轮椅为例,对采集到的两路SEMG信号进行小波包主元分析,提取SEMG信号的运动特征矩阵,并将运动特征矩阵输入到线性判别分类器进行分类,实现了前臂动作识别。试验表明:该方法能够将小波包系数矩阵由16维降到4维,并且对前臂的四种动作模式(握拳、展拳、手腕内翻和手腕外翻)的平均正确识别率达98%,与传统的小波包变换相比有较高的识别率。     

基于简单统计排名模型的差异表达基因识别

不同实验条件下差异表达基因(DEGs)的识别是微阵列数据分析的主要目标之一,针对分析结果中具有高排名的基因往往表现出较低差异表达水平的缺点,提出了一种基于简单统计排名模型的差异表达基因识别算法MRP(Matrix rank product)。算法可直接处理基因芯片原始数据,排除了数据预处理方法对算法的干扰;另外,通过对基因芯片数据形成的矩阵进行整体排序计算,得到具有高准确度的差异表达性排名结果。     

基于改进RankComp的个体化差异表达基因识别算法

针对RankComp算法存在统计效能低的问题,为提升统计效能,提出RankComp+算法。RankComp+算法通过调整RankComp算法筛选稳定基因对的策略,并添加差异表达基因迭代筛选过程对RankComp算法进行改进。在仿真数据实验和肺癌配对样本数据实验中,RankComp+算法均表现稳定且优于其他算法。在缺血性心肌病数据中,RankComp+算法找出的差异表达基因显著富集到新的生物学通路,证明了RankComp+算法得出的结果具有生物学意义。综上,RankComp+算法能够稳定用于个体化差异表达基因识别并为疾病机理研究提供新的信息。     

基于主元分析和神经网络的人脸识别方法

人脸自动识别是模式识别领域中一项具有广阔应用前景和实际应用价值的热门课题．文中提出了一种主元分析和神经网络相结合的方法进行人脸识别．我们先对图像进行归一化处理，采用主元分析法对图像的主特征分量进行提取，然后以一个径向基函数神经网络作为分类器，进行人脸识别．实验结果表明，这种方法在采用多样本训练后，具有较高的识别率。     

基于多向核主元分析的青霉素生产过程在线监测

基于传统主元分析（PCA）方法的过程监测算法假定过程是线性的，对于具有强非线性的生产过程，应用其进行在线监测出现误报率过高的现象.为此提出了一种多向核主元分析（MKPCA）算法用于间歇过程的建模与在线监测.利用PenSim2.0软件将青霉素间歇生产过程的三向数据按批次方向展开为二向数据并进行标准化，采用MKPCA算法建立过程模型并用于过程的在线监测，计算T2、SPE统计量及相应的控制限.仿真结果表明，与传统PCA算法相比，MKPCA算法具有更好的监测性能，不仅大大降低了正常运行过程的误报率，而且能够较早地检测出过程中存在的底物流加速率与搅拌功率故障.MKPCA可以有效处理间歇过程批次间存在的非线性属性，获取过程变量间的非线性关系.     

基于主元分析和BP神经网络的人脸识别研究

该文提出了一种主元分析和BP神经网络相结合的人脸识别方法。其中主元分析方法用于提取人脸图像的特征，而BP神经网络用于对提取的人脸特征进行识别。实验结果表明，在进行人脸识别时，该文提出的主元分析和BP神经网络相结合的方法同传统的主元分析方法相比取得了良好的效果。此方法具有较高的识别率、较强的自适应性以及对噪声的鲁棒性。     

物元的广谱分析

研究了物元分析的两大基础———可拓集合与物元变换理论(统称可拓论) 和广谱理论有关的概念、模型的联系与区别,包括可拓集合结构与广义类变思想、零界与转化中介、零界与阴阳中介、物元变换与广义变换等.对物元分析的有关概念从广谱哲学的角度做了新的分析和广义量化描述,对于从广谱理论的角度研究和开发物元分析提供了一种新的尝试     

基于小波变换及加权主元分析的人脸表情识别

为了更准确地识别人脸的表情信息,采用加权主元分析识别人脸表情.首先通过小波变换进行图像分解来抽取面部区域的有效鉴别特征,然后将特征加权和主元分析相结合,根据加权重建误差最小化,计算出各类训练样本的加权子空间,最后计算测试样本到加权子空间的Mahalanobis距离,并根据距离进行分类识别.通过CMU人脸表情数据库试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.     

结合生物学意义的化学计量学数据处理用于微生物代谢指纹分析

采用化学计量学方法对气相色谱-质谱联用代谢指纹分析数据进行处理,通过微矩阵显著性分析策略寻找不同碳源条件下6株不同遗传背景大肠杆菌变化最显著代谢物,以所发现的最显著变化的代谢物为中心,分别与同条件下检出的其他代谢物进行相关分析,筛选到相关系数较大的代谢物.不仅发现了在不同培养条件下波动显著性化合物(葡萄糖和果糖为唯一碳...     

结合生物学意义的化学计量学数据处理用于微生物代谢指纹分析

采用化学计量学方法对气相色谱-质谱联用代谢指纹分析数据进行处理,通过微矩阵显著性分析策略寻找不同碳源条件下6株不同遗传背景大肠杆菌变化最显著代谢物,以所发现的最显著变化的代谢物为中心,分别与同条件下检出的其他代谢物进行相关分析,筛选到相关系数较大的代谢物。不仅发现了在不同培养条件下波动显著性化合物(葡萄糖和果糖为唯一碳源条件下变化最显著代谢物分别为谷氨酰胺和尸胺),并通过聚类分析验证了该数据处理方法的有效性,保证了在大量数据中提取到更加有用的信息。     

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．     

基于免疫无监督分类的老年人行为分析

在建立行为特征量化模型的基础上,提出了无监督分类算法对日常行为规律进行分析和表示,并利用免疫原理对分类进行优化和改进。对比实验表明,该方法有效地克服了传统聚类方法的收敛速度慢和极值点等问题,实现了较好的分类效果。     

基于形势判断和遗传算法的计算机围棋静态评估算法

提出了一种计算静态评估值的数学模型,并结合遗传算法对模型参数进行了优化。利用此方法可以获得不同棋力下分别对应的不同静态评估算法模型。对比实验结果表明,该模型能将运算精度提升93%,运算速度提升35%;其运行能力可以应用于计算机围棋中盘、收官等模块中,对计算机博弈、人工智能以及游戏软件的研究具有重要意义。     

基于遗传算法的自适应题库系统的研究

在比较传统组卷算法优缺点的基础上,着重对遗传算法进行了可行性论述,通过将实数编码的遗传算法应用于自动组卷,全面增强了自适应题库系统实用可操作性。     

约束多目标人工蜂群算法

为提高约束多目标进化算法的收敛性和解集分布性,提出一种基于人工蜂群算法的改进约束多目标进化算法CMABC。在利用外部种群分别存储较优可行解和不可行解处理约束条件的基础上,根据约束多目标问题的特点,对外部种群的更新方式、迭代种群的更新方式及人工蜂群算法进行改进。实验仿真结果表明,CMABC相对于目前性能较好的MOABC及HPSO具有一定优势,能够在保证良好收敛性的同时,使获得的Pareto最优解集具有更均匀的分布性和更广的覆盖范围,适合于约束多目标优化问题的求解。     

基于贝叶斯网络的配电系统可靠性分析方法

提出了根据配电网的实际拓扑结构和元件对系统的影响关系直接建立贝叶斯网络以实现配电系统可靠性分析的方法。该方法的特点是不仅能进行配电网的可靠性指标评估,而且还能方便地得到系统每个元件或几个元件对整个系统可靠性的影响,从而克服了配电系统传统可靠性评估方法的不足。通过实例,阐述了应用贝叶斯网络方法进行配电系统可靠性评估的有效性和优越性。     

基于人工免疫核聚类的支持向量数据描述方法

为使支持向量数据描述(SVDD)能应用于无监督多分类情况,提出了一种基于人工免疫核聚类的支持向量数据描述(AIKCSVDD)方法。AIKCSVDD将人工免疫核聚类产生的记忆抗体作为目标数据点,使用SVDD方法进行多类学习。在AIKCSVDD中,一方面实现了用核聚类方法解决各类数据边界不清晰的长处与免疫网络聚类方法全局收敛、不需要先验知识的优点的有机结合;另一方面,由于用记忆抗体代替原始数据进行学习,从而更好展现了原始数据的全局分布特征。与基于K-means聚类multi-SVDD方法相比,AIKCSVDD不需要事先指定分类数;在人工数据集和UCI数据集上的实验表明,在为multi-SVDD指定分类数的情况下,AIKCSVDD仍比multi-SVDD具有更好的分类性能。