DNA序列的距离判别分类模型

研究了DNA序列的判别分类问题。通过分析20组已知类别人造DNA序列碱基(A、T、C、G)含量的统计信息,并结合遗传学知识研究了序列中碱基配对组成20种氨基酸的分布及含量等统计信息,提取A、B两类的分类特征,并进一步约化得到了碱基含量、主要氨基酸含量的统计特征;采用距离判别分类法建立了ATCG判别分类模型、主要氨基酸判别分类模型,对未知类别的DNA序列进行了判别分类;实例表明,2种判别分类模型的误判概率均为5%。     

一种基于SVM的快速特征选择方法

针对现有特征选择方法计算量大、速度慢的缺点,提出了一种基于SVM的快速特征选择算法。该算法使用SVM作为分类器,并利用粒子群优化算法进行搜索。通过利用SVM线性核与多项式核函数的特性,减少了在特征选择中训练分类器的次数,降低了计算复杂度。实验结果表明在不损失分类精度的情况下,能显著提高特征选择的速度。     

一种基于遗传算法的DNA多序列比对方法

为了克服遗传算法应用于多序列比对时所遇到的比对序列数受限制以及比对寻优速度慢的缺点,提出了一种基于遗传算法的DNA多序列比对方法(GAMA);针对DNA多序列比对的特点,指出了传统遗传算法中的交叉操作将为序列比对带来沉重的计算负担;避开遗传算法通常所采用的遗传操作算子,设计了独特的遗传算子(插入删除算子和合并分离算子)、基于BLAST相似度评分方法和完全比对块加权的个体适应度值评价函数,采用了便于插入和删除操作以及相似度评分的基于字符和空位矩阵的染色体编码方案。本算法具有操作算子数量少,算子调用机制简明的特点。最后,给出了将GAMA应用于DNA多序列比对的算例,实验结果验证了本算法的可行性。     

一种基于颜色和纹理的优化SVM火灾识别方法

提出一种基于火焰颜色和纹理特征的提取方法,采用量子遗传算法优化支持向量机,构造QGA-SVM火焰图像分类器.算法利用火焰颜色特征对去噪增强后的图像提取火灾疑似区域,采用Uniform LBP提取其纹理特征;运用KPCA算法对特征向量进行降维处理,将KPCA选择出来的特征输入到经量子遗传算法优化过的支持向量机(QGA-S...     

一种基于DNA技术的加密方法

利用DNA合成技术、DNA克隆技术、PCR扩增技术以及DNA芯片技术，结合密码学的计算复杂度理论．提出了一种基于DNA技术的加密方法．加密就是制作特殊设计的DNA混合物．解密就是根据Watson-Crick互补配对原理，在DNA芯片（microarray）上同时对数以万亿的DNA序列杂交，这体现了DNA在超大规模并行计算和超大容量的数据存储方面的巨大潜力．现有的生物技术的局限性以及计算技术的局限性为该方法提供了双重的安全保障．     

LDA特征扩展的多类SVM短文本分类方法研究

针对短文本信息量少、特征稀疏的特点,提出一种基于LDA主题扩展的多类SVM短文本分类方法。在短文本基础上,利用LDA主题模得到文档的主题分布,将主题中的词扩充到原短文本的特征中,在特征空间上使用基于经典权重计算方法的多类SVM分类器进行分类。实验结果表明,在各个类别上的查准率、查全率和F1值都有所提高,验证了该方法的可行性。     

一种基于多核SVM的服装图像自动标注方法

Web服装图像检索是目前的一个热点研究领域,服装图像的自动标注是其中的一项重要研究内容.只有准确地自动标注服装图像,才能实现服装图像的智能化搜索.本文在大量实验的基础上,提出了一种基于多核SVM服装图像自动标注方法,通过提炼服装图像的本质特征并结合交叉验证法调优参数,明显提高了服装图像自动标注的准确率.     

一种优化的SVM竹类属种识别方法

提出了一种优化的AS-PO-SVM分类模型,用于解决竹种属的分类问题。AS-PO-SVM是一种基于属性选择(AS)和参数优化(PO)的支持向量机(SVM)分类模型。先用UCI公开数据集验证了AS-PO-SVM模型的分类性能,再将模型应用于由簕竹属、牡竹属、刚竹属和玉山竹属共46个竹种样本构建的Bamboo数据集上。实验结果显示AS-PO-SVM模型在Bamboo数据集上分类准确率达到95.65%,是一种有效的竹种分类模型。     

一种基于聚类思想的SVM多类分类方法

针对传统的基于决策树的支持向量机多类分类算法运算过程复杂、分类效率低的缺点,提出一种新的基于聚类思想的支持向量机分类方法.空间距离和聚类思想的引入,有效的提高了算法的分类效率.仿真试验表明,该方法在保持算法良好推广性的同时降低了算法的复杂度,从而提高了分类效率和分类速度.     

基于SVM的IRS-P6卫星影像分类方法

支持向量机是20世纪90年代发展出的一种新的通用机器学习算法,在解决小样本、非线性及高维模式识别问题中表现出许多独特的优势,成为国际上机器学习领域新的研究热点.作者以支持向量机为分类工具,对IRS-P6数据在土地覆盖应用中分类特征的选取进行了研究,与其他传统方法的分类结果比较,使用SVM分类方法分类总精度与Kappa系数均有所提高,并进行了分类精度评价,取得了良好的效果.实验表明SVM方法对高维输入向量具有较高的推广能力,且对遥感图像分类有着较强的优势.     

一种多属性约简支持向量机混合分类方法

针对属性特别多仅用一种属性约简方法难以实现有效约简的情况,提出了基于双重属性约简的混合支持向量机分类方法.通过引入贡献率和正确率两个概念,首先采用主成分分析算法计算各个条件属性的贡献率,根据贡献率大小和给定的阈值去掉条件属性中贡献率小的成分,提取信息量最大的主要成分;然后再基于粗糙集的属性约简理论,计算这些主要成分对决策变量的正确率,对这些属性进行第二次约简;该方法采用定性定量相结合的方式,可以最大程度地去除属性集中冗余的或不重要的属性,保证将最简的属性样本集输入支持向量机进行建模预测.最后的仿真试验验证了我们所提方法的有效性和正确性.     

基于支持向量机的文本倾向性分类研究

文本倾向性分类可以广泛应用到信息检索,产品质量在线跟踪,民情民意调查分析以及聊天系统等.本文提出了基于限定词性词语与信息增益、基于情感倾向词汇与信息增益的两种混合特征选择方法,并设计了基于支持向量机的分类器.以汽车产品、篮球赛事以及中日关系3种中文评论文本为训练与测试语料,对本文所提方法进行了实验验证,结果表明:限定词性词语与信息增益的混合特征选择优于信息增益与情感倾向词汇混合特征选择方法.     

一种基于相关向量机的调制方式识别算法

针对数字信号的调制方式识别问题,给出了一种基于相关向量机的分类方法。相关向量机基于贝叶斯学习方法,其判决函数仅取决于训练样本的一小部分。文章提取信号的谱相关特征参数,设计了合理的分类策略。实验结果表明,与支持向量机相比,基于相关向量机的分类方法在保持较高识别率的同时,提高了调制识别的时效性。     

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了 一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进 行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机 的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比 单纯运用光谱特征进行分类效果要好。     

支持向量机多分类问题研究

支持向量机是典型的两类分类方法,如何将其推广到多分类问题是学者们正在研究的一个热点。对比分析几种常用的多类方法的优缺点,利用标准数据集对多类支持向量机的速度和精度两方面进行试验分析。研究表明,对于大规模的多类分类问题,有向无环图简单易行,具有理想的训练速度与精度,具有一定的参考价值。     

最小二乘支持向量机分类问题的算法实现

介绍了支持向量机理论、常用的支持向量机内积核函数以及最小二乘支持向量机算法.采用最小二乘法实现了支持向量机分类算法.数字仿真结果表明,该算法的识别正确率可达100%.     

一种基于支持向量机的垃圾微博识别方法

针对中文微博垃圾特点,提取基于向量空间模型的中文文本相似度、长短链接相似度、发文时间规律等新的分类特征,加入现有的特征集,运用支持向量机方法,训练后得到分类模型.实验结果表明,该方法是一种有效的垃圾微博识别技术.     

基于概率型支持向量分类机的Q学习

按TD误差标准,把Q学习系统的状态-动作空间粗略地划分为正负2类.为了描述分类的不确定性和避免简单分类导致的学习精度下降问题,利用概率型支持向量分类机(PSVCM)来使得样本的分类同时具有定性的解释和定量的评价.PSVCM的输入为系统的连续状态和离散动作,输出为带有概率值的类别标签.对由PSVCM判定为正类的离散动作按其概率值进行加权求和,即可得到连续动作空间下的Q学习控制策略.小船靠岸问题的仿真结果表明,与基于传统支持向量分类机的Q学习相比,所提方法不仅能够有效解决具有连续状态和连续动作的非线性系统的Q学习控制,而且其控制性能对初始动作的设置不敏感.     

基于遗传算法的二叉树支持向量机分类方法

针对传统的基于支持向量机的文本分类存在的问题进行了研究,采用二叉树结构与多个支持向量机子分类器组合进行Web文本信息分类,在二叉树支持向量机多类方法的基础上,进一步结合遗传算法,提出了一种新的支持向量机的多类分类方法,实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与二叉树支持向量机结合的优越性。     

改进粒子群与支持向量机混合的特征变换

研究了数据挖掘中通过特征变换的数据预处理来提高支持向量机(SVM)分类精度的方法,提出了改进粒子群优化(PSO)和SVM混合的方法. 用推广t统计、Fisher判别式和随机森林的线性加权度量来排序特征,得到预选特征子集,再用启发式信息加速改进PSO搜索特征的线性变换因子,并用二进制PSO对特征变换子集进行特征选择,在后处理中通过格子搜索获取了高精度SVM分类器. 在NIPS 2003的madelon及10个UCI数据集上的实验表明,与有C-SVM分类精度相比,新方法在4个数据集上的精度更高.