KPCA与GRNN在含能化合物QSAR中的应用研究

使用KPCA(核主成分分析)对含能化合物的结构参数进行参数选择,在保持原有数据主要信息的情形下,得到数据的主成分.将降维后的特征信息作为GRNN(广义回归神经网络)的输入,含能化合物的性能数据作为输出,建立非线性的定量含能化合物结构性能关系预测模型.与PCA_GRNN模型的比较表明,该模型能很好地反映含能化合物结构和性能之间的关系,具有较高的预测正确率.     

基于遗传算法的支持向量机预测含能材料密度的研究

基于遗传算法(genetic algorithm,GA)的变量筛选和支持向量机(support vector machine,SVM),提出了一种改进的定量结构-性质相关(quantitative structure detonation relationship,QSPR)建模方法——遗传-支持向量机(GA-SVM),并用其建立含能材料的定量结构-爆轰性能关系(QSDR)模型,此外还应用标准SVM方法建立了QSDR模型,并用这2种模型进行呋咱系含能化合物密度的预测,随机选取85%化合物作为训练集,用来建立模型,其余化合物作为测试集来测试模型的预测能力。预测结果的交互检验的相关系数平方分别为0.9887和0.9885,平均相对误差分别为1.16%和2.12%,表明了2种建模方法的有效性。通过对2种模型的预测能力进行比较,GA-SVM方法建立的QSDR模型能更好地预测呋咱系含能化合物的密度,更利于实际应用。     

优化的支持向量机集成分类器在非平衡数据集分类中的应用

传统的分类算法大都建立在平衡数据集的基础上,当样本数据不平衡时,这些学习算法的性能往往会明显下降.对于非平衡数据分类问题,提出了一种优化的支持向量机(SVM)集成分类器模型,采用KSMOTE和Bootstrap对非平衡数据进行预处理,生成相应的SVM模型并用复合形算法优化模型参数,最后利用优化的参数并行生成SVM集成分类器模型,采用投票机制得到分类结果.对5组UCI标准数据集进行实验,结果表明采用优化的SVM集成分类器模型较SVM模型、优化的SVM模型等分类精度有了明显的提升,同时验证了不同的bootNum取值对分类器性能效果的影响.     

一种改进的遗传算法在含能材料设计中的研究与应用

在本文中作者提出了一种改进的遗传算法,并将该方法引入到"分子结构——爆炸性能"(QSDR)关系研究中,对变量进行筛选、建立结构性能关系模型,并可利用该模型预测含能材料的爆炸性能。将该方法应用于呋咱类系列化合物,取得了较好的效果,证明了方法的有效性。     

基于遗传算法的偏最小二乘法在预测含能材料爆轰性能中的应用

运用偏最小二乘(PLS)和遗传算法(GA)预测含能材料的爆炸性能。利用GA在"分子结构—爆炸性能(QSDR)"数据中选取较少的变量个数,以较少的变量个数包含较多的变量信息,再用PLS进行结构性能模型的建立和性能预测。将这种方法应用于呋咱和芳香类含能材料的性能预测当中,可以验证方法的有效性。     

基于最大化依赖的恐怖行为背景特征提取方法

针对恐怖数据集中存在的属性值残缺问题,提出了基于最大化背景向量与行为之间依赖关系的压缩背景空间(CCS)方法。该方法基于希尔伯特-施密特独立标准和希尔伯特-施密特范数,它们能有效检测变量间的关联性。CCS通过使得背景向量线性投影后的低维特征与行为之间希尔伯特-施密特范数最大化,从而实现背景向量与行为之间的依赖关系最大化,更好地发现两者之间的关联性,减小属性值残缺带来的影响。然后利用分类模型(如支持向量机(SVM))对所得到的低维特征进行学习(CCS+SVM),实现高效预测。在MAROB数据集上的实验表明:与SVM模型、基于传统特征提取方法(如PCA和CCA)的SVM模型以及已有的恐怖行为预测算法CONVEX相比,CCS+SVM的性能在查全率和F值上分别提高1.5%和1.0%以上,而查准率和ROC曲线下面积(AUC)值与最好性能相当。实验结果表明,CCS+SVM能够较好地解决恐怖数据集中的属性值残缺问题。     

基于谱聚类欠取样的不均衡数据SVM分类算法

提出一种基于谱聚类欠取样的不均衡数据支持向量机(SVM)分类算法.该算法首先在核空间中对多数类样本进行谱聚类;然后在每个聚类中根据聚类大小和该聚类与少数类样本间的距离,选择具有代表意义的信息点;最终实现训练样本间的数目均衡.实验中将该算法同其他不均衡数据预处理方法相比较,结果表明该算法不仅能有效提高SVM算法对少数类的分类性能,而且总体分类性能及运行效率都有明显提高.     

基于B/S模式的含能化合物信息管理系统

为了将现有含能化合物的大量文字资料转化为数字资料,同时增强检索功能,方便科研人员使用,设计、开发了能够存储含能化合物基本信息、物化性能数据、爆轰性能数据和感度性能数据的数据库.该数据库涵盖了含能化合物的重要性能,实现了多用户对含能化合物二维结构及性能精确与模糊检索的功能,提高了检索的命中率和查全率.同时,该数据库为管理员提供了方便添加、删除、修改信息的操作,便于维护,保证了系统的稳定性及安全性.     

空间相关性分析的符号数据分类方法

针对目前符号数据的分类性能较低,通过挖掘属性值与标签之间可能存在的空间结构关系,提出了一种基于空间相关性分析的符号数据分类方法。该方法首先采用独热编码的方式对符号数据进行特征扩容,然后基于互信息和条件熵信息度量方法,定义了一种符号数据空间关系表示方法。在此基础上,分别结合支持向量机(support vector machine,SVM)和K-最近邻(K-nearest neighbor,KNN)模型分类器,提出了基于空间相关性分析的SVM分类算法(SVM classification algorithm based on space correlation analysis,SCA_SVM)和基于空间相关性分析的KNN分类算法(KNN classification algorithm based on space correlation analysis,SCA_KNN)两种分类算法。该方法既能够体现出属性值与标签之间的关联关系,也可以有效地度量不同属性值之间的距离或差异性。在标准UCI数据集上的实验结果表明,该方法在分类性能上更加有效。     

基于深度学习的航空发动机传感器故障检测

针对传统反向传播(BP)神经网络和支持向量机(SVM)存在的过拟合、维数灾难、参数选择困难等问题,提出了一种基于深度学习算法的航空发动机传感器故障检测方法.对发动机参数记录仪采集的多维数据进行预处理,建立基于深度置信网络(DBN)的故障检测模型,利用预处理后的数据对检测模型进行训练,经过DBN故障检测模型逐层特征学习实现了传感器故障检测.仿真结果表明:在无人工特征提取和人工特征提取的情况下,基于DBN故障检测的准确率均高于BP神经网络和SVM模型.