基于Alpha-NMF的AD样本分类及特异性基因选择方法

由于基因表达谱数据的高噪声、高维性、高冗余以及数据分布不均匀等特点使得在分析过程中仍然有很多挑战性问题。基于该目的,将一种无监督学习方法--非负矩阵分解方法,应用到基因表达谱数据中,挖掘出与AD相关的信息基因。然而标准NMF算法其效率较低,并且在基因表达数据的应用有效性低。为了适应该领域的需求,采用了Alpha-NMF算法。该算法能够有效的克服标准NMF算法的缺陷,获得较好的实验结果。多次运行Alpha-NMF算法,选取分类准确率和稳定性最优的实验结果,对其集合基因设定一阈值,筛选出集合基因中大于该阈值的信息基因。最后通过基因功能分类以及生物功能结构图来验证所提炼出的特异性基因的有用性和可靠性。     

基于Gabor小波和LLE的掌纹识别

为了更好地提取掌纹图像的非线性特征,文中提出一种基于Gabor小波变换和局部线性嵌入的掌纹识别算法。通过提取ROI进行光照和滤波预处理,之后进行Gabor小波变换,提取掌纹图像的多尺度特征,利用非线性的LLE算法提取主元,用最近邻方法进行分类。通过PolyU掌纹库进行验证,比较了预处理、不同ROI提取方法、LLE算法的参数对识别率的影响。实验表明,此方法相比于传统的线性降维算法以及单独的LLE算法在识别率上均有所提高。     

小波分析在图像消噪中的应用

针对图像消噪问题，提出了二维快速小波算法和改进小波包分析算法，通过对图像的消噪处理，二维快速小波算法消噪效果明显，但由于小波包分析算法对上一层的低频部分和高频部分同时进行细分，具有更为精确的局部分析能力，对小波包分析算法进行了改进，消除了频带混叠问题，其消噪效果更佳，可得到更为广泛的应用。     

基于FastICA算法和小波变换的雷达信号分选

传统的独立分量分析（ICA）算法对噪声敏感,存在很难正确分选带噪混合雷达信号的问题。针对该问题提出一种结合FastICA算法和小波去噪的改进算法。该算法首先利用小波阈值法对带噪雷达信号进行去噪,适当提高信噪比后再用FastICA算法进行分离,最后进一步对分离信号作矢量归一和再消噪处理,得到各个雷达源信号的最终估计。仿真结果表明,与传统的ICA算法相比,该改进算法可以有效地去除噪声,提高带噪雷达信号分选的准确率。     

基于主成分分析和独立成分分析的调制分类算法

基于主成分分析(PCA)和独立成分分析(ICA),提出了一种新的调制分类算法。算法采用PCA对样本数据降维、去除冗余成分,采用FastICA方法提取分类特征;采用支持矢量机(SVM)作为分类器,以解决数据在低维空间中的不可分问题。该算法具有较低的复杂度和较高的训练速度。仿真表明,与最大似然(ML)算法相比,算法仅具有1.8 dB的信噪比损失,在Rayleigh慢衰落信道和中速运动的条件下,算法对5种QAM调制类型具有较好的分类性能。     

基于粒计算的基因挖掘

有关基因挖掘及其功能分析的研究已有很多。近年来,研究者已进行了基因表达数据分析中的特征基因提取、基于粗糙集的基因表达数据分类研究、粒计算在基因微阵列数据特征选择中的应用等研究。应用粒计算约简理论对基因表达数据进行分析,有助于发现具有不同效用的基因;在粒计算的基础上对特征基因进行挖掘,是当今生物学与信息技术学相互联系进行研究的重点和热点。     

广播与电视

1410 声象理论与技术0503386小波分析在图像消嗓中的应用[刊,中]/李春鑫//光电技术应用.—2004,19(5).—25-27,32(D)针对图像消噪同题,提出了二维快速小波算法和改进小波包分析算法,通过对图像的消噪处理,二维快速小波算法消噪效果明显,但由于小波包分析算法对上一层的低频部分和高频部分同时进行细分,具有更为精确的局部分析能力,对小波包分析算法进行了改进,消除了频带混叠问题,其消噪效果更佳,可得到更为广泛的应用。参4     

一种低信噪比雷达信号分选方法

文章就低信噪比雷达辐射源信号分选问题提出一种结合FastICA和小波去噪方法的改进算法,通过仿真实验表明新算法能够有效提高信噪比,增强了信号的可识别性。文中还就算法的实现顺序分别进行了实验,并将其结果分别与FastlCA算法作了比较,证实新算法比FastICA算法性能更优越。最后,文中给出经过新算法分选后的信号能量损失比并给出相应分析。     

基于数据挖掘算法的电网调度信号异常数据提取方法

在获取电网调度信号后,大多采用传统深度置信型辨识制度提取异常数据,只能获取低维数据包含的异常信息参量,使得最终数据提取结果曲线下面积(AUC)值较低。因此,为了提高电网调度信号异常数据提取结果的AUC值,提出基于数据挖掘算法的电网调度信号异常数据提取方法。应用独立成分分析算法处理电网调度信号,去除信号中的噪声信息。并对去噪后的信号进行小波分解,得到多个子信号数据集。运用数据挖掘算法中的聚类算法分析子信号数据集,得到数据样本特征,并在考虑属性特征密度指标的情况下完成数据特征分类,获取异常数据特征。最后,在支持向量数据描述的辅助下,检测出电网调度信号异常数据,汇总这部分数据即可完成异常数据提取。实验结果表明,所提方法应用后得到的异常数据提取结果AUC值总是大于0.85,证明了其具优越的应用效果。     

小波包和改进粒子群算法的电力电子故障诊断

为提高广泛应用的电力电子电路故障的诊断准确率与速度，提出一种基于小波包变换和改进粒子群算法的电力电子电路故障诊断方法。首先，利用小波包对故障信号进行分解与重构得到小波包系数，应用Fisher准则降维并进行归一化处理，得到优化的故障特征向量；然后，采用具有扭曲粒子位置的措施和增加动态惯性权重系数的改进粒子群算法求取各类故障的故障特征中心，通过计算测试样本与故障特征中心的欧氏距离实现对故障的分类诊断；最后，通过典型电力电子电路仿真实验对所提出的方法进行实验验证。实验结果表明，文中选用改进后的粒子群算法进行故障诊断时，与小波包-BP神经网络和小波包-极限学习机比较，准确率分别提高了3.52%和6.3%，诊断所需时间分别减少2.4 s和3.5 s。     

基于原始波形的端到端阿尔茨海默症检测方法

阿尔茨海默症（Alzheimer’s Disease,AD）是一种退行性疾病,随着病情加重,患者的语言能力逐渐减弱.目前已经有研究者使用梅尔谱图、梅尔频率倒谱系数（Mel Frequency Cepstral Coefficient,MFCC）等声学特征对阿尔茨海默症患者和健康人进行分类,但是对于使用神经网络从原始波形提取特征进行阿尔茨海默症检测还缺少进一步的探索.本文提出一种基于原始波形的端到端阿尔茨海默症检测方法 .该方法使用一维卷积从原始波形中提取时间维度特征,并使用含有膨胀卷积的残差块提取更复杂的特征.为进一步提高性能,在残差块中引入挤压-激励模块.在全国人机语音通讯学术会议（National Conference on Man-Machine Speech Communication,NCMMSC）2021 AD数据集上,本文提出的模型在长音频测试集、短音频测试集分别达到了86.55%和81.35%的准确率,比基线系统分别提高了6.75%、7.35%.在INTERSPEECH2020 ADReSS数据集上,模型的准确率为66.67%,比基线系统提高4.17%.     

利用多数据处理方法提高LIBS谱信号质量

基于分段光谱特征值提取法和小波变换算法等多个数据预处理方法,分别针对分段基线差异及光谱噪声等严重影响激光诱导击穿光谱(LIBS)信号质量的主要影响因素,开展光谱信号预处理研究.基于实验室LIBS实验装置,通过实验验证,基于多通道光谱仪不同波段光谱特征值提取,提出了一种简单易行的多组数据中特征值点连接的方法,有效地提高了LIBS光谱信号的基线平直度,并得出以小波变换算法进行LIBS谱线信号去噪的最佳算法参数.在上述工作的基础上,使用基于误差反向传播的人工神经网络方法,实现了纯铜和不锈钢等物质种类的有效识别,研究结果表明,综合利用多数据处理方法进行LIBS技术中光谱信号处理可以有效提高谱线分析和识别的质量.     

基于跨视角相似度顺序保持的基因特征提取方法

基因表达数据通常具有维数高、样本少、类别分布不均等特点,如何提取基因表达数据的有效特征是基因分类研究的关键问题。该文借助相关分析理论,构建鉴别敏感的视角内相似度顺序保持散布并且约束鉴别敏感的视角间相似度相关,从而形成了一种新的基因特征提取方法,即相似度顺序保持跨视角相关分析(SOPACA)。该文方法在保持不同视角间特征类内聚集性和相似度顺序的同时具有较大的类间离散性。在癌症基因表达数据集上的良好实验结果显示了该文方法的有效性。     

基于谱回归和核空间最近邻的基因表达数据分类

肿瘤基因表达数据是典型的高维小样本数据,直接对其进行识别存在维数灾难,需要对数据进行维数约简.提出了一种基于谱回归分析和核空间最近邻分类器的基因表达数据分类方法,采用谱回归分析得到可有效提取低维鉴别特征的投影矩阵,然后通过投影矩阵对基因表达数据进行维数约简,得到的低维数据用核空间最近邻分类器进行识别.通过在Prosta...     

基于稀疏类别保留投影的基因表达数据降维方法

针对基因表达数据高维小样本特性所带来的维数灾难问题,结合回归和类别保留投影方法,提出一种新的基因表达数据降维方法,叫稀疏类别保留投影.相比类别保留投影,能有效避免类别保留投影在基因表达数据降维上存在的矩阵奇异和过拟合问题.通过对真实基因表达数据进行数据可视化和分类识别,验证了方法的有效性.     

基于快速独立分量分析和小波包变换的脑电信号消噪

本文提出一种小波包变换和快速独立分量分析相结合的方法对脑电信号进行预处理。首先利用小波包变换对脑电信号进行3层分解,对第三层的高频小波系数置零,以此达到去除随机噪声的目的,同时最大程度地保留了细节信息。其次,对经过小波包变换处理后的多路信号进行快速独立分量分析,将脑电信号与各噪声源信号分离开。为验证消噪算法的效果,本文对输出各分量进行相关性分析,实验结果显示各分量间的互相关系数的数量级为-15和-16,互相关系数近似为0,说明该方法的去噪效果很好。     

基于离散小波变换和主分量分析的P300分类算法研究

提出了一种应用离散小波变换(DWT)结合主分量分析(PCA)进行特征提取,然后用支持向量机(SVM)对P300进行分类的算法.该算法首先在一定预处理基础上使用离散小波变换对P300脑电信号分解,然后选取蕴含P300大多数信息的特征尺度进行小波重构,从而达到去噪增强的效果.然后使用PCA进行特征的提取和集中.最后使用支持向量机对提取到的特征分量进行分类.该算法将小波分解和主分量分析结合起来进行特征增强与提取,实验结果表明,该算法能够达到令人满意的正确分类率.     

基于小波包与支持向量机结合的滤波器故障诊断研究

首先介绍了小波包分解与重构算法和支持向量机的分类算法,然后以一个带通滤波器故障诊断为实例,利用小波包提取特征响应向量建立样本集,并利用支持向量机完成滤波器电路的故障诊断,诊断效果良好。     

基于数据处理的肿瘤基因选择系统

近年来,随着肿瘤医院就诊人数的不断增多,特征基因提取已成为中内外学者研究的热门,研究成果也为临床癌症的分析诊断及预测提供了极大的便利。然而,由于基因表达谱数据具有维度高、样本少、复杂多样的特点,准确地挖掘基因数据中所蕴含的肿瘤信息基因成为当前的首要挑战。文章阐述了在Matlab2010b编程环境下开发的肿瘤基因数据选择系统,介绍了改进后信噪比与支持向量机回归特征消去(SVM-RFE)的基因选择方法相结合对于基因选择的优异性,对于筛选出对分类有益的特征基因具有良好的效果。     

松脱件撞击波形检测算法

文中针对核反应设施松动件的检测，以碰撞波形检测为目标，提出了一种基于机器学习的松动件撞击波形检测方法。该方法以核反应设施中的传感器数据为输入基础，利用数据滤波、特征降维、机器学习等组合算法，实现松动件振动波形识别。实验结果表明，对数据进行滤波、降维后，利用GBDT算法，能有效识别不同类型的振动波形。此外，通过t-SNE算法对样本进行可视化后，发现经滤波和特征降维后的数据具有很好的聚类特征，有助于分类算法进一步完成分类识别。