基于稀疏矩阵结构的特征选择算法现状研究

在信息时代,数据获取方式简单快捷,使得数据量呈指数型增长。然而这些数据往往是多源高维的,增加了模型的复杂度,容易造成模型过拟合,并且数据中存在的冗余特征会降低模型分类精度。特征选择算法旨在通过去除不相关、冗余或嘈杂的特征,从原始特征中选择一小部分最有效特征,达到降维的效果。目前特征选择算法种类繁多,其中,基于稀疏矩阵结构的特征选择算法由于具有模型简单易懂和易求解的特点而被学者们广泛关注。本文归纳总结了基于稀疏矩阵结构的特征选择算法分类,重点介绍了鲁棒特征选择模型和多视图特征选择模型。首先,介绍了基于稀疏矩阵结构的特征选择算法基本框架;然后,介绍了基于稀疏矩阵结构的一般模型、鲁棒特征选择模型、多视图的特征选择模型,比较了它们在解决目前特征选择算法研究难点中存在的优势和不足;最后,对基于稀疏矩阵结构的特征选择算法进行了总结。文章阐明了理论研究中存在的问题和难点,探讨了基于稀疏矩阵结构的特征选择算法发展思路。     

基于原始套接字的网络安全研究与实现

围绕信息的获取、使用和控制的竞争愈演愈烈,网络安全问题变得日益重要,信息安全成为维护国家安全和社会稳定的一个焦点。如何辨别防御与攻击和增强网络安全已成为网络运营商和技术管理人员、甚至普通网络用户研究的问题。在网络安全方面,利用原始套接字实现网络嗅探可以有效地探测在网络上传输的数据包信息,对这些信息的分析有助于网络安全的维护．     

大米生物保鲜技术的研究

大米含水量在14．5％-16％时,添加大米保鲜剂,使大米既能保持较好的外观和口感,又能解决大米的保鲜贮存问题,以延长大米的保质期。     

非酒精脂肪肝药物Elafibranor类似物的合成研究

Elafibranor药物口服生物利用度很低,药理活性不甚理想。故对其进行合理的结构改造,提高Elafibranor的生物利用度和药理活性,筛选出更为有效的药物具有重要的意义。本文设计并合成了一个Elafibranor衍生物,并探索了该类似物的合成条件。其类似物的化学结构经高分辨质谱和核磁鉴定。     

魔芋的药效及加工利用

魔芋(Amorphophallus Konjac.K.Koch)亦称鬼芋、蛇头子、天南星等,属单子叶植物纲、天南星科。魔芋属,为多年生草本、球状块茎,含魔芋甘露聚糖(Konjacmnnan),又称葡甘露聚糖。干粉     

流域生态保护导向下的高原湖泊城市国土空间总体规划探索

高原湖泊流域地处大江大河上游,在我国生态安全格局中占有重要地位。流域内过度开发是当前高原湖泊出现生态环境问题的主要原因,高原湖泊流域的生态保护应以其所在城市的国土空间总体规划为抓手,在全域范围内整体统筹协调建设发展与生态保护的矛盾。文章聚焦高原湖泊流域生态保护与治理面临的三大问题,以流域生态保护为导向,提出高原湖泊城市国土空间总体规划编制思路,以及目标维度、空间维度、要素维度三大方面的规划策略,并以昆明市国土空间总体规划为例开展实践探索。     

浅谈电气自动化中无功补偿技术

近年来,我国在电气自动化方面有了很大程度的推动,但在电气自动化设备的运行过程中,时常会因为负荷变化而引起的非线性因素,所以,就应该应用进无功补偿技术来解决这种情况的发生。本文对电气自动化中无功补偿技术进行了分析,供参考。     

略论文艺复兴建筑的历史成因及历史地位

文艺复兴是西方建筑史上最重要的时期,本文从西方文化思想和艺术发展的整体角度,运用“轴心时代”理论和“否定之否定”的观点对文艺复兴的产生和作用给予历史定位和解释。     

基于上下游转录调控的特征数据识别关键microRNA

近年来,基于机器学习的microRNA与复杂疾病之间的关系预测受到广泛关注。然而现存的方法大多是围绕microRNA表达谱,相似性网络,序列特征等角度开发的,忽略了转录调控信息的重要性。基于此提出了一种新的基于microRNA上下游转录调控特征数据的机器学习算法(RPDZ)去预测癌症相关microRNA的重要性。此方法首先通过手动搜索和批量处理高通量数据,计算和整合microRNA上下游的特征数据,然后利用随机森林进行有效的特征提取,最后利用深度神经网络更好地捕捉疾病与microRNA的关系,更好地预测microRNA的重要性得分。使用ROC曲线下方的面积(AUC)、F-measure值和准确度(ACC)作为评估预测性能的指标。通过五折交叉验证的实验表明所提出的算法(ACC:0.874 8,AUC:0.93,F-measure:0.870 1)相比其他三种对比方法PESM、SVM、GaussianNB可得到更好的分类识别效果。算法不仅可以有效地整合多组学特征数据识别关键的miRNA,还可以为精确和自动化的计算机辅助诊断奠定基础。     

基于上下游转录调控的特征数据识别关键microRNA

近年来,基于机器学习的microRNA与复杂疾病之间的关系预测受到广泛关注。然而现存的方法大多是围绕microRNA表达谱,相似性网络,序列特征等角度开发的,忽略了转录调控信息的重要性。基于此提出了一种新的基于microRNA上下游转录调控特征数据的机器学习算法(RPDZ)去预测癌症相关microRNA的重要性。此方法首先通过手动搜索和批量处理高通量数据,计算和整合microRNA上下游的特征数据,然后利用随机森林进行有效的特征提取,最后利用深度神经网络更好地捕捉疾病与microRNA的关系,更好地预测microRNA的重要性得分。使用ROC曲线下方的面积(AUC)、F-measure值和准确度(ACC)作为评估预测性能的指标。通过五折交叉验证的实验表明所提出的算法(ACC:0.8748,AUC:0.93,F-measure:0.8701)相比其他三种对比方法PESM、SVM、GaussianNB可得到更好的分类识别效果。算法不仅可以有效地整合多组学特征数据识别关键的miRNA,还可以为精确和自动化的计算机辅助诊断奠定基础。