基于输出不一致测度的极限学习机集成的基因表达数据分类

选择性集成学习已经成为分析基因表达数据、获取生物学信息的有力工具.为了更好地挖掘基因表达数据,利用极限学习机的集成,克服单个ELM用于数据分类时性能欠稳定的缺点,文中提出了一种基于输出不一致测度的ELM相异性集成算法(D-D-ELM).算法首先以输出不一致测度为标准对多个ELM模型进行相异性判断,其次根据ELM的平均分类精度剔除掉相应的模型,最后对筛选后的分类模型用多数投票法进行集成.算法被运用到Breast、Leukemia、Colon、Heart基因表达数据上,并通过理论和实验得到验证.实验结果的统计学分析表明D-D-ELM能够以更少的模型数量达到较稳定的分类精度.     

网络化虚拟测控系统的设计

为满足计算机专业教学和测控仪器开发的需要,设计了基于网络、虚拟仪器和SOPC技术的网络化虚拟测控系统。该系统由PCI接口卡、基于NiosII软核的SOPC数据采集系统组成,使用Labview技术构建了C/S模式的远程数据采集和管理体系结构,并基于Windows DDK与VC++语言开发了PCI接口驱动程序。实际应用表明,该系统具有开放性、灵活性以及易用性等优点,达到了预期目的。     

基于LS-SVM的多传感器气体质量流量测量

针对流量测量中流速分布不规则对气体流量测量精度的影响,提出了一种多传感器气体质量流量测量新方法。该方法基于均速管测量原理,在测量管道中按照对数线性法分布了4个热式气体流量传感器,采集不同特征位置的流量。通过流量标定实验,获得不同质量流量下测量管道内4个传感器的电压。然后利用GA和LS-SVM算法,将传感器电压和气体的质量流量作为训练集,建立了气体流量模型。实际测量中由4个传感器的电压计算出气体的质量流量。不规则流场的流量实验结果表明该方法是有效的。     

燃料电池堆组件退化现象对输出性能的影响

电堆或单电池的组件在长期使用过程中,会出现损耗或功能性退化现象,严重影响发电系统的输出性能和安全可靠性。这种现象的形成有着复杂的内在因素,所造成的输出性能下降形式也难以简单描述。该文首先根据伏–安(V-I)特性曲线各阶段的不同特点,初步研究了组件退化现象对输出性能的影响机制。其次,提出一种基于曲线函数比较的数学方法,实现输出性能下降程度的量化计算。最后,针对多个相同规格、不同使用程度的燃料电池堆,设计实验验证算法有的效性。     

不平衡数据知识挖掘：类分布对支持向量机分类的影响

基于标准支持向量机及其启发，提出并证明支持向量数（率）和边界支持向量数（率）的界，并分别推广到正例类和反例类．在此基础上，证明正例的分类精度依概率小于反例的分类精度．虚拟数据仿真和Benchmark数据仿真表明本文所提方法的有效性和结论的正确性．     

基于多模型和SVM逆系统单元机组解耦控制

火力单元机组协调控制系统是一个多变量、强耦合的控制系统,具有非线性、耦合和延迟等特性,其性能直接影响单元机组运行的安全性和经济性.为了有效解决火力单元机组协调控制系统的耦合特性和动态非线性,设计了基于多模型和支持向量机(SVM)逆系统的解耦控制方法,并进行了相应实验研究.针对一个300 MW单元机组的试验仿真模型,得到单元机组在5个典型工作点的线性化模型,然后对每个线性化模型分别设计SVM逆模型及其动态PID控制器,进而用模型线性组合成多模型全局控制系统.通过加权多项式选取合成的多模型控制方法,可以解决负荷大范围变化引起的非线性问题;支持向量机与逆系统的结合能很好地解决非线性系统的强耦合问题.仿真研究证明了这种控制算法设计的有效性和优越性.     

基于支持向量机的代价敏感挖掘

针对一些数据挖掘应用中反例样本和正例样本具有不同误分类代价的情况，提出一种代价敏感支持向量机算法CS-SVM．CS-SVM包括3个步骤：首先，引入Sigmoid函数，根据样本到分类超平面的距离估计其后验概率；然后，根据误分类代价最小原则重构训练样本的类标号；最后，在重构后的训练集上使用标准SVM进行学习即得到嵌入误分类代价的最优分类超平面．基于CS-SVM的思路，提出一个通用的嵌入误分类代价的代价敏感分类算法G-CSC．试验结果表明：相比于SVM，CS-SVM大大降低测试集上的平均误分类代价．     

嵌入误分类代价和拒识代价的极限学习机基因表达数据分类

为了实现代价敏感分类过程中的最小平均误分类代价的目的,本研究通过在分类过程中引入概率估计以及误分类代价重新构造分类结果,提出了基于极限学习机(extreme learning machine, ELM)的代价敏感算法CS ELM并在上述算法基础上,引入“拒识代价”,进一步减小了平均误分类代价。算法被运用到基因表达数据集上并与极限学习机、代价敏感决策树、代价敏感BP神经网络和代价敏感支持向量机做对比,可以得出,嵌入拒识的CS ELM算法能够更好地降低误分类代价,使分类结果更加可靠。     

基于支持向量机的非线性内模解耦控制

针对非线性内模控制在应用于多变量系统时逆模型难以建立的问题, 提出了支持向量机α阶逆系统的内模解耦控制方法. 该方法利用支持向量机辨识非线性系统的逆模型, 并将其串连在原系统之前, 运用逆系统方法的思想, 将一个多变量、非线性、强耦合的复杂系统通过反馈线性化解耦成多个相互独立的单输入单输出的伪线性复合子系统. 对求得的伪线性系统采用内模控制方法进行控制. 仿真试验表明该方法不需要系统精确的数学模型, 较一般的逆系统方法鲁棒稳定性好, 设计简单, 跟踪精度高, 是解决多变量非线性系统控制的一种可行的理论方法.     

基于聚类和微粒群优化的基因选择方法

在高维的基因表达谱数据中,只有少量基因对分类诊断其作用,而且还存在大量冗余的与癌症分类诊断无关的噪声基因,这些都会导致分类性能的下降。通过基因选择选取与分类紧密关联的基因,不仅能够剔除与疾病无关的基因,减少机器学习算法的时间复杂度和空间复杂度,提高分类的正确率,而且选出的特征基因可以作为肿瘤基因诊断和肿瘤药物治疗靶标确定的依据,降低后期生物学分析成本。本文提出一种基于聚类和粒子群算法（Particle swarm optimization,PSO）的基因选择方法,在PSO算法进行搜索之前,先对基因进行聚类,并对聚类结果进行选择,将被选中的簇的中心作为PSO的初始值,每个被选中的簇作为一个搜索空间,并利用极限学习机（Extreme learning machine,ELM）的分类精度作为特征选择的适应评价标准。该算法不仅有效地利用了聚类算法对基因进行初步归并的能力,也利用了PSO算法的全局优化能力,克服了传统PSO算法早熟、局部收敛速度慢的缺点,因此它能够高效地完成最优基因子集的确定,同时提高癌症分类正确率。