组套索超图正则化特征选择方法及抑郁症分类研究

【目的】抑郁症分类诊断研究中，特征选择扮演了重要角色。【方法】针对现有超图正则化特征选择缺失组效应信息问题，提出基于组套索的超图正则化特征选择方法。首先，对抑郁症功能磁共振影像(functional magnetic resonance imaging, fMRI)数据集进行预处理。其次，基于预处理后的功能磁共振数据，构建5个不同尺度的脑网络模型并计算拓扑属性提取特征。基于提取的特征，利用组套索方法构建超图，利用超图正则化特征选择方法进行特征选择。最后，使用支持向量机构建分类模型并评估分类性能。此外，还在UCI数据集中验证了所提方法的有效性。【结果】所提方法在5个不同节点定义模板下，均高于传统的特征选择方法。此外，在模板的节点数量相似的情况下，此方法有更高的分类诊断性能。     

组稀疏贝叶斯逻辑回归的P300信号通道自动选择算法

为了提高脑机接口中P300脑电信号的分类准确率和计算速度,提出一种组稀疏贝叶斯逻辑回归的P300脑电信号通道自动选择算法.该算法首先在贝叶斯框架下建立P300脑电信号的解码模型,其次提出先验的组自动相关确定(GARD)方法构建组稀疏约束下的P300脑电通道权重系数,最后通过最大似然估计来求解超参数并选出P300脑电通道最优子集,避免了大量的交叉验证过程.所提方法在BCI竞赛数据和自采集数据上进行了验证分析.实验结果表明,所提的方法能够自动选择P300脑电通道子集,提高了P300特征分类准确率.     

Group Lasso方法的脑功能超网络构建及分类研究

传统的超网络构建方法受到脑区间组效应的影响,所构建的超边存在一定的随机性,从而缺少解释分组效应信息的能力,最终降低了分类准确率。提出了一种基于Group Lasso的超网络构建方法,并将其应用在自闭症患者的自动诊断中。利用该方法所构建的超网络,将传统方法中单一变量的选择替换为组变量的选择,即在预先定义的变量组的基础上进行变量选择。结果表明,与传统超网络构建方法相比,基于Group Lasso的超网络构建方法可以有效地去除组效应的影响,并提高分类准确率。     

时变特性的人脑超网络构建方法及其分类

脑网络已在神经成像领域内得到广泛的应用。近年来,高阶功能连接网络和超网络在脑疾病诊断方面取得了较大的进步。然而,两种网络均存在相应的问题：高阶功能连接网络虽然考虑了网络的时变特性,但并不能处理网络中的空间多元交互问题;而超网络虽然可以表征多个大脑区域之间的相互关系,但并未考虑网络的动态特性。为了解决以上问题,本文融合了高阶功能连接网络和超网络的特性,提出一种具有时变特性的脑功能超网络的构建方法。该方法在考虑到脑网络时间动态性的基础上,基于LASSO方法进行脑功能超网络构建,并将该网络应用至脑疾病诊断中。该网络消除了上述两个网络的弊端,结果表明,该方法的分类准确率达到86.36%,显著高于之前所提出的方法,能有效提高抑郁症的分类表现,具有重要的理论意义和临床价值。     

基于独立成分的加权高阶脑网络的分类方法

为了解决传统的磁共振成像数据分类方法正确率较低的问题,提出了一种基于独立成分分析的高阶功能连接网络,使用加权图的频繁子图挖掘和判别性特征选择进行分类研究的方法。该方法不需要依赖先验的脑图谱模板,充分考虑了扫描时间内的时变特性,且将频繁子图挖掘应用到了加权图上。同时为了更准确地找到具有判别性的子图特征,也提出了几种新的判别性特征选择方法。结果发现基于独立成分的加权高阶脑网络的静息态功能磁共振成像分类方法有效地提高了阿尔兹海默症诊断的正确率。     

基于集合经验模式分解和公共空间模式的脑电信号特征提取

公共空间模式(common spatial pattern,CSP)能够较好地提取运动想象任务时脑电信号的判别特性,但是其性能与大脑进行想象任务的频带相关。为了确定这样一组频带实现精确的分类,基于集合经验模式分解、FIR滤波器组以及公共空间模式算法提出了一种脑电特征提取方法。预处理去除伪迹后的信号首先经过集合经验模式算法获得多个模函数,然后选择出包含μ节律和β节律范围的分量实现信号重构,重构后的脑电信号作为带通滤波器组的输入得到若干子带信号集合,从每个子带信号中提取CSP特征,最后将提取的特征经过支持向量机(support vector machine,SVM)进行分类。运用该方法对脑-计算机接口(brain-computer interface,BCI)竞赛数据集进行分类,实验表明该方法能够自适应地提取、筛选和判别每个受试者的空间CSP特征,分类准确率达96. 53%。     

Hyper-SegUNet:基于超网络的超参自学习医学图像分割模型

为解决在训练UNet及其变种时需要手动选择超参数的缺陷，提出一种嵌入超网络(Hypernetworks)的医学图像分割模型Hyper-SegUNet.首先，构建编码器和解码器组成的U型网络结构.然后，将多组超参数作为解码器的输入单元，进而输出多组不同超参数下的性能，并从中挑选最优超参数.在腹部多器官分割数据集Synapse和心脏单器官分割数据集ACDC的实验结果表明，该模型可以自动选择超参数，而且分割准确性优于基线方法.     

基于Gabor滤波器组和特征分组神经网络目标识别

就模式识别中特征提取和分类决策两个阶段进行了研究．在特征提取方面，提供了一种用于提取图像不同中心频率和方位特征的Gabor滤波器组的设计方法；在分类决策算法方面，提出了一种基于图像的Gabor滤波特征的特征分组神经网络分类算法，该算法将一个复杂的模式识别问题分解为几个简单问题来处理，降低了问题的复杂度，同时还取得了一定的抗有限带宽噪声的效果．     

基于格兰杰因果分析的MCI脑网络分类研究

使用静息态fMRI脑数据,构建了基于格兰杰因果分析的有向功能脑网络,对正常对照组和轻度认知障碍的早期和晚期进行识别。在特征选择部分,有向脑网络的局部属性和全局属性被施以双样本t检验,三组间具有显著差异的属性被选作分类特征;接着,支持向量机算法被应用于后续的分类。最后,运用单因素方差分析探测三组间两两均具有显著差异的脑区信息。实验结果表明,本研究取得了较好的分类效果,颞中回、楔前叶、海马旁回等许多脑区在3个考察组中均体现出了显著性差异,这与已有研究的结果基本一致。     

基于多重假设检验市长公开电话文本的自动分类

提出一种基于多重假设检验的特征加权朴素贝叶斯分类算法, 该算法通过特征选择方法得到多个特征词集合, 再按多重假设检验错误率为每个特征词集合配以不同的权重系数并参与到分类器的构建中. 该方法已经应用到市长公开电话的文本分类中, 通过构建的3个特征加权朴素贝叶斯分类器实现了投诉文本的计算机自动分类, 且相对传统方法提高了分类器的效率和精度.     

基于演化超网络的DNA微阵列数据分类方法

为能够更好地从高特征维度的DNA微阵列数据中挖掘癌症相关基因,实现对恶性肿瘤的分子分型,提出了一种基于演化超网络模型的DNA微阵列数据分类方法?演化超网络是受生物网络启发而建立的一种认知学习模型,其学习过程非常适用于发掘基因间的相互作用?该方法采用信噪比进行基因选择,选择后的基因经归一化后用于演化超网络的学习和分类?通过急性白血病和结肠癌2种数据集进行实验,结果表明,演化超网络在分类精度方面与当前其他方法有较高的可比性?     

一种基于增量式超网络的多标签分类方法

在层次多标签分类问题中,一个样本同时被赋予多个类别标签,并且这些类别标签被组织成一定的层次结构。层次多标签分类问题的主要挑战在于：①分类方法的输出必须符合标签的层次结构约束;②层次深的节点所代表的标签往往只有很少的样本与之相关,造成标签不平衡的问题。提出一种用于层次多标签分类问题的增量式超网络学习方法(hierarchical multi-label classification using incremental hypernetwork, HMC-IMLHN),通过将超网络的超边组织成相应的层次结构,使输出的预测标签能够满足标签的层次约束。此外,超网络学习方法可以利用标签之间的关联减少标签不平衡问题对分类性能的影响。实验结果表明,与其他层次多标签分类方法相比,提出的增量式超网络方法能够取得较好的分类准确性。     

支持向量机在大类别数分类中的应用

研究支持向量机在大类别数分类中的应用;结合二叉决策树的基本思想提出一种基于支持向量机（support vector machine,SVM)的大类别数分类解决方法,即SVM决策树方法,对不同背景下可选用的SVM决策树的结构进行了讨论,分析了SVM决策树的特点,并对其识别错误率进行数学进行,结果表明该方法可降低平均分类错误率,对实际应用中的多类分类问题提供新的途径。     

基于动态调整的GA-SVM多分类二叉树的方法

基于遗传算法的支持向量机决策树多分类方法仍然存在错误累积的问题,累积的错误往往使分类准确率下降,分类效果变差,存在全局优化缺陷的问题;并且在每个节点进行二分类常用的实数编码切分方法,效率低下。针对这两方面的问题,提出从根节点开始逐层构造二叉树,运用二进制编码的遗传算法进行每一阶段的二叉树构造。二进制编码对于每个节点的分类以及进行交叉、变异更高效,不用考虑从什么位置切分。针对越靠近根节点产生的误差对后续节点分类误差的累积影响,提出一种动态调整的方法,此方法对每个节点赋予权重再进行对权重的调整使得整体的分类误差减小,最终得到二叉树的全局最优,从而提高分类精度。通过实验并进行五折交叉验证表明,DABT-SVM比多种传统的支持向量机多分类算法在全局优化能力和分类精度上有很大的提升。验证了该算法的可行性和有效性。     

基于不完全树结构小波变换及FKCN 的纹理分割

提出了一种新的不完全树结构小波变换用于纹理特征提取，提出了一种与人类视觉过程相一致的多分辨率多通道纹理分析方法，它由(1)特征提取：使用不完全树结构小没变换抽取纹理特征；(2)基于模糊Kohonen聚类网络的特征粗分类：使用缩减的特征向量对网络进行训练，得到粗分割结果；(3)粗分割结果的细化等几部分构成。实验结果证明了本方法的有效性。     

基于机器学习的边缘检测方法研究

传统的边缘检测方法具有一定的局限性,且自适应能力差,提出一种基于机器学习的边缘检测方法来解决上述问题.实验图像从伯克利图像数据库中选取,以Harr和梯度直方图(HoG)构成特征空间,将AdaBoost算法和决策树算法相结合进行分类器训练.实验结果表明,机器学习的边缘检测算法有更高的分类准确率.     

高分卫星在气候适应型试点城市绿地变化监测中的应用

绿地建设是气候适应型城市建设的重要内容之一,为客观评价建设情况,基于高分系列多光谱数据,以常德城区作为研究区域,选用包括纹理特征的26项特征变量,构建CART（Classification And Regression Tree,分类与回归树）决策树进行面向对象监督分类,使用Khat方法完成分类精度评价。精度评价数据表明,2014至2019年6年间的总体分类精度大于90%,Kappa系数大于0.8,绿地提取的用户精度与制图精度达到89%,验证了该方法在城市绿地的提取工作的上具有可行性。分析常德城区近6年的绿地变化监测结果,得出城市绿地面积从2014年的149.01km2上升至2019年的166.79km2,面积增加17.78km2,增长率11.93%,经与实际变化趋势比对一致。结果表明,基于CART决策树的面向对象高分遥感解译方法,具有一定参考价值,可为气候适应型试点城市绿地变化监测评估提供有效依据。     

结合最优类别信息离散的细粒度超网络微阵列数据分类

针对传统演化超网络只能有效处理二值数据输入的问题，提出一种结合最优类别信息离散（Optimal Class-Dependent Discretization， OCDD)的细粒度演化超网络模型，对连续数据进行离散化生成细粒度二进制编码，并通过对其进行演化学习得到具备决策能力的超网络分类器.该方法避免了传统超网络模型对连续数据进行直接二值化后的高信息损失，使演化超网络的概率估计更接近于数据真实分布，提高了超网络的决策分类能力.对结肠癌、肺癌、前列腺癌和急性白血病4种DNA微阵列数据集进行实验的结果表明，结合OCDD的细粒度演化超网络具有比传统演化超网络更高的识别率和鲁棒性.     

基于分离程度的二叉树的多类SVM在焊接缺陷分类和识别中的应用

本文提出了基于分离程度的SVM决策树的焊缝缺陷分类识别方法。首先对X射线焊缝图像进行缺陷特征提取,然后结合聚类的思想,定义了分离程度,每次将分离程度最大的缺陷类分离出来,成功解决了传统欧氏距离不能处理的类交叉分类情况,得到了累积误差更小的决策树。将基于分离程度的二叉树的多类SVM算法运用于X射线焊接缺陷图像的分类识别,通过计算机仿真,表明该方法比其它SVM多分类算法在分类精度和识别效果方面有明显的提高。