基于多线性主成分分析的支持高阶张量机

为了处理张量数据,传统的学习算法常常把张量展成向量,但会造成破坏原始数据固有的高阶结构和内在相关性,导致信息丢失,或产生高维向量,使得后期学习过程中容易出现过拟合、维度灾难和小样本问题.近年提出了许多基于张量模式的分类算法,而支持高阶张量机算法是张量分类算法中最有效的方法之一.考虑到张量的高维性和高冗余性,本文提出基于多线性主成分分析的支持高阶张量机分类算法(Multilinear Principle Component Analysis Based Support High-Order Tensor Machine,MPCA+SHTM).该算法首先利用多线性主成分分析对张量进行降维,然后利用支持高阶张量机对降维后的张量进行学习.在12个张量数据集上的实验表明:MPCA+SHTM在保持测试精度的情况下有效地降低了SHTM的计算时间.     

基于蚁群寻路的图像分割算法

文章主要是对蚁群算法做了一定的改进,将它用于图像分割,然后将分割出来的图像的边界利用腐蚀算法进行细化以达到更好的分割效果。分割算法可以看作一个组合优化问题,人工蚁群算法就是一种优化方法。因此,将人工蚁群算法引入到图像分割处理中完全可行。经过实验证明,该方法是完全可行的。     

牡丹野生种根际土壤细菌群落特征分析

【目的】植物根际微生物群落由土壤环境和根系代谢活动共同作用产生，在植物生长发育过程中发挥重要功能。解析牡丹野生种在引种地根际土壤细菌群落特征，对有效利用微生物资源和保护野生植物种质资源具有重要的理论意义，为改良牡丹野生种的土壤环境、实现优质种质资源广谱性种植奠定基础。【方法】应用MiSeq高通量测序技术对大花黄牡丹(Paeonia ludlowii)、狭叶牡丹(P.potaninii)、紫牡丹(P.delavayi)、黄牡丹(P.lutea)、紫斑牡丹(P.rockii)、杨山牡丹(P.ostii)、四川牡丹(P.decomposita)、稷山牡丹(P.jishanensis)和卵叶牡丹(P.qiui)9个牡丹野生种根际土壤样品进行16S rRNA基因测序，并分析其与理化指标的相关性。【结果】高通量测序共获得606 536条序列和99个OTU聚类，隶属于24门、84纲、154目、280科和603属。Alpha多样性分析表明杨山牡丹根际微生物群落包含的物种数目最高，Beta分析发现四川牡丹、紫斑牡丹、黄牡丹、杨山牡丹、紫牡丹和大花黄牡丹根际土壤中细菌群落结构更为相似。细菌群落组成分析结果...