基于自适应双正则化支持向量机的群体基因选择

通过结合部分自适应弹性网络惩罚和hinge损失函数,提出了一种能同时进行微阵列分类和基因选择的自适应双正则化支持向量机模型,并证明了该支持向量机具有自适应群体基因选择性能.     

基于非线性回归分析的差异基因选择方法

提出了一种新的用于微阵列基因差异表达多重假设检验的统计量计算方法,该方法利用基因表达值到各类样本数据中心的距离作为统计量进行多重假设检验,各统计量之间没有相关性,并且有效地减弱了数据噪声带来的假阳性结果,从而提高了多重假设检验的功效,所选择出的基因集也具有更好的分类能力.     

基于置换检验的两步基因特征选择算法

针对目前大规模基因数据集中存在大量的噪声和冗余基因这一问题,提出了一种基于置换检验的两步基因特征选择算法。该算法首先采用方差分析过滤噪声基因,然后采用相关系数过滤冗余基因,最后结合置换检验的方法,可以高效、自主地处理大规模基因数据集。采用PAM(prediction analysis for microarrays)分类器,在RSCTC 2010 Discovery Challenge提供的12个竞赛数据集作基因特征选择与分类实验,实验结果表明,提出的算法能够选择高分辨、低冗余的基因子集,与目前其他基因特征选择算法相比,可以提高分类器性能。     

粒计算在基因微阵列数据特征选择中的应用

对于许多模式识别问题来说,特征选择是一个非常重要的数据预处理技术,这对于维数高,而样本又相对较小的微阵列数据来说更是如此.提出一种将粒计算与传统的SVM-RFE算法相结合的特征选择算法.这种算法能够有效地去除大部分与分类无关的基因;并且能够搜索到基因数量相对较少而分类能力相对较强的信息基因子集.     

基于对数似然比的中文文本分类特征选择研究

在向量空间模型的中文文本分类系统中,多数传统的特征选择算法忽视低频单词对分类的正面贡献,互信息特征选择过分放大低频单词对分类的贡献。针对这一问题,通过引入对数似然比统计量,提出对数似然比特征选择算法。与互信息算法相比,低频单词对分类的贡献没有过分放大;与卡方算法相比,低频单词对分类的贡献计算更为准确。算法在考虑低频单词对分类结果产生正面影响的同时,能较好地控制其对分类产生的负面影响。采用KNN(K Nearest Neighbor)分类方法,特征选择选取对数似然比和传统特征选择算法,实验结果表明,对数似然比特征选择算法能够提高分类器的总体性能。     

对数线性模型的选择方法及其应用

为构造最佳对数线性模型,通过λ系数构造λ相关系数矩阵,将其作为对数线性模型中交互项选择的方法,并用于分析肺癌治疗数据。结果表明,选出的交互项可以构造最佳的模型对数据进行准确的分析,因此在应用对数线性模型分析前,先用相关系数矩阵进行探索性研究分析是很有必要的。     

线性回归分析在人脸识别中的应用研究

线性回归分类(LRC)算法中,借助一个依赖线性子空间的单一对象类模型,开发了一个线性模型,作为特定类库的线性组合来描述探针图像,并且借助于最小二乘法及其为了支持具有最小重构误差的类而制定的决策,解决了逆问题,但是并不能解决连续闭塞问题。基于此,提出了一种新颖的基于近邻子空间分类的识别方法,模块化线性回归分类(MLRC)算法。将LRC算法进行模块化,并且引入了一种基于距离的本征融合(DEF)算法用于决策。在FERET及ORL上的实验表明,与其它几种常用的方法相比较,MLRC算法在处理人脸识别问题上取得了更好的结果。     

Logistic曲线参数回归问题及其应用研究

提出了一种利用基因算法求logistic曲线参数的回归方法，同时给出了这种方法在研究计算机技术扩散过程中的应用。并将所得参数与文献给出的logistic曲线参数进行比较，结果表明，用基因算法确定的曲线公式所得计算值比用一般回归方法所得值与实际值更加吻合，说明基因算法在回归问题中具有很高的应用价值。     

对数凸函数的一个性质及其应用

本文导出了对数凸函数的又一性质，并利用该性质很方便地推导了一类不等式。     

随机删失情形下回归函数核估计的重对数律

针对二种回归函数核估计,本文研究了其收敛速度,在一定条件下,证明了其收敛速度符合重对数律。     

Logistic回归中的变量选择

在许多情况中,我们需要对logsitic回归模型中的重要变量进行选择,这适用于预测问题,本文从信息论准则出发提出了一种选择程序,并且证明了这些程序是强相合的。     

项目反应理论中参数的双重两步迭代估计

将经验Logistic回归用于项目反应理论中两参数Logistic模型的参数估计，得到第j个项目的项目参数向量βj=（αj，λj)的两步估计；βj=（xj’∑f^-1Xj)^-1Xj‘∑j^-1Yj，由于Xj含有未知的讨厌参数θ，我们结合上式的结果对θ进行再估计。从而形成一种新的估计方法-双重两步迭代估计。蒙特卡洛模拟结果显示，这种新的估计方法提高了估计对真值的恢复能力。     

基因选择的快速Fisher优化模型

基因选择是基因芯片数据分析中的一个重要问题。基因选择的主要困难在于基因数远远大于实验样本数。在Fisher优化模型的基础上,提出了快速Fisher优化模型,从而使得算法的计算规模主要依赖于样本数而不是特征数,大大提高了计算速度。在公共数据中的实验表明该方法速度快,选择的基因对分类结果是有效的。     

二分Logistic模型在分类预测中的应用分析

利用二分Logistic回归模型解决0-1区间事件发生概率问题,对成都市小型物流企业信息技术采纳与否进行分类预测,共提取出组织能力、渠道能力、研发能力和设备能力4个公共因子,采用自变量强制进入法建立回归模型,最后预测分析显示模型拟合效果比较理想,对企业信息化建设具有一定的指导意义.     

太行山猕猴掌骨性差的逻辑回归分析

对猕猴掌骨变量的性差进行逻辑回归分析,用ROC分析来比较掌骨变量、左右侧掌骨和5根掌骨的性差大小.成年掌骨标本44例(14雄,30雌).数据分析采用SPSS20.0软件.选择掌骨的7个变量.采用逐步逻辑回归分析选择最佳变量.结果表明:掌骨长度是最好的性差指示变量,然后是掌骨头和掌骨底变量,最小的是掌骨骨干宽和高.总体性别正确判别率是71.4%~100.0%.ROC分析显示左右侧掌骨性差差异很小,ROC曲线下面积(AUC)分别是0.969和0.978.逻辑回归结果是MC2、MC4和MC5判别率较高(90.0%~94.9%);MC1和MC3判别率较低(85.8%~87.5%).结果提示:猕猴掌骨性差显著.掌骨性差模式可能与人类不同.掌骨变量的性差特征反映了遗传与后天行为因素的交互作用.     

太行山猕猴跖骨性差的逻辑回归分析

用猕猴跖骨变量建立性别判别逻辑回归模型,用ROC分析来比较跖骨不同变量、不同侧别和每根跖骨的性差大小.成年跖骨标本45例(31雌,14雄).选择跖骨的7个线性变量.数据分析采用SPSS20.0软件.结果表明:跖骨长度变量是最好的性别标识变量,然后是跖骨头和跖骨底变量,最小是跖骨骨干变量.总体上性别正确判别率较高(84.4%~95.6%).ROC分析显示左右两侧之间的差异很小(AUC分别是0.922和0.956).5根跖骨逐步逻辑回归结果的是MT3,MT4,MT5判别率较高(88.9%~95.6%).MT1和MT2判别率较低(84.4%~86.7%).结果提示:猕猴跖骨性差显著,跖骨的长度变化主要受基因控制,骨干宽度主要受到环境因素的影响.跖骨的性差模式主要反映了遗传、环境与行为因素的交互作用.     

多元回归中因子分析和选择问题初步探讨

讨论了多元线性回归分析中因子选择存在的问题．建议在选择因子时，将Fa作为选择因子的门限值．而不作为假设检验的显著性界限．在逐步回归的基础上，提出以剩余标准差最小为准则的改进算法．文中计算了四例，全部取得最优因子．     

Logistic回归及其在概率降水预报中的应用

介绍了一种气象上较少应用的Logistic回归的原理和计算方法，并利用1999年3月1日至2001年5月30日期间，国家气象局T106模式输出的80个物理量场及其导出场资料和福州地区降水的0、1化资料，采用Logistic回归方法，制作春季福州24h降水概率预报，并与事件概率回归方法作了比较。结果表明，该方法对二分类变量有较好的预报效果。     

基于逻辑回归函数的加权K-means聚类算法

传统K-means聚类算法通过欧式距离计算样本的相似度,将数据所有的属性特征均平等对待,忽略每个属性特征的不同贡献,导致样本相似度计算的准确率不高.针对这个不足,提出一种特征加权的K-means算法进行优化.首先,运用Softmax和Sigmoid逻辑回归函数计算特征权重,使得加权的欧式距离更能准确地表示样本相似度;其...