基于改进的ReliefF算法的神经网络集成分类模型

为进一步提高集成学习中各个神经网络的差异性，该文采用了一种改进的特征选择方法一基于概率抽样的ReliefF算法，并将其引入到集成所用的Bagging方法中。实验结果表明，该文提出的基于改进的KelietT算法的神经网络集成分类模型的泛化能力优于Bagging方法。

一种基于资源优化神经网络(RON)的文本分类方法

应用有指导的机器学习方法实现了一个文本分类器。运用改进型的CHI统计量方法对分词结果进行特征提取,对传统的TF-IDF加权公式进行了一些改进(称之为:ETF-IDF),运用资源优化神经网络RON(Resource-optimizing Networks)构建分类器。在复旦大学提供的中文文本分类语料库上进行分类实验,实验结果表明该分类器较之BP算法有较高的分类质量,且ETF-IDF加权公式较之传统的TF-IDF加权公式有其优越性,提高了分类的精度和性能,满足了中文文本自动分类的要求。

基于交叉覆盖算法的蛋白质二级结构预测方法

蛋白质二级结构预测在蛋白质空间结构预测中起着承上启下的重要作用。近年来，大量的方法应用于二级结构预测中，其中，神经网络算法效果较好。但是，由于传统的神经网络存在结构复杂、学习速度慢、运行效率低、处理海量数据困难的缺陷，大大影响了预测的效果，因此，该文将一种基于构造性神经网络算法，也就是交叉覆盖算法应用于蛋白质二级结构预测中，另外，为了引入更多的同源家族结构的信息，采用了基于概率的Profile编码方式。通过实验证明将交叉覆盖算法运用在蛋白质二级结构预测中的可行性．并且比传统的神经网络方法有了更高的准确率。