基于人工神经网络集成的微阵列数据分类

基因数量远多于样本数量是基因表达微阵列数据进行疾病诊断所面临的主要挑战,为此提出了采用人工神经网络集成的组织分类方法.该方法使用Wilcoxon测试选择用于与分类相关性较高的重要基因,通过凸伪数据法产生神经网络集成中各个体的训练集,用简单平均法集成网络个体的测试结果.采用实际的微阵列实验数据集分别进行独立测试和交叉验证测试,结果表明,该方法性能优于单个神经网络、最近邻法和决策树.受试者特征曲线测试表明,神经网络集成性能优于单个神经网络.

基团贡献人工神经网络集成法估算有机物物性研究进展

介绍了基团贡献人工神经网络集成法的原理,综述了其在各种物性估算中的应用(如有机物的临界参数、常压凝固点、闪点、比容积及偏心因子等),并对该法与单一的基团贡献法、人工神经网络法进行了简单比较。最后对基团贡献人工神经网络集成法的发展方向进行了展望。

基于主元分析和集成神经网络的瓦斯传感器故障诊断

针对瓦斯传感器常见突发型故障,提出一种基于主元分析(PCA)和权重提升(WB)算法训练人工神经网络集成的瓦斯传感器故障诊断方法。利用PCA方法提取故障特征,得到的特征向量作为神经网络的训练样本;利用WB算法依次训练多个神经网络分类器;由集成神经网络得到待测样本的故障诊断结果。仿真实验表明:该方法对测试样本的识别正确率在98.5%以上,能够显著提高瓦斯传感器故障诊断的诊断精度和泛化能力。

农作区净灌溉需水量模拟及不确定性分析

净灌溉需水量是估算农业灌溉用水量的参考依据。该文以西北干旱内陆区石羊河流域上中下游的古浪县,凉州区,民勤县为研究对象,在分析农业净灌溉需水量宏观驱动力因子(1959-2005)的基础上,以关键因子作为输入项,区域农业净灌溉量为输出项,分别建立农业净灌溉需水量的多元线性回归模型、人工神经网络BP模型以及人工神经网络集成模型。并对不同模型的模拟效果进行比较;通过对时间序列的离散化蒙特卡洛(MC)设计,采用不确定性评价指数(d-factor)对3种模型模拟的不确定性进行分析。结果表明:与多元线性回归模型和神经网络BP模型相比,神经网络集成模型具有较高的模拟精度,并能合理地指示影响因素与净灌溉需水量的不确定性变化。

样本过滤的基因表达数据分类

针对单个人工神经网络稳定性差、分类精度不高的缺点,提出了基于样本过滤的人工神经网络集成算法,并用于基因表达数据分类.采用基因表达数据集Leukemia进行实验仿真,并与单个BP神经网络、Bagging神经网络集成和支持向量机进行比较.结果表明,样本过滤算法具有更好的稳定性和更高的分类精度.