一种基于复Wishart-Chernoff距离的极化SAR图像边缘检测算法

针对单极化SAR图像可用目标散射信息维度有限的问题,提出一种基于复Wishart-Chernoff距离的极化SAR图像边缘检测算法,充分利用极化协方差矩阵解决了单极化SAR图像边缘检测中边缘模型限制及边缘定位不准问题。该算法首先对极化协方差矩阵进行相干斑抑制,利用Wishart-Chernoff距离定量分析两个协方差矩阵的相似性,并搜索4个方向的局部极值,从而完成极化SAR图像的边缘检测。利用该方法处理了AIRSAR-Flevoland全极化数据,处理结果表明了该算法的有效性。

基于Chernoff距离的GA-PLS法预测蛋白质二级结构研究(英文)

提出了用于预测蛋白质二级结构的Chernoff-GA-PLS算法。该方法首先是根据各个氨基酸残基的理化性质等自身所带的信息,计算出各样本到不同类别的Chernoff距离,进而根据Chernoff距离对蛋白质的氨基酸序列数据进行编码。最后由偏最小二乘进行蛋白质二级结构预测,并在整个算法过程中使用GA优化各个运行参数。为解决蛋白质二结构预测中的编码问题,提高预测结果的准确性和鲁棒性提供了一种新的思路。应用本方法对28个蛋白质共5789个氨基酸进行处理,获得的正确预测率达73.47%,研究结果表明,该方法预测结果明显高于目前运用单一方法获得的65%左右的预测准确率。由于该方法的预测误差小,易在Matlab上编程实现,计算过程中的参数意义明确和良好的可解释性,因此具有良好的应用前景。

二元分类问题的最优分类线性降维

军事领域经常会遇到高维二元分类问题,过高的数据维度大大提高了数据获取的难度和分类计算难度。文中,针对高维高斯模型的二元分类问题,研究如何在降低分类问题维度的情况下保留最多的差异信息,使降维后进行分类的平均误差概率最小。使用切诺夫距离作为衡量两个高维高斯模型差异的度量,文中给出了高斯分类问题的最优分类线性降维方法,并证明其最优性。通过该方法对两个高维高斯模型线性降维,可在保留两个分布之间最多差异信息的基础上,降低其存储和计算资源需求。

结肠癌基因表达谱的特征选取研究

为了找到与结肠癌相关的基因,提高结肠癌样本的识别率,提出了基于Chernoff距离的浮动顺序搜索算法(sequential floating search method,SFSM)。通过对结肠癌基因表达谱数据集的分析,对每个基因进行评价和筛选;对筛选后的基因子集利用SFSM算法进行搜索,并以Chernoff距离作为其评估函数,生成若干候选特征基因子集;利用支持向量机(support vector machine,SVM)、K-近邻(K-nearest neighbor,KNN)和径向基(radical basis function,RBF)神经网络分类器来检验候选特征基因子集的分类效果。实验结果表明,利用SFSM及评估函数Chernoff距离发现在参数β=0.25时能找到最佳的特征基因组合,该组合能以很高的正确率识别结肠癌样本。