基于PersonⅦ核函数的支持向量机及其在化学模式分类中的应用

化学模式分类问题通常是非线性的,而且比较复杂,难以用经典统计方法建立分类判别模型。以支持向量机(SVM)构建的分类器具有更好的分类性能。对于非线性分类,SVM通过核函数将其映射到高维特征空间中,然后再进行线性分类。因此,核函数往往是决定SVM非线性分类性能的关键。实际应用时,一般通过选择几种核函数,并对其参数进行优化,然后根据分类器的预测性能来决定,训练过程非常耗时,而且结果难以保证最优。为此,采用一种通用性的核函数,即PersonⅦ核函数(PUKF),它可取代目前常用的几种核函数,可避免SVM非线性分类器训练过程的核函数选择问题。本研究将基于PUKF的SVM分类器应用于两个化学模式分类问题,均取得了较好的结果。对于多类分类,设计了一种子分类器的构造方法,它在分类性能保持较好的情况下,简化了多类分类器结构,大大降低了计算量。

径向基-偏最小二乘-贝叶斯方法及其在化学模式分类中的应用

提出一种用于模式分类的RBF PLS Bayes方法。它集成地应用径向基 (RBF)变换与偏最小二乘(PLS)方法 ,从原有模式中提取出分类能力甚强的成分 ,然后进行贝叶斯 (Bayes)判别。这种集成方法尤其适用于复杂化学信息的模式分类 ,本文将其应用于两种类型的化学模式分类问题 ,均取得了令人满意的效果。与经典的判别分析方法和单纯的神经网络方法相比 。

粗糙集与模糊系统集成的化学模式分类方法及其应用

模糊方法是一种有效的化学模式分类方法,但模糊规则的获取和相关参数的确定较为困难。对此,本文采用粗糙集方法,无需任何先验知识,约简系统,获取最简规则集,在此基础上构建结构合理．适用于分类的模糊-神经网络系统,并根据规则的统计性质和离散化结果初始化网络参数,采用LM方法训练网络；在橄榄油模式分类建模的应用中,该方法训练收敛速度快,所建模型预测性能良好,要优于现代统计方法和前馈神经网络。

应用遗传算法构建化学模式分类器

神经网络和统计分析所构建的分类器均为复杂算式,难以体现专业知识;而分类规则直接以属性值为条件,确定个体类别,易于专业分析。对于连续属性的样本数据,本文应用基于信息熵的Chi-merge方法将其离散化,并将提取最优规则转换为组合优化问题,进而采用遗传算法求解。为此,本文将规则提取演绎为种群进化,并设计了个体适应度函数。由此提取出最优的分类规则,经过修剪处理后,与判别准则一起构成模式分类器。本文将其应用于橄榄油产地判别,所建立的分类器简单明了,规则数少,性能良好,适用于化学模式分类。

天然植物复杂化学模式特征的分步提取法

在运用神经元计算技术对高维小样本复杂化学模式进行分类时,通过模式特征提取,降低输入变量维数,能使复杂的模式分类问题比较容易解决.根据模式类别相关分步分析思路,提出复杂化学模式特征分步提取法,可将原始模式数据中与类别指标相关较大的特征量有效地提取出来.应用于天然植物组效关系辨识结果表明,这种化学模式特征提取方法比经典主成分分析法更为实用可靠.

基于分步相关成分分析的中药材质量鉴别神经元分类器

提出并构建了一种基于分步相关成分分析的神经元分类器 ( SCCA-HBP) ,并将其用于中药材质量模式分类 .通过从色谱分析所得到的高维数据集中分步提取分类相关成分 ,获取化学模式特征向量 ,使神经元分类器输入模式向量的维数降低 .此外 ,提出用带输出误差死区的混合 BP算法训练神经元分类器 ,提高了网络学习训练速度和分类准确性 .以 3 2个当归样品质量等级分类鉴别为例考察本方法 ,分类正确率为1 0 0 % ,优于 PCA-BP( 84.4% )和 SCCA-BP( 90 .6% )方法 ;且训练时间仅为 BP算法的 5 4.2 % .

基于预处理的决策树在化学数据挖掘中的应用

化学数据挖掘可从海量数据中提取蕴含的知识,决策树方法是一种重要的挖掘工具。鉴于决策树在处理连续数据上的局限性,本研究提出先进行预处理,将连续属性离散化,通过特征选择删除其冗余量,以此为基础构建决策树。该方法可防止决策树模型“过细”,使之具有良好的预报性能。将此方法应用于两个化学样品分类实例,效果良好。与贝叶斯分析和单一的决策树方法相比,其预报正确率有显著提高,且表达形式直观明确,易于理解和分析,适用于化学分类知识模式的挖掘。