基于改进的卷积神经网络与支持向量机集成实现DNA结合蛋白预测CNN-SVM

DNA结合蛋白与很多疾病和症状的产生有着密切的联系,准确识别有助于促进医疗科技的发展。本文提出了一种基于序列特征的DNA结合蛋白预测模型。该模型采用蛋白质的位置特异性打分矩阵特征和预测溶剂可极性概率矩阵特征的变体,训练了一个卷积神经网络和支持向量机集成的分类器。实验结果证明,该方法在相同基准数据集上,其性能也远远高于其他方法,F1分数为87.8%。

基于支持向量机和灰色BP神经网络的冬小麦晚霜冻害预测

晚霜冻害是黄淮海平原冬小麦生产中危害严重的农业气象灾害之一,为有效预测冬小麦晚霜冻害,以河南商丘市为研究区,针对商丘1980—2019年的气象数据,以0℃为阈值确定终霜日,采用灰色季节灾变方法处理数据,得到反映霜冻发生年份规律的间隔数据序列,结合灰色系统和机器学习模型的优点,提出了一个基于支持向量机残差修正的灰色BP神经网络模型。试验结果表明:对照传统灰色预测模型、改进灰色模型以及BP神经网络预测模型,残差修正后的灰色BP神经网络模型的平均相对误差、平均绝对百分比误差和均方差比值分别为0.3843%、1.1502%和0.0690,模型拟合程度进一步提高;对历史数据和预测结果进行分析,发现每20年存在1个晚霜冻发生连续时期,其后晚霜冻发生频率降到2~4年1次,预测商丘下一次晚霜冻发生年份为2022年。本研究提出的冬小麦晚霜冻害预测模型,对各项精度评价指标均有提升,冻害预测结果与实际发生情况基本一致,可为全球气候变化背景下大面积冬小麦晚霜冻害预测提供思路和方法,对其他农业生产灾害预测问题具有一定参考价值。

糖尿病足溃疡复发风险预测模型的构建:基于Logistic回归和支持向量机及BP神经网络模型

背景全球范围内糖尿病足溃疡(DFUs)首次复发与再次复发率逐年上升,且早期复发风险高于远期风险。导致DFUs复发的风险因素较多,目前缺乏系统的筛选,因此需要探索DFUs复发的危险因素,以便早期识别复发高危人群。目的探讨Logistic回归、支持向量机(SVM)和BP神经网络(BPNN)模型在DFUs复发风险中的预测价值。方法选取2020年1月—2021年10月在宁夏医科大学总医院烧伤整形美容科、内分泌科和伤口造口门诊就诊的DFUs患者390例作为开发模型的研究对象。根据患者出院后1年内DFUs是否复发分为复发组116例(29.7%)和非复发组274例(70.3%)。收集两组患者的一般资料包括社会人口学特征、病史评估和临床病例资料并进行比较,采用糖尿病足部自我管理行为量表(DFSBS)评估患者糖尿病足部自我管理行为,采用慢性病风险感知问卷评估患者DFUs风险感知水平。采用多因素Logistic回归分析探讨DFUs患者出院后1年内DFUs复发的影响因素;将患者按照7∶3划分为训练集和测试集,运用Logistic回归变量筛选策略,分别建立Logistic回归、SVM和BPNN模型;绘制各模型预测DFUs复发风险的受试者工作特征(ROC)曲线。结果两组DFUs患者BMI、独居、糖尿病病程、吸烟史、饮酒史、受累足趾截肢史、足溃疡分级、踝肱指数、糖化血红蛋白、溃疡位置在脚底、足趾受累、足部存在行走障碍、骨髓炎、多重耐药菌感染、糖尿病周围神经病变、下肢动脉粥样硬化、足部自我管理行为、DFUs风险感知水平比较,差异均有统计学意义(P<0.05)。多因素Logistic回归分析结果显示,BMI[OR=0.394,95%CI(0.285,0.546),P<0.001]、糖尿病病程[OR=1.635,95%CI(1.303,2.051),P<0.001]、吸烟史[OR=0.186,95%CI(0.080,0.434),P<0.001]、足溃疡分级[OR=2.139,95%CI(1.133,4.038),P=0.019]、糖化血红蛋白[OR=2.289,95%CI(1.485,3.528),P<0.001]、溃疡位置在脚底[OR=3.148,95%CI(1.344,7.373),P=0.008]、足部自我管理行为[OR=0.744,95%CI(0.673,0.822),P<0.001]和DFUs风险感知水平[OR=0.892,95%CI(0.845,0.942),P<0.001]是DFUs患者1年内DFUs复发的影响因素。Logistic回归、SVM和BPNN模型在测试集中预测DFUs复发风险的正确率分别82.43%、94.87%、87.17%,ROC曲线下面积(AUC)分别为0.843、0.937、0.820。Logistic回归、SVM和BPNN模型预测DFUs复发风险的ROC曲线AUC比较,差异有统计学意义(Z=2.741,P<0.05);SVM模型预测DFUs复发风险的ROC曲线AUC高于Logistic回归和BPNN模型(Z=5.937,P=0.013;Z=3.946,P<0.001)。结论SVM模型预测DFUs患者出院后1年内DFUs复发风险的正确率、灵敏度、特异度、AUC等指标均较好,为相对最优的模型,建议进一步推广应用以验证预测模型的效能。

基于贝叶斯优化的卷积神经网络结合机器学习分类器的滑坡易发性预测研究

现有使用机器学习进行滑坡监测方法存在滑坡易发性特征选择超参数多为连续变量,数值约束松散的问题。为解决此问题,提出一种结合CNN-LR-SVM的滑坡易发性监测方法。使用CNN提取滑坡易发性特征值,捕获输入数据中的上下文信息,消除繁琐的传统特征选择过程,提升特征选择准确率。将提取到的特征值与LR、SVM分类器结合。之后,使用贝叶斯优化方法寻找CNN、LR和SVM超参数,考虑历史信息,优化下一步超参数设置方法,解决超参数优化数值约束问题。经实验验证,本方法在选择不同优化算法与激活函数时相比传统单一机器学习模型(以CNN与SVM为例)均有良好性能表现。

基于多层全连接神经网络的6C地震波极化向量识别研究

利用机器学习原理,提出一种基于多层全连接(multi-layer fully connected, MFC)神经网络的六分量(six-component, 6C)地震波极化向量识别方法。首先利用6C地震波各波型极化向量数学模型和一系列仿真参数得到5种波型和噪声波型各5 000个极化向量数据集,然后随机选取其中5 000个作为测试集,其余划分为训练集,进行MFC神经网络与支持向量机(support vector machine, SVM)的综合辨识性能对比实验。结果表明,MFC神经网络模型识别5种极化向量类型(SH波和Love波视为一类)和6种极化向量类型的效果均显著优于SVM模型,平均识别率分别达到99.786%和87.940%。

基于改进两步法采样策略和卷积神经网络的崩塌易发性评价

机器学习在崩塌滑坡泥石流地质灾害易发性分析评价领域已得到广泛的研究性应用,非灾害样本的选取是易发性建模过程中的关键问题,传统随机抽样和手工标注方法可能存在随机性和主观性。将土质崩塌易发性评价视为正例无标记(positive and unlabeled,简称PU)学习,提出了一种结合信息量(information value,简称IV)和间谍技术(Spy)的两步卷积神经网络(convolutional neural networks,简称CNN)框架(ISpy-CNN)。以广州市黄埔区崩塌编录和15类基础环境因子,通过信息量模型筛选出部分低信息量样本;采用间谍技术训练CNN模型,从低信息量样本中识别出具有高置信度的可靠负例划分为非崩塌样本;分别基于该学习框架、传统间谍技术和随机抽样,使用支持向量机(support vector machine,简称SVM)和随机森林(random forest,简称RF)对比验证。结果表明,ISpy-CNN框架在验证集上的准确率、F1值、敏感度和特异度较随机采样分别提升了6.82%,6.82%,6.82%,8.23%,较传统Spy技术分别提升了2.86%,2.89%,2.86%,2.31%;PU学习中第2步采用CNN模型的预测精度高于RF和SVM模型;与传统Spy技术相比,增加相同数量训练样本,ISpy-CNN框架筛选的样本集表现出较高的稳定性、预测精度和增长率。本研究提出的ISpy-CNN框架能更好地辅助选取高质量非灾害样本,且崩塌易发性分区结果更符合实际的崩塌空间分布。

改进卷积神经网络的单词级语音活体检测方法

为提高智能家居语音验证系统中重放语音的检测精度,提出了一种新型的单词级语音活体检测方法,采用轻量型卷积全局门控循环神经网络(light convolutional global gate recurrent neural network, LC-GGRNN)作为深度特征提取器,由支持向量机(support vector machine, SVM)执行真实和重放语音的分类,即LC-GGRNN-SVM框架。LC-GGRNN是在轻量型卷积神经网络的基础上引入了全局注意力机制和门控循环单元,前者关注提取特征的通道信息、空间信息以及通道与空间相互作用的信息,后者学习深度特征的长期相关性。提取POCO(pop noise corpus)数据集中音频文件的3种声学特征分别用于模型训练、验证和测试。结果表明,提取的伽马通频率倒谱系数声学特征在所提方法上检测效果最好,准确率、等错误率分别为85.72%、14.28%,错误接受率和错误拒绝率之和为28.59%,所提方法在POCO上的语音活体检测还具有性别依赖性。此外,所提方法对句子级重放语音检测也具有较好的泛化性。

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition,WD)、卷积神经网络(convolutional neural network,CNN)和支持向量回归(support vector regression,SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation,BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。

基于卷积神经网络和支持向量机的水稻种子图像分类识别

针对外形相似的水稻种子间分类难、识别正确率低等问题,提出一种卷积神经网络与支持向量机相结合的方法(CNN_SVM)对8类水稻种子进行分类识别。首先对图像进行切割、旋转等预处理后建立水稻种子图像数据库,其次通过提取图像的方向梯度直方图(HOG)、LBP纹理、SIFT描述子和CNN特征,分别建立SVM、KNN和Softmax分类模型对水稻种子图像进行分类识别比较。最后采用随机加入噪声点方法模拟噪声干扰稻种和调整色彩饱和度方法模拟不同年份稻种后进行分类识别。结果表明CNN_SVM模型对正常、噪声干扰和不同年份的水稻种子图像识别正确率分别为96.2%、95.8%和96.1%,识别单张图像时间为4.57 ms,明显优于CNN、SVM的传统模型。模型的抗噪和泛化能力强,能满足实际生活中水稻种子分类识别需求。

基于遗传-支持向量机和遗传-径向基神经网络的有机物正辛醇-水分配系数QSPR研究

基于遗传算法(GA)的因子筛选和支持向量机(SVM)的非线性回归,提出了1种改进的有机物定量结构-性质相关(QSPR)建模方法——遗传-支持向量机(GA-SVM),并将其用于38种食品工业常用有机物正辛醇-水分配系数(Kow)的QSPR建模.结果显示,QSPR模型选取了分子量、Hansen极性、沸点、含氧率和含氢率5种参数;模型的预测值与实测值间的误差平方和(SSE)、均方差(RMSE)和决定系数(R2)分别为0.048、0.036和0.999,表明模型具有较强的预测能力;同时,交叉验证的结果(SSE=0.295,RMSE=0.089,R2=0.995)也表明,模型具有良好的稳健性,因此,GA-SVM算法适用于对有机物正辛醇-水分配系数的QSPR建模.此外,将基于GA-SVM的QSPR模型分别与基于遗传-径向基神经网络(GA-RBFNN)和基于线性算法的模型进行了比较,结果表明,应用GA-SVM建立的QSPR模型无论从稳健性还是预测能力上都优于应用其它2种算法建立的模型,因此,GA-SVM算法比GA-RBFNN和线性算法更适合于对有机物正辛醇-水分配系数进行QSPR建模.

基于优化支持向量机-混沌BP神经网络的基坑变形预测研究

为解决基坑变形预测精度低的问题,采用小波去噪分离基坑变形的趋势项及误差项序列,并利用多种优化的支持向量机对趋势项序列进行预测,采用混沌BP神经网络对误差项序列进行预测,将两者预测结果进行叠加即得到变形预测值,且可根据后期监测数据的更新,实时增加数据信息,达到跟踪预测的目的。经过3个实例检验,得出小波函数的去噪效果相对较优,且预测结果的相对误差均值均小于2%,验证了优化支持向量机-混沌BP神经网络模型的有效性,且该模型具有预测精度高、适用性强等优点,对掌握基坑变形的发展趋势及评价基坑的稳定性具有重要意义。

基于BP神经网络和SSA-SVM的接地网腐蚀速率组合预测

为提高接地网腐蚀速率预测精度,提出了一种接地网腐蚀速率组合预测方法。首先,采用SSA算法对SVM进行优化,建立接地网SSA-SVM腐蚀预测速率模型;然后,采用6-11-1的BP神经网络对SSA-SVM模型的预测残差进行修正,建立了基于BP神经网络和SSA-SVM的接地网腐蚀速率组合预测模型;最后,采用接地网腐蚀实验数据进行算例分析。结果表明,所提接地网腐蚀速率组合模型预测结果的均方根误差、平均相对误差和相关系数分别为0.192、4.98%和0.974 6,在模型稳定性、预测精度、预测结果与实际值的相关性均优于其他模型,验证了所提模型的正确性和优越性。

融合卷积神经网络与支持向量机的表情识别

针对表情识别方法存在识别准确率不高和手工设计的特征不能全面表征面部表情特征的问题,提出一种融合卷积神经网络(CNN)的深度学习特征和支持向量机(SVM)的人脸表情识别方法。采用Viola-Jones算法进行人脸检测和对齐,提取面部表情感兴趣区域的图像,输入到CNN模型以提取显著的表情特征信息,对得到的特征向量采用SVM进行分类,将表情分类结果输出。使用该方法在Fer-2013数据集和CK数据集上进行实验,识别率分别为93.46%、92.06%。实验结果表明,该方法能够明显提高表情识别的准确率。

基于卷积神经网络和支持向量机的测井相识别

建立测井相识别模型对于测井相分析解释具有十分重要的意义。基于卷积神经网络的特征提取和支持向量机分类特点,提出基于卷积神经网络和支持向量机的测井相定性分类模型,实现了测井曲线的自动识别。首先,选用测井数据中的自然伽马作为训练数据来源,在其中确定三种具有研究意义的曲线形态,经过数据处理得到训练数据集;然后,建立测井相分类模型,并在网络中引入L2范数,增加模型泛化能力;最后,使用极值法对实际测井数据划分识别单元。通过对该数据集进行分类识别实验,并与其他分类算法进行比较,验证了论文所提出的模型具有较好的识别效果。

基于改进卷积神经网络与支持向量机结合的面部表情识别算法

针对当前卷积神经网络(CNN)利用端层特征进行面部表情识别存在模型结构繁琐、训练参数过多、识别不够理想的问题,提出一种基于改进CNN与支持向量机(SVM)相结合的优化算法。首先,利用连续卷积的思想设计网络模型,以获取更多非线性激活;然后,采用自适应全局平均池化(GAP)层取代传统CNN中的全连接层,以减少网络参数量;最后,用SVM分类器代替传统Softmax函数实现表情识别,以提高模型泛化能力。实验结果表明,所提算法在Fer2013和CK+数据集上分别取得了73.4%和98.06%的识别准确率,与传统LeNet-5算法相比,在Fer2013数据集上提升了2.2个百分点,且该网络模型结构简单、参数量较少,具有良好的鲁棒性。

基于卷积神经网络和支持向量机的事件相关电位识别方法

针对事件相关电位(ERP)脑电信号存在个体差异性强、信噪比低等特点而导致其识别困难以及传统的卷积神经网络(CNN)对小样本分类易产生过拟合等问题,在CNN和支持向量机(SVM)融合模型的基础上,提出一种用于ERP信号分类识别的CNN-SVM组合分类器方法。该方法以滤波后的原始多通道ERP信号作为输入,首先使用一维时间卷积核对信号的时域进行卷积操作;然后使用一维空间卷积核进行空堿卷积,从信号的时间信息和空间信息中学习特征;最后通过降采样、全连接等操作完成CNN模型的训练;接着再次将信号导入训练好的CNN模型来提取信号的降采样层特征,最后利用SVM对信号降采样层特征进行分类识别。实验结果表明:利用该组合分类器方法可以在少量重复的视觉刺激下实现对受试者P300信号的有效识别;在重复4次以上刺激后,该组合分类器的平均识别准确率为93.49%,相比于传统的CNN方法,其平均识别准确率提升了4.36%;与用于ERP信号识别的经典算法——逐步线性判别分析和贝叶斯线性判别分析相比,该组合分类器的平均识别正确率分别提高了6.38%和4.16%。该组合分类器只需要少量的重复实验便可获得较高的目标识别准确率,有效提高了ERP信号的识别效果。

基于GA-BP神经网络与LSSVM支持向量机的日用水量组合预测模型

影响城市日用水量的因素众多,供水部门由于缺乏有效的日用水量预测模型,造成了调度过程中严重的水电等资源浪费现象。针对日用水量变化的趋势性和周期性特点,提出了基于GA-BP神经网络与LSSVM支持向量机的组合预测模型,即选择不同影响因素分别输入到两个子模型,可达到最优效果。在对两个子模型的训练过程中,同时获得预测结果的置信概率,利用置信概率结合两子模型的预测结果,建立组合预测模型,并与传统组合模型进行了对比分析。在上海市某区域自来水公司的应用表明,与单项预测模型、传统线性和非线性组合模型相比,该组合模型具有更高的精度和泛化能力。

基于深度卷积神经网络和支持向量机的手势识别算法

为了提高手势识别的准确率,提出一种基于深度卷积神经网络和支持向量机的手势识别算法;将包含手势的图像进行手掌轮廓分割及手指关节特征提取,经过去噪后获得准确的手势图像,然后通过卷积与池化获得手势特征样本,采用神经网络算法对输入特征样本进行训练,并对全连接层各节点的输出结果进行支持向量机多元分类,从而获得手势识别结果;在差异化设置条件下,通过对比手势识别的平均准确率和识别时间,可获得最优的卷积核尺寸及池化方法。仿真实验结果表明,相比其他3种识别算法,所提出的算法具有更优的识别准确率。

基于支持向量机与RBF神经网络的软测量模型比较研究

给出了基于支持向量机(SVMs)和RBF神经网络的软测量建模方法.通过对这两种方法进行理论分析和仿真比较研究,结果表明,SVMs方法跟踪性能好、泛化能力强、对样本的依赖程度低,它比基于RBF神经网络的软测量建模具有更好的推广能力.

天空云量预报及支持向量机和神经网络方法比较研究

使用支持向量机和人工神经网络两种方法,分别建立了天空云量的预报模型。利用2001年5月1日～2004年12月31日的武汉市地面、高空观测值及欧洲中心的24小时预报场等资料,通过按不同比例随机抽取样本进行交叉验证的方法,分析了SVM和ANN模型的预报能力和鲁棒性;然后再用全部样本资料建立预报模型,来预报2005年1月1日～5月31日武汉市天空云量。交叉验证和实例预报的结果显示:虽然SVM和ANN模型都表现了较好的预报能力,但SVM的预报能力高于ANN方法,且在计算速度上有ANN无法比拟的优势。