融合支持向量机和特征降维方法的人-椅系统振动模型研究

人-椅系统的振动传递特性受人体体征参数、座椅结构、乘坐环境等多种复杂因素影响。在人体振动实验研究的基础上,寻求构建一种基于支持向量机回归的座椅频响函数预测模型,分别采用递归特征消除法和主成分分析法对人体体征参数进行降维,并将低维特征输入预测模型,以实现对人-椅系统频响函数及其正交轴效应的预测。结果显示,相比传统支持向量机回归模型,应用主成分分析法降低体征参数关联,可以显著降低模型预测误差,预测值与实测值拟合度可达92%。通过递归特征消除法剔除次要体征参数,可进一步提升预测精度,预测值与实测值拟合度达94%。研究表明,基于特征降维优化的支持向量机回归预测模型能够有效筛选人体振动模型中输入参数的冗余信息,并提升座椅频响函数的计算效率和预测精度。

基于多类支持向量机递归特征消除方法特征选择的原发性肝癌患者预后预测

本研究通过特征选择的方法,分析肝癌患者术前临床信息,提高患者的预后模型的准确性。基于多类支持向量机递归特征消除(recursive feature elimination based on multiple support vector machine,MSVM-RFE)方法对进行过肝切除手术的原发性肝癌患者的临床变量进行重要特征排序,使用5折交叉验证的支持向量机确定最优特征子集,构造原发性肝癌患者术后的1年、3年无瘤生存和总体生存的列线图。通过与临床医生沟通,确认特征排序结果为合理的。患者3年无瘤生存风险和总生存风险的列线图的一致性指数分别为0.701和0.706。使用多类支持向量机递归特征消除方法后的预测模型准确率有所提高,列线图在临床实践中能够提供患者生存风险信息,简单清晰的反映患者的生存风险。

基于支持向量机递归特征消除筛选急性心肌梗死相关免疫基因诊断急性心肌梗死的价值

目的基于支持向量机(SVM)递归特征消除(RFE)(SVM-RFE)筛选急性心肌梗死(AMI)相关的关键免疫基因,并探讨其在AMI中的诊断价值。方法通过基因芯片表达数据库(GEO)获取AMI患者基因表达芯片数据集GSE66360。通过SVM-RFE筛选AMI相关的免疫基因,进而用受试者工作特征(ROC)曲线评估其对AMI的诊断价值。结果共得到66个差异免疫基因,基于SVM-RFE最终得到8个免疫基因用于构建SVM分类器,该基因分类器在探索队列(AUC=0.998)和验证队列(AUC=1.00)中都具有极好的预测AMI的能力。通路富集分析特征基因主要参与血管平滑肌细胞增殖的调控及血管动脉硬化等过程。结论本研究识别出8个关键的免疫基因,发现其在AMI诊断中的潜在作用,并将增进对AMI发生的分子机制的了解。

改进的多类支持向量机递归特征消除在癌症多分类中的应用

为处理癌症多分类问题,已经提出了多类支持向量机递归特征消除(MSVM-RFE)方法,但该方法考虑的是所有子分类器的权重融合,忽略了各子分类器自身挑选特征的能力。为提高多分类问题的识别率,提出了一种改进的多类支持向量机递归特征消除(MMSVM-RFE)方法。所提方法利用一对多策略把多类问题化解为多个两类问题,每个两类问题均采用支持向量机递归特征消除来逐渐剔除掉冗余特征,得到一个特征子集;然后将得到的多个特征子集合并得到最终的特征子集;最后用SVM分类器对获得的特征子集进行建模。在3个基因数据集上的实验结果表明,改进的算法整体识别率提高了大约2%,单个类别的精度有大幅度提升甚至100%。与随机森林、k近邻分类器以及主成分分析(PCA)降维方法的比较均验证了所提算法的优势。

基于支持向量机递归特征消除的电缆局部放电特征寻优

电缆局部放电通常由电缆缺陷引起。有效地识别局放信号可以快速地判断缺陷类型。本文提出了一种基于支持向量机递归特征消除且结合了K均值聚类算法的局部放电特征优选新方法。对原始数据提取特征后展开了K-SVM-RFE的特征寻优,按照权重大小获得了不同类型缺陷的局部放电特征排序结果,并对优选排序结果进行了验证。结果表明,不同类型局部放电信号有效特征参数是测试电压和相角与极性的乘积。不同算法下的验证结果表明,本文提出的K-SVM-RFE的特征寻优方法是一种有效的电缆局部放电特征优选方法,可大幅提高电缆缺陷的故障诊断率。

基于递归纹理特征消除的WorldView-2树种分类

利用遥感影像识别树种是一个尚未解决的科学难题,传统方法在高分辨率影像树种分类中存在着诸多不适宜问题。本文通过提取WorldView-2影像的纹理特征构造高维数据,利用递归特征消除降低数据维数,逐步解除最大似然分类的休斯现象,并将有代表性的纹理特征集合与光谱特征结合,对树种进行分类。结果显示:在递归消除8个纹理特征后,最大似然的休斯现象达到了很好的规避;在结合光谱特征后,分类的总体精度达到了86.39%,Kappa系数达到了0.841 0,比基于光谱特征的总体精度和Kappa系数高12.32%和0.143 6。研究表明,在高维数据中通过递归特征消除规避最大似然分类的休斯现象,充分结合影像纹理与光谱信息对树种分类可以取得更为理想的结果。

耦合递归特征消除与二维CNN的滑坡敏感性评价

针对传统滑坡敏感性评价方法仅考虑滑坡点本身的影响因子信息,而忽略周围空间信息的问题,本文提出了一种耦合递归特征消除与二维卷积神经网络相结合的方法。首先通过递归特征消除对滑坡影响因子进行排序与筛选;其次裁取二维特征因子集输入添加了L2正则化、Dropout等优化方法的二维CNN中,顾及滑坡周围的空间信息,在保证模型精度与泛化能力的基础上预测滑坡敏感性;然后以九寨沟地区为试验区,选取高程、岩性等14个相关因子作为滑坡影响因素,预测试验区的滑坡发生概率并绘制滑坡敏感性图;最后使用Logistic模型和带有3种不同核函数(线性核函数、径向基核函数、Sigmoid核函数)的SVM模型进行对比验证。结果表明,本文方法具有最高的准确度与AUC,且具有效性与可靠性。

基于对称不确定性和SVM递归特征消除的信息基因选择方法

基因表达谱中存在大量与肿瘤分类无关的基因,严重降低肿瘤诊断的准确率.基因表达谱还存在高维小样本、噪声大等问题,增加肿瘤诊断的难度.为了获取基因数量较少且分类能力较强的信息基因子集,文中提出基于对称不确定性(SU)和支持向量机递归特征消除(SVM-RFE)的信息基因选择方法.首先利用SU评估基因和类标签之间的相关性,根据SU定义近似马尔科夫毯,快速消除大量无关和冗余基因.然后利用SVM-RFE进一步剔除冗余基因,获取有效的信息基因子集.实验表明,文中方法可以在选取维数较少或相等的信息基因子集情况下获取较高的肿瘤分类性能.

基于测井参数的页岩有机碳含量支持向量机预测

为了解决传统的有机碳含量TOC测量方法成本高和无法获得TOC含量连续分布的问题,提出了一种TOC含量的统计预测方法。由于地层的岩性的不同,TOC含量的差异非常大,因此,首先对原始的测井数据聚类,通过聚类的方法将不同岩性的地层区分开,对不同的地层分别建立TOC含量的预测模型,再通过聚类的方法提高了各测井参数和TOC含量的相关性,这不仅提高了模型的准确性,而且使得模型更有说服力;然后通过粒子群算法优化SVM模型参数,避免了因人工选择参数带来的模型不稳定的问题,依此建立测井参数优选的SVM-RFE模型,对每一类分别进行测井参数筛选,有效的规避了各测井参数之间的信息冗余和不相关参数带来的模型性能降低和训练时间增加的问题;最后利用优选后的测井数据和SOM的分类结果,对不同的地层岩性分别建立SVR模型进行预测。结果表明:通过与其他TOC含量预测模型对比,SOM-SVR模型更加稳定,更有说服力,预测误差小,平均相对误差约6%,平均绝对误差不超过0.2。由此,可以通过SOM算法对不同岩性的地层进行聚类之后再建立TOC含量的预测模型,更有利于提高模型的精度。

基于支持向量机的结肠癌信息基因提取

基于结肠癌基因表达谱数据集,提出了一种信息基因提取的新方法。该方法结合了支持向量机(SVM)、Bhattacharyya距离、递归特征消除(RFE)和快速基于相关性过滤器(FCBF)方法。首先,利用Bhattacharyya距离与SVM-RFE方法结合去除无关基因,然后运用FCBF方法得到信息基因,最后以支持向量机作为分类器对结肠癌样本进行分类识别。实验结果表明,同现有的方法相比,该方法在提取基因数量和准确率上都有明显的优势。

基于间隔二肽组分和递归特征消除法的DNA结合蛋白的鉴定

DNA结合蛋白(DNA-binding proteins,DBPs)的鉴定在原核和真核生物的基因和蛋白质功能注释研究中具有十分重要的意义.本研究首次运用间隔二肽组分(gapped-dipeptide composition,Gap DPC)结合递归特征消除法(recursive feature elimination,RFE)鉴定DBPs.首先获得待测蛋白质氨基酸序列的位置特异性得分矩阵(position specific scoring matrix,PSSM),在此基础上提取蛋白质的Gap DPC特征,通过RFE法选择最优特征,然后利用支持向量机(support vector machine,SVM)作为分类器,在蛋白质序列数据集PDB396和LB1068中进行夹克刀交叉验证(jackknife cross validation test).研究结果显示,基于PDB396和LB1068数据集,DBPs预测的准确率、Matthews相关系数、敏感性和特异性分别达到93.43%、0.86、89.04%和96.00%,以及86.33%、0.73、86.49%和86.18%,明显优于文献报道中的相关方法,为DBPs的鉴定提供了新的模型.

基于旋转FHOG-LBP特征的旋翼无人机动态检测算法

针对旋翼无人机通过视觉准确、快速检测其他旋翼无人机存在的问题,提出基于旋转FHOG-LBP动态检测算法。首先,针对旋翼无人机特有的外形和运动状态,通过形成的样本库建立外部结构模型;其次,将方向梯度直方图(HOG)进行傅里叶变换,使其具有快速旋转不变性,在局部二进制模式(LBP)上加入角度旋转偏移值,进行串行融合得到旋转FHOG-LBP特征,使用支持向量机递归特征消除算法(SVM-RFE)进行训练,并使用滑动窗口的检测算法对目标进行检测;最后,通过无人机动态目标测试集进行了实验,实验结果表明,提出的动态检测算法比传统方法精度和时效提高。因此,该方法可以解决具有动态变化或旋转变化的目标检测困难的问题。

基于测井的煤层有机碳含量支持向量机预测

为了解决传统的TOC测量方法成本高和无法获得TOC含量连续分布的问题,提出一种TOC含量的智能预测方法。建立测井参数优选的SVM-RFE模型,对测井曲线进行测井参数筛选,最后利用优选后的数据,通过SVR模型进行预测。

多重支持向量机递归特征消除模型在癌症特征基因筛选中的应用

目的使用多重支持向量机递归特征消除算法(MSVM-RFE)对癌症的基因表达谱数据进行分析并计算基因排序分数,得到最优特征基因子集。方法从高通量基因表达数据库下载膀胱癌、乳腺癌、结肠癌和肺癌的基因表达谱数据并通过差异表达分析得到差异表达基因。对差异表达基因进行基于MSVM-RFE算法的特征基因排序并计算每种基因子集的平均测试误差,进而根据最小平均测试误差得到最优基因子集。基于4种癌症特征基因筛选前后的数据集,分别构建线性SVM并验证最优特征基因子集的分类效能。结果使用MSVM-RFE算法得到的最优特征基因子集,可使膀胱癌的分类准确率从(96.77±1.28)%提高至(99.85±0.46)%,使乳腺癌的分类准确率从(83.77±4.93)%提高至(88.30±3.85)%,肺癌的分类准确率从(72.69±2.41)%提高至(90.21±3.31)%,使结肠癌的分类准确率维持在较高的程度(>99.5%)。结论基于MSVM-RFE算法的特征基因提取可在一定程度上提高癌症的分类效能。

基于SVM-RFE和粒子群优化算法的恶意域名检测模型

本研究利用机器学习和随机搜索算法,提出一种基于SVM-RFE和粒子群优化算法的恶意域名检测模型.分析域名字符特征、解析特征和相关特征,使用SVM-RFE算法进行特征权重排序,通过优化的粒子群算法确定最佳SVM参数和特征选择.实验证明该检测模型具有较好的效率和准确度.

基于GFCC-SVM-RFE的电力设备声音特征提取方法

火电厂电力设备声音包含了丰富的有效信息,但受限于复杂环境噪声,使得有效特征提取极其困难。为解决这一问题,文章提出一种基于GFCC-SVM-REF的特征提取方法,并在现场采集的6种设备运行声音、加入ESC-50公共数据集中的环境干扰音以及对原始设备声音加入不同分贝的高斯白噪声这3类数据上对2种经典语音识别领域的特征提取方法进行抗噪性和准确性的对比。仿真结果表明,针对所研究的数据集,GFCC-SVM-RFE方法在10 dB和20 dB的高斯白噪声下分别达到了81.04%和96.88%的准确率。

基于机器学习算法筛选鼻咽癌诊断基因标志物的研究

目的基于最小绝对收缩和选择算子(LASSO)算法与支持向量机递归特征消除(SVM-RFE)算法筛选用于鼻咽癌(NPC)诊断的特征基因标志物。方法从GEO数据库下载基因表达微阵列数据集GSE53819、GSE13597作为训练集,从GTEx数据库、ICGC数据库分别下载转录组测序数据集GTEx-NPC、ICGC-NPC作为训练集、验证集。通过基因表达差异分析筛选NPC相关差异表达基因(DEGs),再通过LASSO算法和SVM-RFE算法分别筛选3个训练集中的NPC诊断特征基因。结合外部验证集,通过受试者工作特征(ROC)曲线的曲线下面积(AUC)评估特征基因对NPC的诊断效能。结果本研究共筛选出582个NPC相关DEGs,包括156个高表达DEGs和426个低表达DEGs;基于LASSO算法与SVM-RFE算法,GSE53819、GSE13597、GTEx-NPC数据集均筛选出3个关键诊断特征基因HOXA10、AFF3、SHISA3,且GTEx-NPC数据集另有1个特征基因PLAU;ROC曲线分析结果显示,特征基因HOXA10、AFF3、SHISA3、PLAU在各数据集中诊断NPC的AUC均大于0.7,具有良好的诊断效能。结论基于LASSO算法和SVM-RFE算法可筛选出4个潜在的NPC诊断特征基因标志物,且外部验证结果显示这些基因标志物在诊断NPC方面具有良好效能,这为NPC的早期诊断和相关基因的分子机制研究提供了有价值的参考。

纤维肌痛综合征生物标记物的筛选及免疫细胞浸润分析

背景:纤维肌痛综合征作为常见风湿病,其发病与中枢敏化及免疫异常有关,但具体过程尚未阐明,缺乏特异性诊断标志物,不断探索该病的发病机制具有重要的临床意义。目的:基于加权基因共表达网络分析(WGCNA)等生物信息学方法和机器学习算法筛选纤维肌痛综合征潜在的诊断相关标志基因,并分析其免疫细胞浸润特征。方法:对来自基因表达综合数据库(GEO)的纤维肌痛综合征数据集转录谱进行差异分析和WGCNA分析,整合筛选出差异共表达基因,进一步采用机器学习套索回归(LASSO)算法、支持向量机递归特征消除(SVM-RFE)机器学习算法来识别核心生物标志物,并绘制受试者工作特征(ROC)曲线以评估诊断价值。最后,采用单样本基因集富集分析(ssGSEA)和基因集富集分析(GSEA)评估纤维肌痛综合征的免疫细胞浸润情况及通路富集。结果与结论:①对GSE67311数据集按照log2|(FC)|>0,P<0.05的条件进行差异分析后获得8个下调的差异表达基因;进行WGCNA分析后获得正相关性最高(r=0.22,P=0.04)的模块(MEdarkviolet)内含基因497个,负相关性最高(r=-0.41,P=6×10-5)的模块(MEsalmon2)内含基因19个;将差异表达基因与WGCNA的2个高相关性模块基因取交集,获得7个基因。②对上述7个基因进行LASSO回归算法筛选出4个基因,进行SVM-RFE机器学习算法筛选出5个基因,两者取交集后确定了3个核心基因,分别为重组1号染色体开放阅读框150蛋白(germinal center associated signaling and motility like,GCSAML)、整合素β8(Integrin beta-8,ITGB8)和羧肽酶A3(carboxypeptidase A3,CPA3);绘制3个核心基因的ROC曲线下面积分别为0.744,0.739,0.734,提示均具有很好的诊断价值,可作为纤维肌痛综合征的生物标志物。③免疫浸润分析结果显示,与对照组相比纤维肌痛综合征患者记忆B细胞、CD56 bright NK细胞和肥大细胞显著下调(P<0.05),且与上述3个生物标志物显著正相关(P<0.05)。④富集分析结果提示,纤维肌痛综合征的富集途径包括9条,主要与嗅觉传导、神经活性配体-受体相互作用及感染等通路密切相关。⑤上述结果显示,纤维肌痛综合征的发生发展与多基因参与、免疫调节异常及多个通路失调有关,但这些基因与免疫细胞之间的相互作用,以及它们与各通路之间的关系尚需进一步研究。

基于SVM-RFE算法的凋亡蛋白亚细胞定位预测

获取凋亡蛋白亚细胞定位的信息对揭示细胞程序性死亡的机制和注解蛋白质功能都具有非常重要的意义。鉴于实验方法确定亚细胞定位不仅费时费力而且代价过高,开发快速有效的计算方法预测亚细胞定位已成为生物信息学领域的重要研究内容之一。首先基于位置特异性得分矩阵提取氨基酸组分、二肽组分和自协方差变量等特征构建蛋白质序列的特征表示模型,然后采用递归特征消除法进行特征选择,最后选用支持向量机分类器在两个常用数据集上进行夹克刀检验。实验结果表明,该方法优于大多数已报道的预测方法,从而证明了其有效性。

基于工况识别的PHEV能量管理策略

为提升并联式混合动力汽车(parallel hybrid electric vehicle,PHEV)的燃油经济性,针对等效燃油消耗最小控制策略(equivalent fuel consumption minimum strategy,ECMS)在不同工况下适应性差的问题,以优化整车等效燃油消耗量为目标,设计基于工况识别算法的变等效因子ECMS能量管理策略。选取3类典型工况建立支持向量机分类模型,通过递归特征消除法对样本特征进行选择,采用鲸鱼算法对支持向量机进行参数优化,使用模拟退火算法分别对3类工况的ECMS等效因子进行离线全局最优求解,并分别存储于等效因子库中,通过训练好的支持向量机分类器对目标优化工况进行工况识别,不同类型的工况片段采用不同的等效因子进行转矩分配。仿真结果显示:相比于逻辑门限能量管理策略,基于工况识别算法的变等效因子ECMS能量管理策略的电池荷电状态(state of charge,SOC)变化量减少8.67%,节油率为13.11%;相比于优化前的ECMS策略电池SOC变化量减少3.47%,节油率约为6.63%。本文提出的基于工况识别算法的变等效因子ECMS能量管理策略可以有效地减少燃油消耗量,提升PHEV的整车经济性。