基于正则化网络-遗传算法的属性筛选及其在化学模式识别中的应用

采用贝叶斯正则化方法训练 ,以得到推广性优良的神经网络 ,并提出启发性的遗传算法。通过灵敏度分析对正则化网络实施剪枝 ,从而在高维模式中筛选出能代表其分类特性的最小最优属性特征子集。此方法应用于高维留兰香模式的属性筛选与模式分类 ,效果良好 ,明显优于其它方法。

分类问题中过滤式选择建模属性的方法及应用

属性是描述数据特征的基本单元.首先分析属性选择的意义,继而阐述了过滤式属性选择的原理,结合垃圾短信样本数据进行实证分析,结果表明,属性筛选对于建模至关重要,经过属性筛选,模型准确率有了大幅提升.

响应变量随机缺失下超高维模型特征筛选方法

文章研究了响应变量随机缺失下超高维数据的特征筛选方法,Kolmogorov过滤方法被用于筛选构建倾向得分函数的重要协变量,据此推广逆概率加权技术构建响应变量随机缺失下的边际特征筛选过程。通过大样本理论证明了所提出的筛选方法在一些常规条件下具有确定性筛选性质,利用蒙特卡罗模拟研究了其有限样本性质,并将其应用于实际数据问题来验证评估其实用价值。

基于机器学习方法中草药电子鼻智能鉴别分类器的优化

目的:将机器学习方法引入到电子鼻系统,应用于分类器的优化中,建立一种准确、快捷的中草药智能鉴别手段。方法:以菊科常用八味药材为载体,基于电子鼻建立中药气味特征指纹图谱,联合Best First搜索策略加Cfs Subset Eval评估策略的BC属性筛选法,并结合径向基函数、随机森林等建立分类器。采用十折交叉验证法、外部测试集验证法,展开对智能鉴别系统性能的预测与评估。结果:在传感器数量从12缩减为5的情况下,所建立的分类器仍保持原有正判率(100%),此方案简便、准确;并实现了中草药电子鼻智能鉴别系统的建立。结论:本研究首次呈现了BC属性筛选法对中草药电子鼻智能鉴别系统中分类器的优化;可望为中药智能鉴别提供一种快速、可靠而有效的分析方法。

车载激光点云的道路标线提取及语义关联

自动驾驶技术已成为未来智能交通的发展方向之一,高精度地图为L3级及以上自动驾驶实现高精度定位和路径规划提供先验信息,是自动驾驶车辆传感器在遮挡或观测距离受限情况下的重要补充。道路标线的位置和语义信息,比如实线和虚线的绝对位置是高精度地图的基本组成部分。本文从车载激光点云中提取扫描线,根据道路边缘位置几何形态的突变从扫描线中提取道路路面,在此基础上首先利用反距离加权插值的方法把路面点云图像以一定的分辨率转换为栅格图像,其次利用基于积分图的自适应阈值分割方法把栅格图像转化为二值图像,然后利用欧氏聚类的方法从二值图像中提取标线点云,并利用特征属性筛选的方法对提取的标线点云进行语义识别,最后建立交通标线和交通规则之间的语义关联。

基于再缩放策略的逻辑回归算法及其应用

文章提出了一种利用过滤式属性筛选-去相关的方法选择建模属性,极大程度地削弱属性之间的共线性程度。逻辑回归算法在进行类别判定时默认以0.5为判定阈值,但此种判定方式在不平衡数据集上的效果不理想,利用再缩放策略研究逻辑回归算法在不平衡数据集上的应用,并在某运营商提供的垃圾短信用户行为消费特征样本数据上进行实证分析。结果表明,经由过滤式属性筛选-去相关选取建模变量之后,基于再缩放策略的逻辑回归学习器具有良好的准确率和普适性。

基于OTSU的分类算法研究

最大类间方差算法(OTSU算法)是由大津展之在1979年提出来的。该方法是在判决分析的基础推导出来的,是一种自动的无参数无监督的阀值分割方法。本文基于属性筛选对OTSU进行了应用。属性筛选通过两种方式进行,一种是找与决策属性最相关的条件属性,一种是进行主成分分析(PCA)。本文对两种方式的OTSU进行了实验,并比较了分类精度。

基于支持向量机方法的表面活性剂增溶性能分类预测研究

为了探讨表面活性剂的增溶性能,计算了表征分子组成和拓扑等特征的148个分子描述符,经属性筛选得到13个描述符,采用支持向量机方法建立了表面活性剂增溶性能分类预测模型。结果表明,该模型预测能力及稳定性良好,5折交叉验证准确率为92.1%,测试集验证准确率为95.1%。用中药皂苷化合物对该模型进行验证,模型验证准确率达93.8%,表明该模型具有良好的推广能力,可为中药增溶性能研究提供指导。