基于惩罚逻辑回归的乳腺癌预测

本文采用惩罚逻辑回归方法,利用威斯康星大学的乳腺癌数据对乳腺肿瘤进行预测。首先选取与乳腺癌相关的10个指标作为自变量,接着采用逻辑回归、LASSO惩罚逻辑回归、L_(2)惩罚逻辑回归和弹性网惩罚逻辑回归作为分类器,利用75%的数据集作为训练集建立模型,最后利用25%的测试集、混淆矩阵和ROC曲线评估不同模型的预测精度。结果表明,LASSO惩罚逻辑回归的预测表现最好,预测精度达到97.18%;弹性网惩罚逻辑回归的预测表现随着α的增大发生变化,特别当α=0.9时,预测精度达到97.18%,与LASSO惩罚逻辑回归的预测表现一样好;L_(2)惩罚逻辑回归的预测表现排第3,逻辑回归表现最差。因此,在乳腺肿瘤诊断中可借助LASSO惩罚逻辑回归和弹性网惩罚逻辑回归提高诊断精度。

融合脑电特征的弹性网特征选择和分类

脑机接口系统的核心问题之一是信号分类。本文针对脑电信号的异构融合特征的分类问题提出了一种新方法:封装式弹性网特征选择和分类。首先,对预处理后的脑电(EEG)信号联合应用时域统计、功率谱、共空间模式和自回归模型方法提取高维异构融合特征。其次,采用封装方式进行特征选择:对训练数据采用弹性网罚逻辑回归拟合模型,通过坐标下降法估计模型参数,运用10倍交叉验证选择出最优特征子集。最后采用已训练的最优模型对测试样本进行分类。实验中采用国际BCI竞赛Ⅳ的EEG数据,结果表明,该方法适用于高维融合特征的最优特征子集选择问题,对于EEG信号的识别不仅效果好、速度快,而且能够选出与分类更相关的子集,获得相对简单的模型,平均测试正确率达到了81.78%。

增强类可分性的高光谱图像分类

目的在高光谱图像分类中,由于成像空间分辨率较低,混合像元大量存在。混合像元使得不同类别的光谱特征发生改变,失去原有的独特性,类内差异变大,类间差异变小。针对这一问题,本文提出基于分组滚动引导滤波的策略。同时针对高光谱图像中存在的"维数灾难"问题,提出了弹性网逻辑回归分类器的框架。方法通过线性判别分析(linear discriminant analysis,LDA)算法生成具有判别性的引导图,对高光谱图像的每个波段执行滚动引导,从而让光谱曲线呈现类内凝聚、类间距离增大的趋势。通过构造逻辑回归目标函数的L1&L2范数正则项约束进行嵌入式波段选择,为每个类别选择出各自可分性强的波段,同时可以使高度相关性的波段保留下来作为分类依据。最后使用邻域优化策略对分类后结果进一步优化,提升分类精度。结果分别在3个实验数据集上与其他分类算法进行对比,实验结果表明,本文算法的分类结果取得明显提升。本文算法的总体分类精度(overall accuracy,OA)在Indian Pines、Salinas和KSC(Kennedy Space Center)数据集上分别为96.61%、98.66%和99.04%,比其他算法平均分别高出4.8%、3%和1%,同时也在Indina Pines数据集中进行了对比实验以验证增强混合像元光谱可分性和波段可分性算法的有效性,对比实验结果表明本文算法改善了分类效果。结论分别在光谱特性和波段选择两个环节增强类可分性,分类精度取得明显提升;同时,本文算法适合不同的数据集,并且在不同数量的训练样本下OA均表现较优,算法具有一定的鲁棒性。