基因型特征提取方法影响基因组选择预测准确性的研究

旨在探索并评估6种不同的单核苷多态性(single nucleotide polymorphisms, SNP)基因型特征提取方法。本研究分析比较了6种方法:主成分分析(principal component analysis, PCA)、基因主成分分析(gene-principal component analysis, gene-PCA)、SNP位点间皮尔逊相关系数(SNP-pearson correlation coefficient, SNP-PCC)、连锁不平衡(linkage disequilibrium, LD)、全基因组关联分析(genome-wide association study, GWAS)和随机抽样(random sampling, RS),在两组数据(北京鸭,542个样本,SNP位点数39 932;杜洛克猪,2 549个样本,SNP位点数230 884)3组表型(北京鸭体长(body length)、杜洛克猪背膘厚(backfat thickness)和乳头数(teat number))上的GEBV预测准确率。发现SNP-PCC结合5种GS方法(GBLUP、BayesA、BayesB、BayesC、Bayesian Lasso),在北京鸭数据获得相对可靠的预测精度,在猪背膘厚和乳头数表型获得最高平均预测准确性(提升5%,达到32.3%),并显著提升计算效率(平均提升5~7倍)。综上,本研究发现选择合适的特征提取方法可以有效提升GS的预测准确性和计算效率,为深入研究不同特征提取方法对GS预测准确性的影响奠定了基础,并为其在育种实践中应用提供了参考。

基于选择性层级特征交互的遥感影像道路提取

及时准确地提取道路信息在城市规划、交通导航、灾害管理等领域具有重要意义。为提升遥感影像道路提取的性能,提出了一种基于选择性层级特征交互的双解码器网络(SHFINet)。为解决道路提取面临的阴影遮挡问题,设计了一种多尺度特征自注意力模块(MCFA)。针对跳跃连接中容易引入噪声的问题,提出了一种选择性层级特征交互模块(SHFI)。采用两种不同形式的解码器对特征进行重构,更有效地实现不同层级特征的信息交互。

高光谱遥感图像特征选择和提取方法的比较——基于试验区Barrax的HyMap数据

以西班牙Barrax地区的HyMap数据为例,利用K-L变换、波段指数、分段K-L变换、小波变换和可分性准则等常见的特征选择和提取方法,进行了特征提取和特征选择;然后,基于常用的监督分类法,通过各自的分类精度对各特征提取和特征选择法进行了比较和分析。实验结果表明使用可分性准则进行的特征选择时,基于波段指数、离散度平均值的分类精度相对较高;基于变换的特征选择中,K-L变换、分段K-L变换和小波变换的分类精度较高,三者基本上一致。而在监督分类方法的比较分析上,平行六面体法相对较差,最小距离法分类精度则相对较高,而最大似然法则比较稳定。

融合对比学习和特征选择的入侵检测模型

入侵检测系统可以主动识别恶意流量,是保护网络安全的重要工具.针对网络流量中存在的冗余特征以及现有的入侵检测算法在特征选择过程中存在的不足,提出一种融合对比学习和特征选择的入侵检测模型(contrastive learning and feature selection,CL-FS).利用皮尔逊相关系数(Pearson correlation coefficient,PCCs)对预处理后的网络流量进行相关性分析,过滤掉相似特征;使用自编码器(autoencoder,AE)进行深度特征提取,在提取阶段融入对比学习,减少类间相似性,将提取的新特征和过滤后的特征融合,得到表征能力更强的特征集;利用改进的鸽群算法进行包裹特征选择,根据贝叶斯分类器的性能选择最优特征子集,提高分类精度.在NSL-KDD,UNSW-NB15这2个数据集的实验结果表明,CL-FS模型可以提升分类精度并减少处理时间,在2个数据集上的2分类实验准确率分别为90.45%和88.52%,分类处理时间大约减少为原来的一半.

纺织典型装备故障多特征自适应提取方法

化纤高速卷绕头故障特征提取是卷绕头故障诊断中的关键步骤。为解决化纤卷绕头故障诊断精度不高、可解释性差的难点,提出了数据驱动的化纤卷绕头故障多特征自适应提取方法。通过改进型基因表达式编程(GEP)的故障特征生成方法,设计了一种运算符与变量符随机组合编码、对位匹配与倒序运算解码方法,构建了突变、插串、重组的遗传算子,实现了多个故障特征构建与生成;提出了低冗余、高互补的多特征提取与分析方法,实现了特征间关系的可解释性分析与关键特征优选。实验结果表明:采用所提出的改进型GEP方法与传统特征提取方法、通用GEP方法所生成的故障特征进行对比,在线速度为1000、2000和3000 m/min状态下,卷绕头故障诊断精度分别提升了8.959%、3.87%、3.77%和2.601%、3.2%、2.018%,有效解决了卷绕头故障特征提取的难题;进一步的特征工程实验表明,所提方法对于多特征组合下的卷绕头故障关键特征提取具有较强的适应性能。

基于特征提取与选择的气体识别研究

在电子鼻系统中,特征提取和选择以及分类模型都是其性能改进的关键。针对从传感器阵列中提取单一特征时会忽略传感器特异性的问题,提出基于相关性分析来选择每一个传感器最优的特征提取方法,组成最优特征向量进行气体识别,实验表明:通过该方式提取的特征向量在分类模型中表现更好,在各模型的平均识别准确率提升了0.027,其中支持向量机和人工神经网络提升效果最明显,分别提升了0.031和0.054。并根据模型特性和实际需求,提出逻辑回归与支持向量机结合的二次分类模型,实验表明该模型能够进一步提高分类准确率,降低具体气体检测场景中辨别气体错误的风险。

基于多尺度特征选择与融合的目标检测方法

针对多尺度目标检测中特征图特征混淆和特征丰富程度不足的问题,提出一种基于多尺度特征选择与融合的目标检测算法。设计了一个特征选择模块来分离出不相关的特征,并结合特征金字塔网络形成特征选择网络结构,降低特征图中不同尺度目标的局部特征对当前尺度特征的干扰;提出一种浅层特征融合方法,将浅层特征逐级融合到较深层级特征中,解决特征图的特征不够丰富问题。结合特征选择架构和浅层特征融合架构,在PASCAL-VOC2007数据集上进行测试,结果mAP达到了80.1%。相较于基础的单阶段目标检测(single shot detection,SSD),所提算法的网络性能可提高2.9%,且在一些小目标和遮挡目标的检测效果上有明显的提升。通过对比和消融实验,证明了所提方法的有效性。

番茄缺素叶片的图像特征提取和优化选择研究

在基于计算机视觉技术对无土栽培番茄营养元素缺乏智能识别研究中 ,对不易被肉眼判别的缺氮和缺钾初期叶片进行图像特征的提取和优化选择研究 ,以提高识别的准确率。提出了应用相对差值百分率直方图提取缺素叶片的颜色特征 ,应用差分算子提取纹理的时域特征、应用傅里叶变换提取纹理的频域特征、应用小波包提取纹理的时频特征等的新方法 ,并新提出从颜色和纹理时域、频域、时频域等多个角度集成提取缺素叶片图像的有效特征 ,利用遗传算法对提取的众多特征项进行优化选择 ,以使诊断识别用的信息分类能力最优。试验表明 ,该方法识别的准确率较高 ,达到 95 %～ 92 .5 % ,而且可以比肉眼识别提前 6～ 10 d。

SAR图像特征提取与选择研究

特征提取与选择是SARATR的关键技术之一。通过特征提取与选择可以有效地降低数据空间的维数,从而实现对SAR图像的快速、准确解译。本文首先给出特征提取与选择问题的定义及其研究现状,进而对当前常见的特征提取与选择方法进行总结。在此基础上,给出各算法的选取标准。最后探讨了特征提取与选择过程的发展趋势。

基于经验模态分解的目标特征提取与选择

经验模态分解(EMD)是一种新的非平稳时变信号处理方法,可以自适应地将信号的局部特征逐级分解出来。提出了基于EMD的舰船噪声特征提取与选择方法,将本征模态函数(IM F)分量及其瞬时频率作为特征,并选择其判别熵作为特征向量的可分性度量。数值仿真和实际噪声数据处理的结果表明IM F分量和频率可以充分体现目标的特征,具有良好的类别可分性。

高光谱数据特征选择与特征提取研究

高光谱遥感数据的最主要特点是:传统图像维与光谱维信息融合为一体,即“图谱合一”。针对高光谱数据波段多、数据量大、冗余度大等特点,论述了特征选择和特征提取的若干算法,分析了各自的优缺点。重点研究了导数光谱算法,并针对二值编码的不足研究了其改进算法——四值编码算法。最后用编码技术和导数光谱技术提取了地物的光谱特征参数;试验表明:四值编码算法比二值编码算法效果更佳;光谱导数阶数越高,对地物特征的表达越有效。

双色中波红外图像差异统计特征的选择与提取

针对双色中波红外图像特征数目庞大,不易于对其双波段成像差异进行综合分析的问题,提出一种基于统计特征的三级特征选择模型。该模型先对双波段的原始统计特征进行标准化处理,然后根据其在四组双波段图像中的分布,经过显著差异级、一致差异级、特殊差异级的分析,选择出能够满足双波段图像差异分布规律的有效统计特征。在特征选择的基础上,利用局部线性嵌入(LLE)的特征提取方法对有效统计特征进行降维处理。实验数据表明,经该特征选择与提取后的单维特征能够综合反映双波段图像的差异幅度,达到了利用少量特征对双波段差异综合分析的目的。

遥感影像特征提取与选择及在影像分类中的应用

利用模式识别中特征提取和特征选择的相关理论对遥感影像的纹理特征进行遴选和变换处理,得到描述纹理的二次特征。实验证明这些新特征能够提高影像分类精度和分类效率。

特征选择和提取要素的分析及其评价

该文将统计学习理论应用于特征选择和提取方法的分析，研究了影响特征选择和提取的要素并给出了正、负边缘距离的定义和特征选择和提取的评价方法。以往的特征分类评价和分类方法多是建立在传统的统计学基础之上，前提是有足够多的样本，但当样本有限时难以获得理想的效果。该文以研究小样本统计估计和预测的理论一统计学习理论框架为指导，研究基于小样本所选择和提取的特征的分类评价，提出了衡量特征推广性能的正边缘距离概念和衡量类交叠情况的负距离概念，并在此基础上，进一步提出了特征选择和提取的最大正边缘距离评价、最小负距离评价、最小维评价和最小误识率评价。该文以相似的手写汉字的识别为例，说明所提出的定义和评价方法的实用性。

发动机缸盖振动信号特征提取与优化选择算法

为了从发动机缸盖振动信号中提取出完备的、高质量的状态特征,并选择出最优特征子集进行分类,建立了缸盖振动信号集成特征提取模型,提出了一种基于样本分散度的最优特征子集选择算法。集成特征提取模型选取多个完整工作循环数据处理,用提升小波包对其进行快速变换,消除波动影响和噪声,求取所构造特征集的各特征值,得到包含完备发动机状态信息的特征向量;最优特征子集优化选择算法,建立了基于样本分散度的特征选择模型,解决了冗余分类信息的消除问题,结合分类器选择出最优特征子集,使其规模与分类效果综合最优,用欧氏距离分类法和支持向量基分类器进行测试,所有40个特征输入分类器正确率分别为67.86%和70%,优化选择后特征个数分别降低为6个和5个,而分类正确率提高到了90.71%和90%。

语音信号特征选择优化提取仿真研究

在语音识别系统中,表示语音信号的高维特征矢量会使系统复杂度上升。由于语音信号存在无用和冗余信息,为了去除冗余和不相关特征,当语音信号经过预处理、提取特征参数之后,使用蚁群优化算法在特征矢量空间中选择本质特征,从而以不牺牲识别率为前提完成降维。利用隐马尔科夫模型(HMM)进行语音识别的仿真结果表明,在汉语数字语音识别系统上,蚁群优化算法的性能优于传统的遗传算法和未进行特征选择的原始特征集合。分析结果显示利用蚁群优化的特征集合可以提高识别系统的性能,而且识别速度得到了提高。

故障特征选择与诊断规则提取的VPRS模型方法

针对实际工程系统故障诊断过程中故障特征和诊断规则难以提取的问题,提出了一种基于变精度粗糙集(VPRS)模型的故障特征选择和诊断规则提取的新方法。该方法通过选取适当的分类误差参数b,运用知识约简简化知识系统。它不仅能从实测数据中提取出最佳的故障特征参数,还可得到简化的诊断规则。对滚动轴承故障诊断的仿真实例表明,该方法有效地简化了特征参数和诊断规则,提高了故障诊断的准确率,减低了诊断成本,具有比基本RS方法更广的适用性。

ISAR目标象的特征提取和特征选择

描述了一个ＩＳＡＲ目标识别系统，它以二维ＦＦＴ处理实现对ＩＳＡＲ日标象的特征提取，以位于频谱中心的一个正方形窗口实现特征选择，系统的分类器是最近邻分类器．通过ＩＳＡＲ目标识别的仿真，实验研究了特征选择窗口的长度对系统识别率的影响．实验结果表明：低通形式的特征选择窗口是特征选择的最佳方案，而且存在一个最佳的特征窗口长度，这个最佳值可以由训练样本集自身确定出来．

基于模拟退火的SVDD特征提取和参数选择

支持向量数据描述(Support Vector Data Description,SVDD)被认为是用于异常检测的典型方法。众所周之,参数的设置和特征的品质是影响SVDD性能的两个关键点。将SVDD的特征提取和参数选择问题结合在一起,提出了一种基于模拟退火的SVDD特征提取和参数选择方法(SA-SVDD)。在模拟退火的过程中,自动选择最优核参数、折衷参数以及抽取特征的维数。在UCI基准数据集上的实验结果表明,与传统的参数选择方法相比,SA-SVDD取得了更优的性能。

垃圾图像判别中的特征提取与选择研究

对垃圾图像判别问题中的特征提取和特征选择研究现状进行了总结。从特征的可区分性、鲁棒性和提取效率三个方面比较了垃圾图像判别中的主要特征,分析了特征的优缺点。结合分类学习算法、仿真实验结果,对已有的主要特征选择和分析方法进行比对,为进一步研究特征提取、特征选择方法,提高垃圾图像分类器的性能和效率提供有价值的参考。