基于网络成分分析的阿尔茨海默症靶基因动态表达研究

解析转录因子与靶基因之间相互调节的关系并构建转录调控网络,对研究阿尔茨海默症(AD)的致病机理、早期诊断及制药等具有重要意义。网络成分分析(NCA)是一种能够动态预测转录因子活性并表现其影响关系的方法。本研究利用转录因子对靶基因的调控作用,及基因在AD不同病程中表达的先验知识和生物数据,通过预处理AD基因表达数据,选择出10个转录因子和85个靶基因进行网络成分分析,并利用162条调控关系构建AD基因调控网络,形成和展示了转录因子对靶基因的动态调控关系和作用。通过动态预测转录因子活性及构建网络图,发现转录因子在AD疾病的不同程度的活性有明显变化趋势,其调控的靶基因变化符合AD的病理特征。如靶基因NONO在转录因子ANAPC5的调控下,表达值由3 126上升至4 508,而靶基因YWHAZ表达值由6 000下降到接近于0。该研究为AD致病机理探寻、早期诊断和相应的分子生物学实验,提供了新的思路和依据。

改进的主成分分析网络极光图像分类方法

极光的不同形态蕴含了不同的物理意义,进行极光图像的分类研究对人类生活具有极其重要的科学价值.笔者在简单的深度学习模型主成分分析网络的基础上提出了一种改进的主成分分析网络极光图像分类方法.首先利用改进的主成分分析网络提取极光图像的特征,然后将所得特征输入支持向量机对极光图像进行分类.在中国北极黄河站的全天空图像数据库的分类实验结果表明,所提方法取得了较高分类准确率.

基于L1范数主成分分析网络的肝功能分级方法

针对肝功能分级方法主要基于患者血液学检查的生物化学指标,具有创伤性,且存在时效性不足等问题.考虑到肝脏CT图像与其病理组织具有一定的关联性,从肝脏CT图像入手,提出一种基于L1范数主成分分析网络(L1-PCANet)的肝功能分级方法.首先,利用L1范数主成分分析(L1-PCA)算法改进主成分分析网络(PCANet)模型中卷积核参数的学习方法,增强对离群数据和噪声的鲁棒性,进而提取出CT图像中肝脏感兴趣区域的深度层级特征,然后,在网络输出层引入等距特征映射(Isomap)算法对特征进行非线性降维,进一步去除冗余信息,最后,利用支持向量机对模型进行优化训练,实现肝功能分级.结果表明:改进模型的分级准确率、查准率、查全率、F1值分别为78.67%,78.10%,87.33%和0.8246,相比原始PCANet模型分别提高了5.81%、2.73%、9.33%和5.8%,有效地提高了肝功能分级的准确率.

核主成分分析网络的人脸识别方法

主成分分析网络(principal component analysis network,PCANet)是当前流行深度学习模型,在人脸识别、目标识别、纹理分类和手写体数字识别等方面有广泛应用。在PCANet方法基础上,该文提出基于核主成分分析网络(kernel principal component analysis network,KPCANet)的人脸识别方法。算法由四部分组成:主成分分析(PCA)、核主成分分析(KPCA)、二值化哈希、分块直方图。在Extended Yale B和AR两个经典人脸库上的实验结果表明,所提方法在识别性能上优于PCANet方法 ,算法对于不同光照、表情变化下的人脸有更好的识别率和鲁棒性。

改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用

针对实测滚动轴承振动信号通常存在噪声干扰,具有非线性和非平稳特性,而多线性主成分分析网络(MPCAnet)在处理复杂非平稳数据时存在非线性拟合能力差、特征聚类性一般的问题,通过引入核变换,提出了一种改进的多线性主成分分析网络,增大了训练样本间的差异度,进一步提高了MPCAnet在处理非线性数据时的泛化能力和分类精度。通过不同滚动轴承故障诊断数据集对该方法进行验证,结果表明该方法具有较高的鲁棒性,能够准确识别滚动轴承的各类故障。

融合图嵌入的光滑主成分分析网络图像识别算法

主成分分析网络(principal component analysis network,PCANet)是一种简单的深度学习算法,在图像识别领域具有优秀的性能。将图嵌入思想融入PCANet,提出一种新的图像识别算法光滑主成分分析网络(Smooth-PCANet)。为了验证Smooth-PCANet算法的有效性,在人脸、手写体字符以及图片等不同数据集上构建实验,并将Smooth-PCANet与多种基于深度学习的图像识别算法作了对比。实验结果证明,Smooth-PCANet算法比PCANet获得了更高的识别性能,并且更有效地避免了过拟合,在小样本训练时具有显著优势。

基于独立成分分析的遗尿症儿童脑功能网络研究

目的:用独立成分分析(ICA)的方法对原发性单症状夜间遗尿症(PMNE)儿童的脑功能网络成分间连接进行研究。方法:采集35例PMNE儿童和25例健康儿童脑功能磁共振图像,通过ICA获得每个被试的脑功能网络成分,然后计算每个被试脑功能网络成分间的功能连接强度,比较PMNE儿童与健康对照组的强度差异。结果:与对照组对比,PMNE患者的右侧执行控制网络与默认模式网络、左侧执行控制网络均存在功能连接异常(FDR,P<0.05)。结论:PMNE儿童存在脑功能网络成分间的连接异常,这可能为理解PMNE儿童的病理机制提供一些新的影像学依据。

基于主成分分析网络的车牌检测方法

车牌识别是智能交通系统的核心技术,车牌检测是车牌识别技术中至关重要的一步。传统的车牌检测方法多利用浅层的人工特征,在复杂场景下的车牌检测率不高。基于主成分分析网络的车牌检测算法,能够无监督地逐级提取车牌深层特征,可有效提高算法的鲁棒性。算法首先采用Sobel算子边缘检测和边缘对称性分析获取车牌候选区域;然后将候选区域输入到主成分分析网络中进行车牌深度特征提取,并利用支持向量机实现对车牌区域的判别;最后采用非极大值抑制算法标记最佳车牌检测区域。利用收集的复杂场景下的车辆图像对所提方法的参数进行分析,并将其与传统方法进行比较。实验结果表明,所提算法的鲁棒性高,性能优于传统的车牌检测方法。

基于主成分分析的RBF神经网络预测SO_(2)浓度

利用基于主成分分析(PCA)算法的径向基(RBF)神经网络对大气中SO_(2)浓度进行滚动预测。以北京大兴地区2019年9月1日至2020年10月31日的气象数据和空气质量参数为基础,结合逐步回归法筛选出与SO_(2)线性相关的参数作为输入样本,构建PCA-RBF预测模型。利用该模型预测北京大兴地区某天的SO_(2)浓度,将预测值保留并作为下一天预测模型的输入参数。以此将预测值不断地向前延伸并进行分析和预测,从而实现SO_(2)浓度的滚动预测。对比RBF网络和PCA-RBF网络两种模型的预测结果,其中PCA-RBF模型期望值和预测值的误差及相关系数分别为0.03μg·m^(-3)和0.9989。表明PCA-RBF网络模型能精准预测SO_(2)浓度变化趋势,为进一步解决大气污染问题提供技术支持。

企业人才竞争力的BP神经网络分析

本文从企业HR竞争力指标中用主成分分析析取出4个因子,构成企业HR的竞争力模型,通过BP神经网络对30家企业的HR竞争力进行了仿真预测,便于HR管理者即时对企业人才竞争力定位,有利于管理者对企业HR的战略部署。

基于主元分析的神经网络教学质量评估

现有的课堂教学评价指标体系间存在高度的非线性，数据冗余等特征。针对此课堂教学评估方法无法消除数据之间的冗余和捕捉非线性规律导致预测精度较低的问题，提出一种基于主元分析的神经网络教学质量评估方法。首先构建影响课堂教学质量评估的因素体系，利用主元分析法消除数据的冗余信息，选择贡献率大的主成分因子作为网络输入，然后构造神经网络模型对教学质量进行评估。通过收集陕西科技大学30名教师的评价数据进行实例验证，结果显示基于主元分析的评估模型在简化BP神经网络结构的同时，也提高了课堂教学质量评估的预测效果。

基于互信息的显著基因提取及转录调控网络构建

传统特征基因提取方法往往只注重单个基因在不同样本中的表达差异,忽视了基因之间的关联性以及多个致病基因作为一个基因模块与复杂疾病的联系。针对这种情况,提出基于互信息MI(Mutual Information)的特征基因提取算法,提取在健康对照和阿尔茨海默症AD(Alzheimer’s disease)患病样本中关联度具有明显差异变化的基因作为特征基因。在此基础上,结合转录因子TF(Transcription factor)对靶基因TG(Target gene)调控的生物学先验信息,利用网络成分分析NCA(Network Component Analysis)算法分析转录因子的表达活性及其对靶基因的调控强度,构建AD特征基因的转录调控网络。分子生物学分析表明,它们在有丝分裂、细胞周期、免疫反应以及炎症反应过程中的变化对AD的退化过程具有重要作用。

乳腺癌组织学分级下目标基因提取及转录调控网络构建

目的乳腺癌类型和分级多样性导致其预后差别显著,探寻乳腺癌不同分级情况下的基因表达差异及调控关系能够为乳腺癌致病机制的发现提供重要依据。方法对不同分级下的乳腺癌基因表达数据利用快速独立成分分析(FastICA)方法提取特征基因,并结合人类蛋白质相互作用(PPI)数据选取目标基因。在此基础上,结合转录因子对靶基因调控的先验信息,利用网络成分分析(NCA)方法对与乳腺癌发病有密切关系的转录因子及其靶基因构建转录调控网络。结果筛选出的基因经过数据库验证与乳腺癌相关的占48.15%,构建的调控网络发现了多个转录因子及靶基因在不同分级情况下的活性变化趋势。结论 FastICA算法结合PPI数据提取目标基因的方法较为有效,通过NCA算法构建的转录调控网络为研究乳腺癌发生发展机制提供了新的方法。

基于转录调控网络研究的乳腺癌与系统性红斑狼疮免疫系统发病机理探寻

利用快速独立成分分析(FastICA)方法提取乳腺癌(BC)和系统性红斑狼疮(SLE)2种疾病的差异表达基因。在此基础上,结合转录因子对靶基因调控的生物学先验信息,利用网络成分分析(NCA)算法提取了转录因子在2种疾病中调控强度及对靶基因调控活性的变化情况,构建2种疾病均有显著变化的11个转录因子和18个靶基因的转录调控网络。该研究为进一步探寻BC和SLE的免疫发病机制和相应的分子生物学实验提供了新的方向和依据。

基于矩阵分解技术的系统性红斑狼疮转录调控网络构建

利用双向聚类方法提高系统性红斑狼疮(systemic lupus erythematosus,SLE)基因表达数据特征基因提取的有效性;预测SLE患病过程中转录因子活性以及对靶基因的调控强度变化,构建和挖掘与SLE发病密切相关的转录调控网络及其生物过程.利用FastICA方法进行双向聚类筛选出800个SLE显著基因,结合转录调控信息选取其中表达显著的转录因子及其靶基因,利用NCA预测SLE发病过程中转录因子活性以及对靶基因调控强度的变化,并构建调控网络.构建了由9个转录因子和47个靶基因所组成的调控网络,结合分子生物学分析发现,转录因子在正常样本和患病样本中的活性有明显的变化趋势,其调控的靶基因的变化符合SLE的病理特征.利用矩阵分解技术进行SLE特征基因提取及转录调控网络构建能够发现多个与炎症反应及免疫系统等密切相关的生物过程,对研究SLE致病机理和相应的生物学实验提供了方法和依据.

一种基于改进BP神经网络的PCA人脸识别算法

人脸识别作为模式识别领域的热点研究问题受到了广泛的关注。传统BP算法虽然具有自学习、自适应以及强大的非线性映射能力并且在人脸图像识别准确率上占有很大的优势,但算法具有收敛缓慢、训练过程振荡、易陷入局部极小点等缺点。针对传统BP算法的不足提出一种基于改进BP神经网络的PCA人脸识别算法,该算法采用PCA算法提取图像的主要特征,并结合一种新的权值调整方法改进BP算法进行图像分类识别。仿真实验表明,通过使用该算法对ORL人脸数据库的图像进行识别,其结果比传统算法具有更快的收敛速度和更高的识别率。

基于增量行列二维主成分分析的深度子空间网络

主成分分析网络(principal component analysis network,PCANet)是一种基于卷积神经网络模型进行简化的深度子空间网络模型。针对PCANet在卷积核提取过程中无法对图像样本进行实时处理的问题,本文提出了一种基于增量行列二维主成分分析方法(incremental sequential row-column 2DPCA,IRC2DPCA)的增量行列二维主成分分析网络(incremental sequential row-column 2DPCA network,IRC2DPCANet)。该方法可以在卷积核的训练过程中对训练样本进行实时处理,从而提高网络的训练效率。通过在PIE、AR、Yale 3个典型人脸数据集上的实验表明,本文所提出的方法具有良好的分类性能。最后,本文还研究了卷积核大小及卷积层中卷积核数量对于算法分类率的影响。

基于全局网络PCA的DDoS攻击检测方法

随着网络规模的不断扩充,对于DDoS攻击的集中式检测方法已经无法满足实时性和准确性等要求。针对大规模网络中的DDoS攻击行为,提出了一种基于全局PCA的分布式拒绝服务攻击检测方法(WPCAD)。该方法由传统的OD矩阵得出各节点的ODin矩阵,各分布式处理单元通过PCA分析到达该节点的多路OD流之间的相关性,利用DDoS攻击流引起流量之间相关性突变的特性来完成检测。该方法采用分布式处理的方式,降低了检测数据所消耗的带宽,并满足了检测的实时性。实验结果表明该方法具有更好的检测效果。

四阶段端到端的用户异常用电模式检测网络

为减少输配电过程中用户异常用电行为所造成的经济损失,提出了一种新颖的端到端的用户异常用电检测网络模型,该模型基于主成分分析网络(Principal Component Analysis network,PCANet).与传统PCANet不同的是,其中采用四阶段特征映射模型.通过前三阶段特征映射提取网络获取用户用电数据中的正常、异常用电序列特征.该过程中,为了提高PCANet的检测精度,将第一阶段PCA所获取的特征通过下采样嵌入到第二阶段PCA中.将第三阶段PCA输出作为第四阶段小波神经网络(Wavelet neural networks,WNN)的输入,从而进一步了提高模型的检测精度.通过实验对比分析文中所提方法与传统异常用电检测方法表明:所提出的方法具有更高的检测准确性与鲁棒性,可以有效检测出用户异常用电行为.

基于改进主成分分析网络的手写数字识别方法

针对人工特征对于多样性的变化没有很好鲁棒性,并且主成分分析网络提取的特征维数过高导致分类效率低且对内存消耗大的问题,提出了一种主成分分析网络和压缩感知结合的手写数字识别方法.首先,利用改进的主成分分析网络对图像进行特征提取;然后,用一个非常稀疏且符合压缩感知RIP条件的随机测量矩阵对抽取的特征空间投影,得到一个低维压缩子空间,该子空间可以保留高维图像特征空间的信息;最后,采用支持向量机对降维后特征进行训练和识别.实验结果表明:该方法识别率高、训练时间短;同时,该方法在加入池化层并进行压缩感知后,特征维数更低,模型内存占用更小,分类识别的速度更快.