贝叶斯一致性分析法在全基因组系统发生树分析上的应用

构建系统发生树时,其拓扑结构会在不同的基因组区域产生不一致性。对此问题,贝叶斯一致性分析法(BCA)可在全基因组规模上进行系统发生树分析,并进而对不一致性信息进行量化统计。采用此方法对由C3H/Hu小鼠(Mus musculus)和129Sv小鼠回交多代产生的129S1小鼠进行系统发生树分析,输入相应的一组序列文件,用若干生物信息学软件(如VCFtools,Repeat Masker,PAUP*4.0,Mr Model Test,Mr Bayes等)对其进行屏蔽重复序列、序列比对等处理,辅以Perl语言脚本,最终得到全基因组范围不同区段系统发生树不一致信息。在小鼠10号染色体的所有99个基因座中,支持129S1和129Sv品系小鼠为姐妹关系的拓扑结构占了84.7%(后验概率最高),这证明了C3H/Hu小鼠对129S1小鼠基因组的贡献程度较小。结果表明,贝叶斯一致性分析法有助于基因组不同区段进化历史的研究。

影像同名点匹配的SIFT算法与贝叶斯抽样一致性检验

为提高影像匹配的稳健性,引入基于SIFT特征匹配的贝叶斯抽样一致性算法(Bayes sample consensus,BAYSAC),提出基于随机概率U(0,1)、基于像点到像片中心距离比值和基于影像重叠度的3种正确点先验概率估计方法,并根据相似性原理简化了贝叶斯公式,用于更新正确点概率。以SIFT算法为基础,结合贝叶斯抽样一致性算法,对不同的正确点概率估计方法进行了试验。试验结果表明,改进后的算法减少了迭代次数,从而减少了计算时间。同时,它能剔除更多的误匹配,并保留更多的正确匹配,从而提高匹配正确率。

利用贝叶斯抽样一致性的点云特征面拟合

针对传统随机抽样一致性算法在拟合特征面时对种子点的选择具有一定的随机性,造成循环次数过多、效率低下的问题,该文提出一种改进的随机抽样一致性算法——贝叶斯抽样一致性算法。首先建立柱面、球面、圆环面、平面的数学模型;然后用贝叶斯抽样一致性算法提高抗噪性,并用二维直方图统计方法对贝叶斯抽样一致性算法中的局内点先验概率估计进行改进;最后,对局内点用非线性最小二乘进行拟合。将该方法与基于随机抽样一致性算法的特征面拟合方法进行了对比和分析,实验结果证明,贝叶斯抽样一致性算法能够更高效地实现局部特征面拟合。

加权边缘损失函数的代价敏感支持向量机

已有的非平衡数据分类算法主要采取直接对损失函数进行加权的方法.文中提出一种加权边缘的hinge损失函数并证明它的贝叶斯一致性,得到加权边缘支持向量机算法(WMSVM),并给出类似于SMO的求解方法.实验结果表明WMSVM在一些数据库上是有效的,从而从理论和实验上说明基于加权边缘的损失函数方法是已有代价敏感方法的一种较好补充.