基于Fisher Score特征选择的电力系统暂态稳定评估方法

针对不同电气输入特征与电力系统暂态稳定关联程度不同以及当输入特征受到干扰时评估准确率明显下降的问题,提出一种基于Fisher Score特征选择的电力系统暂态稳定评估方法。设计一种面向电力系统暂态稳定评估二分类问题的样本特征Fisher Score值计算方案;通过Fisher Score值排序有效区分重要特征与冗余特征、噪声特征与非噪声特征;将选择的电气特征输入不同机器学习模型中进行训练和评估。新英格兰39节点系统和IEEE 145节点系统的仿真结果表明,所提特征选择方案能有效筛选电力系统暂态稳定评估中重要度高的特征,提升了评估模型的预测性能。

基于互信息的Fisher Score多标记特征选择

目前,Fisher Score模型在处理多标记数据时没有考虑样本和整个特征空间之间以及特征和标记之间的关系.提出一种基于互信息的Fisher Score多标记特征选择方法.首先,在多标记决策系统中考虑整个样本空间对特征选择的影响,根据异类样本与同类样本之间的欧式距离定义权重公式,并在特征空间下对标记赋予权重衡量标记的重要程度.然后,基于互信息理论定义特征与每个标记之间的互信息来计算每个特征和每个标记之间的相关度,将特征与标记之间的相关度与该标记所占的权重相结合来定义特征和标记集之间的总相关度.将Fisher得分与总相关度结合,定义每个特征的新的Fisher得分,进而构建多标记Fisher Score模型.最后,设计了一种基于互信息的Fisher Score多标记特征选择算法.在六个多标记数据集上的实验证明,提出的算法与其他算法相比,其四种评价指标都表现良好,分类性能出色.

基于Fisher score与模糊邻域熵的多标记特征选择算法

针对Fisher score未充分考虑特征与标记以及标记之间的相关性,以及一些邻域粗糙集模型容易忽略边界域中知识粒的不确定性,导致算法分类性能偏低等问题,提出一种基于Fisher score与模糊邻域熵的多标记特征选择算法(MLFSF)。首先,利用最大信息系数(MIC)衡量特征与标记之间的关联程度,构建特征与标记关系矩阵;基于修正余弦相似度定义标记关系矩阵,分析标记之间的相关性。其次,给出一种二阶策略获得多个二阶标记关系组,以此重新划分多标记论域;通过增强标记之间的强相关性和削弱标记之间的弱相关性得到每个特征的得分,进而改进Fisher score模型,对多标记数据进行预处理。再次,引入多标记分类间隔,定义自适应邻域半径和邻域类并构造了上、下近似集;在此基础上提出了多标记粗糙隶属度函数,将多标记邻域粗糙集映射到模糊集,基于多标记模糊邻域给出了上、下近似集以及多标记模糊邻域粗糙集模型,由此定义模糊邻域熵和多标记模糊邻域熵,有效度量边界域的不确定性。最后,设计基于二阶标记相关性的多标记Fisher score特征选择算法(MFSLC),从而构建MLFSF。在多标记K近邻(MLKNN)分类器下11个多标记数据集上的实验结果表明,相较于ReliefF多标记特征选择(MFSR)等6种先进算法,MLFSF的平均分类精度(AP)的均值提高了2.47~6.66个百分点;同时,在多数数据集上,MLFSF在5个评价指标上均能取得最优值。

基于Fisher Score与最大信息系数混合模型的三电平逆变器故障特征选择方法

针对三电平逆变器在特征提取时出现特征表达不一致和冗余问题,以提高三电平逆变器故障识别准确率为目的,提出一种基于Fisher Score与最大信息系数混合模型的三电平逆变器故障特征选择方法。该方法采用Fisher Score方法对原始特征集进行故障特征重要度排序,且利用最大信息系数对特征之间的相关性进行评价,进而对特征排序结果进行调整;以故障分类准确率为评判依据,基于随机森林算法对Fisher Score与最大信息系数混合模型进行修正,实现敏感故障特征筛选与分类;利用仿真和实验台的逆变器故障数据集进行实验,实验结果表明所提出的故障诊断模型准确率分别为93.3%和90.2%,与传统reliefF特征选择方法相比,所提出的特征选择方法筛选的敏感特征更有利于三电平逆变器故障诊断识别分类,故障识别准确率分别提高了2.1%和1.3%。

基于文本分类的Fisher Score快速多标记特征选择算法

Fisher Score(FS)是一种快速高效的评价特征分类能力的指标,但传统的FS指标既无法直接应用于多标记学习,也不能有效处理样本极值导致的类中心与实际类中心的误差。提出一种结合中心偏移和多标记集合关联性的FS多标记特征选择算法,找出不同标记下每类样本的极值点,以极值点到该类样本的中心距离乘以半径系数筛选新的样本,从而获得分布更为密集的样本集合,以此计算特征的FS得分,通过整体遍历全体样本的标记集合中的每个标记,并在遍历过程中针对具有更多标记数量的样本自适应地赋以标记权值,得到整体特征的平均FS得分,以特征的FS得分进行排序过滤出目标子集实现特征选择目标。在8个公开的多标记文本数据集上进行参数分析及5种指标性能比较,结果表明,该算法具有一定的有效性和鲁棒性,在多数指标上优于MLNB、MLRF、PMU、MLACO等多标记特征选择算法。

改进的Fisher Score特征选择方法及其应用

为了更加完整地刻画出传统Fisher Score在某些分布不均匀情况下未体现出的类间差异,同时弥补对两类间交叉关系的考虑,采取新的类间散度度量公式,加入度量两类重复度的交叉系数,并引入最大互信息系数对公式进行修正,提出了改进的FisherScore,对比实验验证了改进方法的有效性.结果表明:改进的FisherScore可以度量出更多的数据分布情况,在分布不均匀但同属于一个类中心的数据中,改进方法可以将更重要的特征辨识出来,完善了传统的Fisher Score特征选择方法.

基于F-score和二进制灰狼优化的肿瘤基因选择方法

针对肿瘤基因数据维度高、噪声多、冗余性高的现状,结合Spearman相关系数改进F-score算法,在此基础上优化二进制灰狼算法,提出了一种基于改进F-score和二进制灰狼算法的肿瘤基因选择算法.首先,考虑特征之间的相关性,计算每个特征的F-score值和特征之间的Spearman相关系数的绝对值;然后,计算权重系数得出各个特征的权重值,依据重要性进行排序,选出初选特征子集;最后,通过收敛因子的衰减曲线和初始化方法优化二进制灰狼算法,调整全局搜索和局部搜索所占比例,增强全局搜索能力并提高局部搜索速度,有效节省时间开销,提升特征选择的分类性能和效率,得到最优特征子集.在9个肿瘤基因数据集上测试所提算法,在分类准确率和筛选特征数目两个指标上进行仿真实验,并与4种其他算法进行对比,实验结果证明所提算法表现良好,可有效降低基因数据维度,并具有较好的分类精度.

基于Fisher Score与最大信息系数的齿轮箱故障特征选择方法

针对工业环境中齿轮箱多故障特征难以选择的问题,结合Fisher Score与最大信息系数(MIC)构建一种新的故障特征优化选择方法.首先,考虑到多故障特征分布不均匀和重叠性问题,采用Fisher Score计算方法构建特征指标重要度排序规则;其次,在考虑冗余特征对有效特征表征的影响基础上,利用最大信息系数构建特征间关联性评价方法,对冗余特征实现更新排序;再次,以分类准确率为判断依据,基于支持向量机理论(SVM)对排序模型进行修正,建立基于Fisher Score与最大信息系数的故障特征优化选择方法;最后,利用UCI标准数据集和实验仿真的齿轮箱故障数据进行实验以验证所提出算法的有效性和工程实用性.仿真实验对比分析表明,与传统的mRMR、reliefF方法相比,所提出的方法特征子集数量适中,准确率更高.

一般均值漂移模型的Score检验统计量

本文研究了一般均值漂移模型中漂移量的存在性检验问题.利用Score函数和Fisher信息阵,获得了检验的Score统计量.

Behrens-Fisher问题的正态逼近

本文提出用基于得分检验的正态逼近方法来解决Behrens-Fisher问题,即比较方差比未知时两正态总体的均值。模拟结果显示:在所有的研究情况下,这种方法都能很好地控制第一类错误,检验功效也不差;而最常用的Welch近似t检验在样本量不等时大多数情况都不能控制第一类错误。

基于Fisher分值的特征提取在语音确认中的应用

针对支持向量机不能直接处理动态时间序列的语音数据问题,提出一种基于Fisher分值法的特征提取方法。Fisher分值法可以有效地进行特征向量的定长转换,使得支持向量机可以在整体语音序列上进行分类,从而提高系统的识别率。仿真实验结果表明,该方法在不影响系统识别速度的情况下,具有较高的识别性能。

含方差扩大的一般均值漂移模型的Score检验统计量

该文研究了含方差扩大的一般均值漂移模型中漂移量的存在性检验问题.利用Score函数和Fisher信息阵,获得了检验的Score统计量.

二阶矩条件下Fisher信息的收敛性

引入了Fisher信息距离,给出了Fisher信息的收敛性定理并讨论了它的应用,在二阶矩条件下证明了Fisher信息的收敛性.

基于Fisher矢量编码的运动视频自动评分技术

传统基于计算机视觉特征的人体运动分析和动作评分技术对局部人体运动特征判别性不强,导致对相似人体动作的类内差异不敏感,自动评分准确率低。提出一种局部时空保持的单目运动视频人体动作特征Fisher矢量(FV)编码方法和自动评分技术。首先提取梯度方向直方图(HOG)和光流直方图(HOF)描述运动视频中人体动作姿态和运动特征,实施2归一化和基于主成分分析的数据降维后获得具有判别性的人体动作特征矢量;然后利用时空金字塔方法在FV编码中嵌入时空特征,提高对动作正确性和协调性的判别能力;最后通过建立不同动作分类的线性模型确定动作评分。在健美操动作自动评分数据集上的实验表明,所提算法的敏感性和特异性约为94.4%和71.4%,与专家评分的中位数平均误差为7.0%,适用于在线体育教学和普通运动训练中基于单目运动视频的动作完成质量评价。

基于Fisher-FCBF的入侵特征选择算法的研究

大量的冗余和噪音数据混合于网络入侵数据中,从而影响到检测的性能和响应。因此,提出基于Fisher-FCBF算法。通过对特征的Fisher分值排序,再使用FCBF算法去冗余,结合SVM,建立分类特征模型,在不降低准确率的前提下,选出最优特征子集,结果表明所提出的方法能够在保证分类准确率的情况下,降低至少11%-21%的计算时间。

BI-RADS系统与Fisher's评分联合应用在3.0T磁共振对乳腺疾病定性诊断中的价值

目的评价BI-RADS系统与Fisher＇s评分联合在3.0T磁共振下判断乳腺良恶性病变的价值。方法回顾性分析病理证实的72个乳腺病变病灶,双盲法按照BI-RADS系统联合Fisher＇s评分后进行病理对照分析。结果72个乳腺病变病灶穿刺或手术证实良性病变31个、恶性病变41个。BI-RADS系统与Fischer’s评分联合应用判断良性病变为28个、恶性病变为44个。BI-RADS系统与Fischer’s评分联合应用的敏感性91.23%、特异性86.17%、阳性预测值92.84%、阴性预测值91.45%。BI-RADS系统与Fischer’s评分联合应用与病理结果在肿块形态、肿块边缘及内部强化特点方面比较,差异均有统计学意义（χ^2分别=18.46、21.58、15.74,P均〈0.05）。结论 BI-RADS系统与Fischer’s评分联合应用能更客观评价乳腺良恶性病变。

基于公司财务的新Z-score模型研究

Z-score模型在财务困境方面的应用一直都具有很重要的作用。本文借鉴国内外学者的研究成果,基于公司的财务,利用Fisher逐步判别分析法进行指标筛选,消除变量间多重共线性问题,通过筛选后得到的财务指标建立了一个新Z-score模型。然后通过原始样本的回判检验和交互检验以及预测样本的检验,验证了该模型的有效性和判别能力。

Miller-Fisher综合征与Guillain-Barré综合征非核心临床表现、电生理及脑脊液比较

目的 2014年新的GBS谱系疾病诊断标准提出,典型吉兰-巴雷综合征(Guillain-Barrésyndrome,GBS)与Miller-Fisher综合征(Miller-Fisher syndrome,MFS)为同一疾病谱的不同亚型,主要根据各自特殊的核心临床表现进行诊断和鉴别诊断。本研究分析典型GBS与MFS患者的非核心临床表现、神经电生理和脑脊液检测结果的差异,以期更好地鉴别和认识GBS谱系疾病中这两大主要亚型。方法回顾分析上海交通大学医学院附属仁济医院2013-01—2017-03收住的MFS患者37例,典型GBS患者79例。比较两组患者的非核心临床表现、神经电生理及脑脊液检查结果的差异。结果 (1)临床表现:1)前驱感染方面:MFS患者呼吸道感染发生率高于GBS患者(48.6%比22.8%,P<0.05),而GBS患者腹泻发生率高于MFS组(34.1%比2.7%,P<0.01);2)非核心症状方面:MFS组浅感觉障碍出现率较GBS组低(37.8%比60.8%,P<0.05);3)高峰期Hughes评分:MFS组评分≥3分者较GBS组少(8.1%比75.9%,P<0.01)。(2)电生理检查:典型GBS组主要表现为运动伴感觉神经传导异常(54.4%)或单纯运动神经传导异常(27.8%),MFS组主要表现为单纯H反射异常(35.1%)、单纯感觉传导异常(35.1%)和正常肌电图(13.5%);典型GBS组F波异常多见(82.3%),MFS组出现F波异常少见(5.4%)。(3)脑脊液表现:典型GBS组脑脊液蛋白细胞分离率和蛋白水平均高于MFS组[82.4%比57.1%,P<0.05;(1144.46±764.31)mg/L比(691.79±469.35)mg/L,P<0.05]。结论高峰期GBS患者Hughes评分≥3分者较MFS者更多,残疾更重,需要尽早准确鉴别。除公认的GBS与MFS特殊的核心临床表现外,两者的非核心临床表现、脑脊液和电生理检查结果均存在差异,认识这些差异有利于更好地理解新的诊断标准,也有助于两者的诊断和鉴别。

非线性回归模型中的拟Fisher信息

给出拟Fisher信息达到其上界的充要条件,此条件为真得分函数是线性无偏的,即观测数据来自指数族分布,当拟Fisher信息太小时,提出了一种线性有偏拟得分方法,该方法能增加拟Fisher信息,从而改进了参数估计。

影像学改变及意识障碍与蛛网膜下腔出血继发脑心综合征的相关性研究

目的探索蛛网膜下腔出血影像学改变及意识障碍程度与蛛网膜下腔出血继发脑心综合征的关系及预测价值。方法回顾性纳入2020年5月—2022年5月在首都医科大学附属北京天坛医院急诊抢救室诊治的18~70岁蛛网膜下腔出血患者。所有病例来诊后即时完成头颅CT检查评估改良Fisher分级,出血当天同时采用GCS进行评估。入院第1、3、5、7、14天均采集心电图及血标本检测心肌肌钙蛋白I(cardiac troponin I,cTNI)、B型利钠肽(B-type natriuretic peptide,BNP),入院后第1、14天完成超声心动图检查,测量左室射血分数(left ventricular ejection fraction,LVEF),cTNI、BNP、LVEF计算多次平均值作为分析数据。根据有无脑心综合征分为脑心综合征组及非脑心综合征组进行数据分析。结果共纳入261例患者,其中脑心综合征组146例(55.9%),非脑心综合征组115例(44.1%)。脑心综合征组的中位c TNI[3.214(1.125~6.101)ng/mL vs.0.009(0.005~0.015)ng/mL,P=0.014]、中位BNP水平[589.12(426.19~695.42)pg/mL vs.78.47(55.25~102.34)pg/mL,P=0.009]均高于非脑心综合征组。脑心综合征组平均LVEF(42.57%±3.52%vs.53.24%±3.14%,P=0.012)、平均GCS评分[(9.12±2.26)分vs.(12.85±1.58)分,P=0.038]、改良Fisher分级[(2.84±0.72)级vs.(1.75±0.34)级,P=0.045]均低于非脑心综合征组。GCS评分与cTNI水平(r=-0.458,P<0.001)及BNP水平(r=-0.724,P<0.001)呈负相关,与LVEF呈正相关(r=0.687,P<0.001)。改良Fisher分级与cTNI水平(r=0.542,P<0.001)及BNP水平(r=0.429,P<0.001)均呈正相关,与LVEF呈负相关(r=-0.721,P<0.001)。GCS评分对蛛网膜下腔出血继发脑心综合征诊断价值的ROC曲线对应的AUC值为0.813(95%CI 0.728~0.898),最佳截断值为0.628(此时灵敏度为68.3%,特异度为94.6%);改良Fisher分级对应的AUC值为0.820(95%CI 0.730~0.910),最佳截断值为0.542(此时灵敏度为92.1%,特异度为62.2%)。结论蛛网膜下腔出血者GCS评分越低,继发脑心综合征可能性越大;改良Fisher分级越高,继发脑心综合征可能性也越大。改良Fisher分级及GCS评分能及时早期预判脑心综合征。