基于双层支持向量机的作物育种新型评价方法

从育种数据分析入手,结合历史育种家的经验,提出一种基于双层支持向量机的作物育种新型评价方法。以支持向量机作为分类器,选择径向基函数作为核函数,同时使用遗传算法来寻找最优的惩罚系数C和核函数参数g值。在双层模型中,将育种数据细分为作物农艺性状数据、产量相关性状数据和抗性试验数据,对这3组数据分别进行分类预测,将获得的预测结果再次输入模型中进行分类测试,以获得最终的品种评价结果。以玉米品种为例进行试验,选用经典的分类算法进行对比试验,结果表明基于双层支持向量机的作物育种评价方法分类准确率优于其他分类算法,适用于作物育种评价过程中。

基于PSO-SVM的肿瘤特征基因表达数据分析

在肿瘤细胞的优化识别研究中,基因芯片技术受到了广泛的关注.但目前采集到的基因表达数据存在着维度高、样本小的特点.为了处理肿瘤基因数据,建立肿瘤的分类预测模型,本文提出一种基于粒子群优化参数的支持向量机的预测方法,将其命名为BBPSO-SVM.该算法利用测试集数据评估建立分类模型,进而测算出最佳的惩罚参数和核函数参数,然后,对模型进行优化,从而使模型具有最优的分类性能.我们设计的实验通过5倍交叉验证的方式进行检测,并与CR-SVM算法,RFE-SVM算法,ACA-SVM算法,RS-SVM算法等主流的特征选择算法进行比较.结果证明,和相对于参比的算法,该方法有效的提升了识别精度,并且,识别的效率较好.