期刊文献+
任意字段
题名或关键词
题名
关键词
摘要
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到48篇文章
< 1 2 3 >
每页显示 20 50 100
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
Parameters selection in gene selection using Gaussian kernel support vector machines by genetic algorithm 认领 引用 被引量：16
1
作者 毛勇 周晓波 +2 位作者 皮道映 孙优贤 WONG Stephen T.C. 《Journal of Zhejiang University-SCIENCE B》 EI CAS 2005年第10期961-973,共13页
In microarray-based cancer classification, gene selection is an important issue owing to the large number of variables and small number of samples as well as its non-linearity. It is difficult to get satisfying result... In microarray-based cancer classification, gene selection is an important issue owing to the large number of variables and small number of samples as well as its non-linearity. It is difficult to get satisfying results by using conventional linear sta- tistical methods. Recursive feature elimination based on support vector machine (SVM RFE) is an effective algorithm for gene selection and cancer classification, which are integrated into a consistent framework. In this paper, we propose a new method to select parameters of the aforementioned algorithm implemented with Gaussian kernel SVMs as better alternatives to the common practice of selecting the apparently best parameters by using a genetic algorithm to search for a couple of optimal parameter. Fast implementation issues for this method are also discussed for pragmatic reasons. The proposed method was tested on two repre- sentative hereditary breast cancer and acute leukaemia datasets. The experimental results indicate that the proposed method per- forms well in selecting genes and achieves high classification accuracies with these genes. 展开更多
关键词 Gene selection, Support vector machine (SVM), Recursive feature elimination (RFE), Genetic algorithm (GA),Parameter selection
暂未订购 下载PDF
Feature Selection Optimisation for Cancer Classification Based on Evolutionary Algorithms:An Extensive Review 认领 引用
2
作者 Siti Ramadhani Lestari Handayani +4 位作者 Theam Foo Ng Sumayyah Dzulkifly Roziana Ariffin Haldi Budiman Shir Li Wang 《Computer Modeling in Engineering & Sciences》 SCIE EI 2025年第6期2711-2765,共55页
In recent years,feature selection(FS)optimization of high-dimensional gene expression data has become one of the most promising approaches for cancer prediction and classification.This work reviews FS and classificati... In recent years,feature selection(FS)optimization of high-dimensional gene expression data has become one of the most promising approaches for cancer prediction and classification.This work reviews FS and classification methods that utilize evolutionary algorithms(EAs)for gene expression profiles in cancer or medical applications based on research motivations,challenges,and recommendations.Relevant studies were retrieved from four major academic databases-IEEE,Scopus,Springer,and ScienceDirect-using the keywords‘cancer classification’,‘optimization’,‘FS’,and‘gene expression profile’.A total of 67 papers were finally selected with key advancements identified as follows:(1)The majority of papers(44.8%)focused on developing algorithms and models for FS and classification.(2)The second category encompassed studies on biomarker identification by EAs,including 20 papers(30%).(3)The third category comprised works that applied FS to cancer data for decision support system purposes,addressing high-dimensional data and the formulation of chromosome length.These studies accounted for 12%of the total number of studies.(4)The remaining three papers(4.5%)were reviews and surveys focusing on models and developments in prediction and classification optimization for cancer classification under current technical conditions.This review highlights the importance of optimizing FS in EAs to manage high-dimensional data effectively.Despite recent advancements,significant limitations remain:the dynamic formulation of chromosome length remains an underexplored area.Thus,further research is needed on dynamic-length chromosome techniques for more sophisticated biomarker gene selection techniques.The findings suggest that further advancements in dynamic chromosome length formulations and adaptive algorithms could enhance cancer classification accuracy and efficiency. 展开更多
关键词 Feature selection(FS) gene expression profile(GEP) cancer classification evolutionary algorithms(EAs) dynamic-length chromosome
暂未订购 下载PDF
Enhancing Cancer Classification through a Hybrid Bio-Inspired Evolutionary Algorithm for Biomarker Gene Selection 认领 引用
3
作者 Hala AlShamlan Halah AlMazrua 《Computers, Materials & Continua》 SCIE EI 2024年第4期675-694,共20页
In this study,our aim is to address the problem of gene selection by proposing a hybrid bio-inspired evolutionary algorithm that combines Grey Wolf Optimization(GWO)with Harris Hawks Optimization(HHO)for feature selec... In this study,our aim is to address the problem of gene selection by proposing a hybrid bio-inspired evolutionary algorithm that combines Grey Wolf Optimization(GWO)with Harris Hawks Optimization(HHO)for feature selection.Themotivation for utilizingGWOandHHOstems fromtheir bio-inspired nature and their demonstrated success in optimization problems.We aimto leverage the strengths of these algorithms to enhance the effectiveness of feature selection in microarray-based cancer classification.We selected leave-one-out cross-validation(LOOCV)to evaluate the performance of both two widely used classifiers,k-nearest neighbors(KNN)and support vector machine(SVM),on high-dimensional cancer microarray data.The proposed method is extensively tested on six publicly available cancer microarray datasets,and a comprehensive comparison with recently published methods is conducted.Our hybrid algorithm demonstrates its effectiveness in improving classification performance,Surpassing alternative approaches in terms of precision.The outcomes confirm the capability of our method to substantially improve both the precision and efficiency of cancer classification,thereby advancing the development ofmore efficient treatment strategies.The proposed hybridmethod offers a promising solution to the gene selection problem in microarray-based cancer classification.It improves the accuracy and efficiency of cancer diagnosis and treatment,and its superior performance compared to other methods highlights its potential applicability in realworld cancer classification tasks.By harnessing the complementary search mechanisms of GWO and HHO,we leverage their bio-inspired behavior to identify informative genes relevant to cancer diagnosis and treatment. 展开更多
关键词 Bio-inspired algorithms bioinformatics cancer classification evolutionary algorithm feature selection gene expression grey wolf optimizer harris hawks optimization k-nearest neighbor support vector machine
暂未订购 下载PDF
Hybrid Gene Selection Methods for High-Dimensional Lung Cancer Data Using Improved Arithmetic Optimization Algorithm 认领 引用
4
作者 Mutasem K.Alsmadi 《Computers, Materials & Continua》 SCIE EI 2024年第6期5175-5200,共26页
Lung cancer is among the most frequent cancers in the world,with over one million deaths per year.Classification is required for lung cancer diagnosis and therapy to be effective,accurate,and reliable.Gene expression ... Lung cancer is among the most frequent cancers in the world,with over one million deaths per year.Classification is required for lung cancer diagnosis and therapy to be effective,accurate,and reliable.Gene expression microarrays have made it possible to find genetic biomarkers for cancer diagnosis and prediction in a high-throughput manner.Machine Learning(ML)has been widely used to diagnose and classify lung cancer where the performance of ML methods is evaluated to identify the appropriate technique.Identifying and selecting the gene expression patterns can help in lung cancer diagnoses and classification.Normally,microarrays include several genes and may cause confusion or false prediction.Therefore,the Arithmetic Optimization Algorithm(AOA)is used to identify the optimal gene subset to reduce the number of selected genes.Which can allow the classifiers to yield the best performance for lung cancer classification.In addition,we proposed a modified version of AOA which can work effectively on the high dimensional dataset.In the modified AOA,the features are ranked by their weights and are used to initialize the AOA population.The exploitation process of AOA is then enhanced by developing a local search algorithm based on two neighborhood strategies.Finally,the efficiency of the proposed methods was evaluated on gene expression datasets related to Lung cancer using stratified 4-fold cross-validation.The method’s efficacy in selecting the optimal gene subset is underscored by its ability to maintain feature proportions between 10%to 25%.Moreover,the approach significantly enhances lung cancer prediction accuracy.For instance,Lung_Harvard1 achieved an accuracy of 97.5%,Lung_Harvard2 and Lung_Michigan datasets both achieved 100%,Lung_Adenocarcinoma obtained an accuracy of 88.2%,and Lung_Ontario achieved an accuracy of 87.5%.In conclusion,the results indicate the potential promise of the proposed modified AOA approach in classifying microarray cancer data. 展开更多
关键词 Lung cancer gene selection improved arithmetic optimization algorithm and machine learning
暂未订购 下载PDF
Optimizing Cancer Classification and Gene Discovery with an Adaptive Learning Search Algorithm for Microarray Analysis 认领 引用
5
作者 Chiwen Qu Heng Yao +1 位作者 Tingjiang Pan Zenghui Lu 《Journal of Bionic Engineering》 SCIE EI CSCD 2025年第2期901-930,共30页
DNA microarrays, a cornerstone in biomedicine, measure gene expression across thousands to tens of thousands of genes. Identifying the genes vital for accurate cancer classification is a key challenge. Here, we presen... DNA microarrays, a cornerstone in biomedicine, measure gene expression across thousands to tens of thousands of genes. Identifying the genes vital for accurate cancer classification is a key challenge. Here, we present Fs-LSA (F-score based Learning Search Algorithm), a novel gene selection algorithm designed to enhance the precision and efficiency of target gene identification from microarray data for cancer classification. This algorithm is divided into two phases: the first leverages F-score values to prioritize and select feature genes with the most significant differential expression;the second phase introduces our Learning Search Algorithm (LSA), which harnesses swarm intelligence to identify the optimal subset among the remaining genes. Inspired by human social learning, LSA integrates historical data and collective intelligence for a thorough search, with a dynamic control mechanism that balances exploration and refinement, thereby enhancing the gene selection process. We conducted a rigorous validation of Fs-LSA’s performance using eight publicly available cancer microarray expression datasets. Fs-LSA achieved accuracy, precision, sensitivity, and F1-score values of 0.9932, 0.9923, 0.9962, and 0.994, respectively. Comparative analyses with state-of-the-art algorithms revealed Fs-LSA’s superior performance in terms of simplicity and efficiency. Additionally, we validated the algorithm’s efficacy independently using glioblastoma data from GEO and TCGA databases. It was significantly superior to those of the comparison algorithms. Importantly, the driver genes identified by Fs-LSA were instrumental in developing a predictive model as an independent prognostic indicator for glioblastoma, underscoring Fs-LSA’s transformative potential in genomics and personalized medicine. 展开更多
关键词 Gene selection Learning search algorithm Gene expression data Classification
Identification of metastasis-associated genes in colorectal cancer through an integrated genomic and transcriptomic analysis 认领 引用 被引量：2
6
作者 Xiaobo Li Sihua Peng 《Chinese Journal of Cancer Research》 SCIE CAS CSCD 2013年第6期623-636,共14页
Objective： Identification of colorectal cancer （CRC） metastasis genes is one of the most important issues in CRC research. For the purpose of mining CRC metastasis-associated genes, an integrated analysis of mJcroa... Objective： Identification of colorectal cancer （CRC） metastasis genes is one of the most important issues in CRC research. For the purpose of mining CRC metastasis-associated genes, an integrated analysis of mJcroarray data was presented, by combined with evidence acquired from comparative genornic hybridization （CGH） data. Methods： Gene expression profile data of CRC samples were obtained at Gene Expression Omnibus （GEO） website. The 15 important chromosomal aberration sites detected by using CGH technology were used for integrated genomic and transcriptomic analysis. Significant Analysis of Microarray （SAM） was used to detect significantly differentially expressed genes across the whole genome. The overlapping genes were selected in their corresponding chromosomal aberration regions, and analyzed by using the Database for Annotation, Visualization and Integrated Discovery （DAVID）. Finally, SVM-T-RFE gene selection algorithm was applied to identify ted genes in CRC. Results： A minimum gene set was obtained with the minimum number [14] of genes, and the highest classification accuracy （100%） in both PRI and META datasets. A fraction of selected genes are associated with CRC or its metastasis. Conclusions- Our results demonstrated that integration analysis is an effective strategy for mining cancer- associated genes. 展开更多
关键词 Colorectal cancer metastasis integrated analysis comparative genomic hybridization （CGH） Significant Analysis of Microarray （SAM） Database for Annotation, Visualization and Integrated Discovery（DAVID） SVM-T-RFE gene selection algorithm
暂未订购 下载PDF
基于混合进化算法的特征选择方法研究 认领 引用 被引量：13
7
作者 高慧敏 王云鹤 +1 位作者 卞闯 李向涛 《电子学报》 EI CAS CSCD 北大核心 2023年第6期1619-1636,共18页
特征选择(Feature Selection,FS)是一种有效的数据预处理方法,它可以通过选择高维数据中一组具有高相关性和低冗余性的特征,从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题,其中基于教与学优化(Teaching and L... 特征选择(Feature Selection,FS)是一种有效的数据预处理方法,它可以通过选择高维数据中一组具有高相关性和低冗余性的特征,从而解决数据冗余引起的维数灾难.目前许多计算方法已经被应用于求解FS问题,其中基于教与学优化(Teaching and Learning-based Optimization Algorithm,TLBO)的特征选择模型由于其高效的全局搜索能力受到越来越多学者的关注.然而,随着数据规模的不断扩大,这些算法所具有的模型不稳定、模型精确度低和局部搜索能力差等局限性,使算法的研究逐步陷入困境.为解决上述问题,本文提出了融合教与学优化算法与局部搜索方法(Local Search,LS)的混合进化Wrapper算法模型(Teaching and Learning-based Optimization-Local Search Algorithm,TLBOLS).首先,由于传统的教与学优化算法不能直接用于求解特征选择问题,算法在初始化阶段将实数型编码转为二进制编码,然后为保证种群的多样性,在教阶段引入最差个体重启机制,并针对进化班级过程中学习者与教学者两种身份采用不同值的TF值,提出二进制的教与学特征选择算法(Binary Teaching and Learning-based Optimization-Local Search Algorithm,BTLBOLS).随后,提出结合多操作的局部搜索方法和变邻域搜索逐渐增强扰动力度,提高整个种群的个体质量.为优化特征选择结果,BTLBOLS利用综合评价指标作为目标函数指导整体进化过程.实验选取45个高维癌症基因表达数据集进行测试并与十种特征选择算法相比,实验结果表明,相比其他算法,BTLBOLS在分类准确率和特征个数上都具有一定优势,算法分类性能有效提高. 展开更多
关键词 教与学优化算法 局部搜索 新型Wrapper混合特征选择算法 特征选择 分类 基因表达数据
暂未订购 下载PDF
一种结合随机森林和邻域粗糙集的特征选择方法 认领 引用 被引量：10
8
作者 吴辰文 王伟 +2 位作者 李长生 梁靖涵 闫光辉 《小型微型计算机系统》 CSCD 北大核心 2017年第6期1358-1362,共5页
针对肿瘤基因数据具有高维小样本的特性,为了提高传统基因分类方法的正确率,提出一种结合随机森林和邻域粗糙集的特征基因选择方法(Random Forest and Neighborhood Rough Set,RFNRS).该方法首先利用Relief算法,对原始的肿瘤基因数据进... 针对肿瘤基因数据具有高维小样本的特性,为了提高传统基因分类方法的正确率,提出一种结合随机森林和邻域粗糙集的特征基因选择方法(Random Forest and Neighborhood Rough Set,RFNRS).该方法首先利用Relief算法,对原始的肿瘤基因数据进行权重选择,去除权重较低的特征子集;接着引入基于随机森林的封装式特征选择算法(Random Forest Wrapper Feature Select,RFWFS),以模型准确率作为评判准则,筛选特征子集;然后引入邻域粗糙集针对连续性的特征子集进行寻优处理;最后利用多个经典分类算法处理特征子集.经实验结果表明,该方法不仅在肿瘤基因特征子集的选择上具有良好的性能,同时在算法的分类性能上也有所提高. 展开更多
关键词 肿瘤基因数据 随机森林特征封装 Relief算法 邻域粗糙集 特征选择
暂未订购 下载PDF
一种基于互信息最大化的模型无关基因选择方法 认领 引用 被引量：7
9
作者 魏莎莎 陆慧娟 +2 位作者 安春霖 郑恩辉 金伟 《计算机科学》 CSCD 北大核心 2014年第9期243-247,共5页
针对大规模基因芯片高维度的基因表达数据存在大量无关和冗余特征可能降低分类器性能的问题,提出了一种基于互信息最大化方法(MMI)和与遗传算法的模型无关的基因选择方法来将特征选择转化为全局优化问题,其中的适应度函数定义为类间距... 针对大规模基因芯片高维度的基因表达数据存在大量无关和冗余特征可能降低分类器性能的问题,提出了一种基于互信息最大化方法(MMI)和与遗传算法的模型无关的基因选择方法来将特征选择转化为全局优化问题,其中的适应度函数定义为类间距离与类内距离之比,适应程度高。为了评价算法的性能,采用3个数据集进行了实验,结果表明MMIGA-Selection取得了较好的效果,在每个数据集上获得了较高的5折交叉验证正确率。MMIGA-Selection主要有两个优点:一是可以有效减少冗余基因;二是模型无关性,选择得出的特征子集可直接用于其他类型的分类器,分类精度较高。 展开更多
关键词 互信息最大化 模型无关 遗传算法 基因选择
暂未订购 下载PDF
基于蚁群算法和免疫算法融合的TSP问题求解 认领 引用 被引量：10
10
作者 吴建辉 章兢 刘朝华 《湖南大学学报（自然科学版）》 EI CAS 北大核心 2009年第10期81-87,共7页
利用蚁群算法和免疫克隆选择算法的各自优势提出了一种新的融合优化方法:结合抗体小窗口局部搜索算法的蚁群和克隆选择融合算法(Aca—Csa—s Algorithm,简称ACLA).在蚁群算法中引入混沌扰动能在一定程度上避免早熟、停滞;克隆扩增、免... 利用蚁群算法和免疫克隆选择算法的各自优势提出了一种新的融合优化方法:结合抗体小窗口局部搜索算法的蚁群和克隆选择融合算法(Aca—Csa—s Algorithm,简称ACLA).在蚁群算法中引入混沌扰动能在一定程度上避免早熟、停滞;克隆扩增、免疫基因等算子的操作能加快克隆选择算法的收敛速度;局部搜索策略的应用,也有效提高了ACLA算法搜索效率.针对TSP实验结果表明,该算法在收敛速度与求解精度上均取得了较好的效果. 展开更多
关键词 蚁群算法 克隆选择 局部搜索 免疫基因 TSP问题
暂未订购 下载PDF
基于遗传算法和支持向量机的肿瘤分子分类 认领 引用 被引量：5
11
作者 何爱香 朱云华 安凯 《数据采集与处理》 EI 北大核心 2007年第1期84-89,共6页
提出了一种基于遗传算法(GA)和支持向量机(SVM)的用于肿瘤分子分类和特征基因选择的新方法。该方法针对基因表达数据样本少维数高的特点,先根据基因的散乱度滤掉大量分类无关基因,而后使用相关性分析去除分类冗余基因,得到一个候选基因... 提出了一种基于遗传算法(GA)和支持向量机(SVM)的用于肿瘤分子分类和特征基因选择的新方法。该方法针对基因表达数据样本少维数高的特点,先根据基因的散乱度滤掉大量分类无关基因,而后使用相关性分析去除分类冗余基因,得到一个候选基因子集,用遗传算法搜索候选特征基因空间,发现在支持向量机分类器上具有好的分类性能的且含基因个数较少的特征子集。把这种GA/SVM方法应用到结肠癌和急性白血病基因表达谱,能选出多个取得较高分类精度的较小基因子集,实验结果表明了该方法的有效性。 展开更多
关键词 遗传算法 支持向量机 特征选取 基因表达谱
暂未订购 下载PDF
基于GA的飞行员模拟机排班问题求解 认领 引用 被引量：4
12
作者 刘文斌 张守志 施伯乐 《计算机工程》 EI CAS CSCD 北大核心 2011年第15期140-142,共3页
飞行员模拟机复训问题是一个多目标、多资源约束的排班问题,具有较高的复杂度,传统遗传算法无法有效求解该问题。为此,提出一种新的遗传算法,利用基因适应度对交叉、选择操作进行改进,以提高种群的多样性和进化性能。在仿真数据和真实... 飞行员模拟机复训问题是一个多目标、多资源约束的排班问题,具有较高的复杂度,传统遗传算法无法有效求解该问题。为此,提出一种新的遗传算法,利用基因适应度对交叉、选择操作进行改进,以提高种群的多样性和进化性能。在仿真数据和真实数据上的实验结果表明,该算法有效提高了解的精度,加快了种群的收敛速度。 展开更多
关键词 飞行员模拟机排班问题 遗传算法 交叉操作 选择操作 基因适应度
暂未订购 下载PDF
基于单亲遗传模拟退火算法的顶点p-中心问题 认领 引用 被引量：5
13
作者 蒋建林 徐进澎 文杰 《系统工程学报》 CSCD 北大核心 2011年第3期414-420,共7页
针对顶点p-中心问题这一经典的离散选址NP困难问题提出了一种单亲遗传和模拟退火的混合算法,该算法:1)采用单亲遗传算法简化遗传操作过程;2)加入模拟退火策略,增强局部优化能力;3)提出自适应选择法,根据个体的优劣及算法迭代情况来选择... 针对顶点p-中心问题这一经典的离散选址NP困难问题提出了一种单亲遗传和模拟退火的混合算法,该算法:1)采用单亲遗传算法简化遗传操作过程;2)加入模拟退火策略,增强局部优化能力;3)提出自适应选择法,根据个体的优劣及算法迭代情况来选择个体;4)设计了自适应基因重组操作;5)采取最优保存策略,避免最优解的丢失.数值实验结果表明了该算法对于解决规模较大的顶点p-中心问题的有效性. 展开更多
关键词 顶点p-中心问题 单亲遗传算法 模拟退火算法 自适应基因重组 自适应选择 混合算法
暂未订购 下载PDF
加急订单扰动的多目标柔性作业车间动态调度问题研究 认领 引用 被引量：8
14
作者 张祥 王艳 纪志成 《南京理工大学学报》 CAS CSCD 北大核心 2021年第3期344-351,共8页
为了快速应对柔性作业车间生产过程中出现的突发状况,构建了一种以全局任务最大生产完成时间、机器负载和能耗为优化目标的多目标柔性作业车间动态调度模型。针对上述模型,采用适用于动态调度的动态交互层(DIL),在此基础上设计了多目标... 为了快速应对柔性作业车间生产过程中出现的突发状况,构建了一种以全局任务最大生产完成时间、机器负载和能耗为优化目标的多目标柔性作业车间动态调度模型。针对上述模型,采用适用于动态调度的动态交互层(DIL),在此基础上设计了多目标粒子群遗传算法(MOPSGA)。采用精英基因序列化策略和基因池选拔策略增加帕累托非支配解集个数和质量,再重新评估、获取帕累托非支配解集。针对柔性作业车间加急订单的意外状况,采用DIL与MOPSGA相结合的方法求解动态调度问题。仿真实验结果验证了DIL处理紧急订单的能力和MOPSGA的有效性。 展开更多
关键词 加急订单 柔性作业车间 动态调度 动态交互层 粒子群遗传算法 精英基因序列化 基因池选拔 帕累托非支配解集
暂未订购 下载PDF
改进的克隆选择算法与SPEA相结合的进化算法 认领 引用 被引量：1
15
作者 杨观赐 马鑫 +2 位作者 李少波 钟勇 于丽娅 《四川大学学报（工程科学版）》 CSCD 北大核心 2011年第5期109-113,共5页
为了使进化过程中子代的繁殖能够像生物繁殖那样继承进化信息,通过挖掘抗体中优秀决定基并生成记忆集、增加高斯变异、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体等策略,提出了一种改进的克隆选择算法(ICSA)。将I... 为了使进化过程中子代的繁殖能够像生物繁殖那样继承进化信息,通过挖掘抗体中优秀决定基并生成记忆集、增加高斯变异、用变异抗体群中亲和度高的抗体按概率替换记忆抗体群中低亲和度抗体等策略,提出了一种改进的克隆选择算法(ICSA)。将ICSA与SPEA相结合,形成了一种改进的克隆选择算法与强度Pareto进化算法相结合的新型的进化算法(ICSA-SPEA)。ICSA-SPEA通过克隆选择替代选择、交叉、重组等遗传操作。用一组多目标0/1背包问题测试算法性能的统计结果表明,改进的算法可以有效保持种群多样性,具有良好的收敛精度与准确度。 展开更多
关键词 多目标优化 进化算法 克隆选择 基因挖掘 遗传信息
暂未订购 下载PDF
搜索空间逐步缩小的遗传算法用于尿沉渣图像特征选择的研究 认领 引用 被引量：1
16
作者 李勇明 曾孝平 +3 位作者 蒋阳 王毅 曾浩 赵德春 《中国生物医学工程学报》 CAS 北大核心 2008年第6期842-847,859,共6页
基于尿沉渣图像特征选择问题,提出一种新的特征优选方法,首先引入类空间分层分类思想,将多类成分特征集优选问题转化为两类成分的特征集优选问题以减少特征数,从而减少了后续分类器的维数复杂度并提高了优选后的特征集对成分的识别率;... 基于尿沉渣图像特征选择问题,提出一种新的特征优选方法,首先引入类空间分层分类思想,将多类成分特征集优选问题转化为两类成分的特征集优选问题以减少特征数,从而减少了后续分类器的维数复杂度并提高了优选后的特征集对成分的识别率;针对红细胞和白细胞的特征集优选问题,采用改进的遗传算法进行处理,先根据统计实验结果,锁定待选特征集中形态特征和纹理特征相应的两个可分度最大且相互独立的特征,然后使用基因位逐步锁定技术,结合小生境技术和自适应交叉变异算子,提高了遗传算法的搜索性能;最后,为了提高特征集的优选效果和稳定性,引入"多票投选"机制。就多个尿沉渣成分样本进行验证实验,结果表明,该算法优选的特征集与通过其他方式获得的特征集相比,识别率较高,而且明显减少了后续分类器的维数复杂度。 展开更多
关键词 尿沉渣 基因位锁定 特征选择 遗传算法 分层分类
暂未订购 下载PDF
基于基因算法的信息免疫模型 认领 引用 被引量：2
17
作者 马玉春 宋瀚涛 《北京理工大学学报》 EI CAS 北大核心 2004年第12期1084-1087,共4页
研究Web信息过载的问题,提出一种新的基于基因算法的信息免疫模型(IIM).根据免疫细胞的特异性,利用IIM不同的染色体描述用户需求,并专注于对无关信息的处理,使用户免于该类信息的入侵,并引入了特征选择和信息熵,阈值的选择也是可变的.... 研究Web信息过载的问题,提出一种新的基于基因算法的信息免疫模型(IIM).根据免疫细胞的特异性,利用IIM不同的染色体描述用户需求,并专注于对无关信息的处理,使用户免于该类信息的入侵,并引入了特征选择和信息熵,阈值的选择也是可变的.通过实验与Rocchio方法进行了对比,结果表明,IIM的查准率比Rocchio的高27.5%,查全率比Rocchio的高47.7%. 展开更多
关键词 信息免疫 基因算法 特征选择 熵 阈值
暂未订购 下载PDF
基于邻域粗糙集与鱼群智能的基因选择方法 认领 引用 被引量：1
18
作者 陈玉明 朱清新 +2 位作者 曾志强 孙金华 唐朝辉 《电子科技大学学报》 EI CAS CSCD 北大核心 2018年第1期99-104,共6页
针对高维、小样本及不确定性的基因表达数据,融合模糊可容忍性的邻域粒化技术与具有全局寻优能力的鱼群智能算法,提出基于邻域粗糙集与鱼群智能的基因选择方法。首先,采用邻域粗糙集对基因数据进行邻域粒化,形成邻域粒子;其次,提出基于... 针对高维、小样本及不确定性的基因表达数据,融合模糊可容忍性的邻域粒化技术与具有全局寻优能力的鱼群智能算法,提出基于邻域粗糙集与鱼群智能的基因选择方法。首先,采用邻域粗糙集对基因数据进行邻域粒化,形成邻域粒子;其次,提出基于邻域分类精度的不确定性评价函数,用以评价邻域粒子的不确定性,分辨关键性基因;进一步融合鱼群智能方法,设计一种基因选择算法,选取分类性强的少量关键基因;最后,在两个癌症基因数据集中进行基因选择,采用SVM分类器对获取的关键基因组进行分类实验。实验结果表明,采用该方法获取的基因组具有较低的冗余度及较好的分类性能。 展开更多
关键词 鱼群算法 基因选择 粒计算 邻域粗糙集 粗糙集
暂未订购 下载PDF
融合粒子群优化和遗传算法的基因调控网络构建 认领 引用 被引量：4
19
作者 孟军 史贯丽 《计算机应用》 CSCD 北大核心 2016年第11期2969-2973,共5页
MicroRNA（miRNA）是一类大小为21～25nt的内源性非编码小核糖核酸（RNA），通过与mRNA的3’-UTR互补结合，导致mRNA降解或翻译抑制来调控编码基因的表达。为了提高构建基因调控网络的准确度，提出一种基于粗糙集、融合粒子群（PSO）和... MicroRNA（miRNA）是一类大小为21～25nt的内源性非编码小核糖核酸（RNA），通过与mRNA的3’-UTR互补结合，导致mRNA降解或翻译抑制来调控编码基因的表达。为了提高构建基因调控网络的准确度，提出一种基于粗糙集、融合粒子群（PSO）和遗传算法（GA）的基因调控网络构建方法（PSO—GA—RS）。该方法首先通过对序列信息进行特征提取；然后采用粗糙集的依赖度作为适应度函数，融合粒子群和遗传算法选出较优的特征子集；最后使用支持向量机（SVM）建立模型，预测未知的调控关系。在拟南芥数据集上进行实验，相比基于粗糙集和粒子群优化的特征选择方法和Rosetta算法，所提方法的预测准确率、F值和受试者工作特征（ROC）曲线面积最多能提高5％，在水稻数据集上最多能提高8％。实验结果表明所提方法能够比较准确地预测miRNA和靶基因之间的调控关系。 展开更多
关键词 基因调控网络 粒子群优化 遗传算法 粗糙集 特征选择
暂未订购 下载PDF
基于实例基因库与遗传算法的高层结构智能选型知识发现 认领 引用 被引量：3
20
作者 张世海 欧进萍 王光远 《工程力学》 EI 北大核心 2006年第1期87-92,共6页
首先,给出了将工程实例库转化为结构选型规则库与实例基因库的方法,建立了实例空间、规则空间、基因空间及三者间的相互转换关系,实现了从实例到选型规则与基因间的转换;其次,给出了从实例基因库与基因空间中发现结构型式判别规则知识... 首先,给出了将工程实例库转化为结构选型规则库与实例基因库的方法,建立了实例空间、规则空间、基因空间及三者间的相互转换关系,实现了从实例到选型规则与基因间的转换;其次,给出了从实例基因库与基因空间中发现结构型式判别规则知识库的策略,提出了基因向量与正反实例基因库间的相似性度量方法,建立了基于实例基因库与实数码遗传算法的结构选型知识库发现过程与方法;最后,编制了基于实例基因库与遗传算法的知识发现程序,给出了所获取的钢筋混凝土结构型式产生知识。实践证明,该方法可有效自动地从实例基因库中获取结构型式产生的规则性知识库,为开采工程实例“富矿”、解决知识获取“瓶颈”、提高结构选型质量与效率等提供了新的途径与方法。 展开更多
关键词 高层结构 智能选型 实例基因库 知识发现 遗传算法
暂未订购 下载PDF
已选0条
引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 3 下一页 到第 页
在线咨询 使用帮助 返回顶部 意见反馈