关键词： 机器学习方法   生物信息学   Markov模型   支持向量机   学习技术   神经网络   图形模型   科学数据  

摘要： 机器学习技术例如Markov模型、支持向量机、神经网络、图形模型等，已经在生命科学数据的分析研究中广泛应用。本书收录了一些近期的机器学习方法，涵盖了生物信息学研究中的大部分问题。

关键词： 文本分类   文本倾向性分类   图书评价   机器学习方法  

摘要： 介绍了文本分类技术和文本倾向性分类技术,并基于文本倾向性分类技术分析了图书评论中的信息,研究如何将机器学习方法应用在图书评论的倾向性分类中,提出了一种图书评价模型构建的解决方法.

关键词： 胃癌   基因表达谱   标志基因   特征选择  

摘要： 基于机器学习方法寻找和发现新的胃癌亚型分类的相关基因,可以为探讨胃癌发生的分子机制及其基因水平的诊断和治疗提供标志和依据。试验选用33例中国人的胃癌Oligo基因芯片数据,数据包括13例弥漫型胃癌样本2、0例肠型胃癌样本,基因向量为21 378个。采用基因表达差异显著性分析方法(SAM)、偏最小二乘VIP系数法(PLS)和基于巴氏距离的顺序前向搜索方法(BD-SFS)结合的多步骤降维方法,提取到20个能将弥漫型样本和肠型样本有效分开的特征基因。这些特征基因基于支持向量机(SVM),分类准确率可达到89.43%;基于分层聚类分析,准确率可达到93.94%。同时,基因生物学意义的分析结果显示,所选的大部分标志基因对于人类恶性肿瘤的诊断和分型有很重要的意义。

关键词： 人工神经网络   支持向量机   水质遥感   叶绿素a   太湖  

摘要： 为了比较评价人工神经网络和支持向量机2种机器学习算法在水质遥感中的应用能力,本研究首先从基础理论和学习目的入手,对比分析了2种机器学习算法的理论体系;其次,以太湖为例,基于MODIS遥感影像,构建了反演太湖叶绿素a浓度的2种机器学习方法模型,通过对模型的验证、稳定性和鲁棒性分析以及全湖反演结果对比3个方面评价了2种模型的泛化能力.验证结果表明,支持向量机模型对验证样本预测结果的均方差根和平均相对误差分别为5.85和26.5%,而人工神经网络模型的预测结果均方差和平均相对误差则高达13.04和46.8%;稳定性和鲁棒性评价亦说明,以统计学习理论为基础的支持向量机模型具有更加良好的稳定性、鲁棒性,空间泛化能力优于人工神经网络模型;2种机器学习算法对太湖叶绿素a的浓度分布反演结果基本一致,但人工神经网络模型因其学习目标设定和网络构建中的"过学习"等缺陷,造成了对东太湖以及湖心区叶绿素a的反演结果与实际监测结果差异较大.

关键词： 高斯过程   机器学习   水库水温垂直分布   模式识别  

摘要： 利用高斯过程机器学习模型建立水库水温垂直分布结构类型与其复杂影响因素之间的非线性映射关系,提出一种基于高斯过程机器学习的水库水温垂直分布结构类型的模式识别方法。工程实例应用表明,该方法具有模型参数自适应确定、容易实现且识别精度高等优点。

关键词： 亚细胞定位   生物信息学   机器学习   分类器   特征提取  

摘要： 蛋白质亚细胞定位与其功能密切相关。蛋白质在细胞中的正确定位是细胞系统高度有序运转的前提保障。研究细胞中蛋白质定位的机制和规律,预测蛋白质的亚细胞定位,对于了解蛋白质的性质和功能,了解蛋白质之间的相互作用,探索生命的规律和奥秘具有重要意义。基于机器学习方法的蛋白质亚细胞定位预测是生物信息学研究的热点之一。从数据集的建立、蛋白质序列特征刻画和蛋白质亚细胞定位预测算法3个方面,总结和评述了在过去十几年里机器学习方法在蛋白质亚细胞定位研究中的应用情况和取得的成果,分析了机器学习方法在蛋白质亚细胞定位预测方面存在的问题和面临的挑战,指出了蛋白质亚细胞定位研究的主要方向。

关键词： 机器学习   神经网络   决策树  

摘要： 阐述数据挖掘的分类及目的,总结分类器的构造方法,讲述分类中决策树的构建和修剪.

关键词： 人脸识别   机器学习   反向传播神经网络   径向基函数神经网络   支持向量化   集成学习   比较  

摘要： BP神经网络、RBF神经网络、支持向量机(SVM)和集成学习是目前应用最为广泛的四种机器学习方法。将这四种常用的机器学习方法分别应用于人脸识别,并利用ORL人脸图像库对各学习方法性能进行了测试和评估。测试结果表明SVM和集成学习在实验中取得了较好的性能,最适合用于人脸识别中特征分类器。

关键词： 信用预测   非平衡数据分类   支持向量域   非负二次规划   乘性更新算法  

摘要： 基于非平衡数据集的支持向量域分类模型,提出了一种银行客户个人信用预测方法。首先分析了信用预测的主要方法及其不足,然后研究了支持向量域分类模型及其参数的非负二次规划乘性更新算法,进而提出基于支持向量域分类模型的银行客户个人信用预测方法,最后使用人工数据和实际数据对提出方法与支持向量机预测方法进行对比实验。实验结果表明对于银行客户个人信用预测的非平衡数据分析问题,基于支持向量域模型的分类预测方法更有效。

关键词： 网络流量分类   特征选择   机器学习   特征距离   遗传算法  

摘要： 随着互联网络的日益发展和普及,网络流量数据正以惊人的速度增长,它在给人们带来方便的同时,也面临着如何有效地对这些海量数据进行分析,以提高互联网络服务质量以及促进互联网更快、更好的发展。这篇论文主要研究基于机器学习方法的网络流量分类以及相关技术。包括网络流量数据采集、特征产生、样本标识、特征选择,以及应用机器学习方法对网络流进行分类等技术。 在基于机器学习方法的网络流量分类研究中,网络流量样本,包括训练样本、测试样本的获取是非常重要的一步。首先我们通过Sniffer的方法捕获网络报文,然后将采集到的报文按五元组进行分类为流,再结合Packet-Level和FlowLevel两个层面上的信息,在报文属性（大小、个数、时间、标志位）、流的属性（时间）上做了认真的分析和研究,产生了37个网络流量统计特征,形成了表示网络流的特征向量。在网络流量样本的标识上我们结合了基于端口、基于有效载荷,协议分解等多种方法,实现了样本的自动标识系统,标识的正确率高。 在特征选择方面,运用特征距离以及遗传算法进行综合选择,这种方法可以有效地找到较好的遗传算法的初始群体。从而能在较少的迭代次数当中找到较优的特征子集,实验结果表明提出的方法可以减少特征的数量,减少学习和分类的时间,同时还因去掉不相关或冗余特征,提高了分类的准确性。 在基于机器学习的分类研究中,运用了六种不同的机器学习方法,对常见的网络流量应用类型进行了分类研究,并给出了实验结果,实验结果表明基于机器学习方法的网络流量分类可以避免传统网络流量分类方法的缺陷,能够很好地分类那些采用动态端口或者协议加密的网络应用流量类型。 在上述研究的基础上,设计并实现了基于机器学习方法的网络流量分类系统（Traffic Classification System Based on Machine Learning , TCSBML）,系统包含网络流量数据采集、网络流量数据分析以及分类等几大功能模块,具有一定的实用价值。