国家高技术研究发展计划(2006AA01Z411)
- 作品数：13 被引量：44H指数：5
- 相关作者：秦志光程红蓉刘峤万明成陈伟更多>>
- 相关机构：电子科技大学新疆财经大学更多>>
- 发文基金：国家高技术研究发展计划四川省科技支撑计划国家自然科学基金更多>>
- 相关领域：自动化与计算机技术生物学更多>>
- 半监督分类器融合的蛋白质互作用信息抽取方法
- 分类器性能和标注样本缺乏是信息抽取中的两个主要问题,并突出反映在蛋白质互作用信息抽取任务中。提出一种分类器融合的半监督信息抽取方法。基于词特征和模式学习的各自特点,将模式学习方法产生的模式与词性串进行序列比对,产生模式特...
- 钱伟中邓蔚傅翀
- 关键词：分类器融合K-最近邻算法
- 文献传递
- 基于颜色和边缘特征直方图的图像型垃圾邮件分类模型被引量：6
- 2010年
- 提出了一种新型的图像分类识别方法,该方法不依赖于对图像内容文字信息的提取,而是直接采用图像的颜色信息和图形边缘特征来构造用于图像模式分类的统计模型。通过在公开数据集上的实验结果表明,提出的模型对图像型垃圾邮件具有良好的分类能力,分类性能优于现有相关方法。由于该方法对图像型垃圾邮件的分类准确率高,且不受图像文字识别干扰技术的影响,具有良好的应用前景。
- 刘峤秦志光程红蓉钱伟中
- 关键词：图像识别颜色直方图
- 垃圾图像判别中的特征提取与选择研究被引量：2
- 2009年
- 对垃圾图像判别问题中的特征提取和特征选择研究现状进行了总结。从特征的可区分性、鲁棒性和提取效率三个方面比较了垃圾图像判别中的主要特征,分析了特征的优缺点。结合分类学习算法、仿真实验结果,对已有的主要特征选择和分析方法进行比对,为进一步研究特征提取、特征选择方法,提高垃圾图像分类器的性能和效率提供有价值的参考。
- 程红蓉秦志光万明成曾志华
- 关键词：特征提取分类器
- 一种混合的垃圾邮件过滤算法研究被引量：11
- 2007年
- 贝叶斯邮件过滤器具有较强的分类能力,极高的准确率,在内容过滤领域占据主导地位。人工免疫系统具备强大的自学习、自适应,鲁棒性等能力,已发展成为计算智能研究的一个崭新的分支。该文在分析贝叶斯的原理和人工免疫的仿生机理的基础上,将贝叶斯与人工免疫相结合,设计和实现了一种基于贝叶斯和人工免疫的混合垃圾邮件过滤算法,并利用现有的垃圾邮件语料库得到预期的实验结果。
- 秦志光罗琴张凤荔
- 关键词：人工免疫垃圾邮件贝叶斯
- A hybrid method for extraction of protein-protein interactions from literature
- 2011年
- 钱伟中Ungar LyleQin ZhiguangFu Chong
- 关键词：蛋白质相互作用生物医学文献
- 用于全基因组关联分析的一种基因自动选择算法研究
- 2010年
- 目的研究适用于全基因组关联分析研究的自动基因选择方法。方法提出了一个基于随机复杂度约束的岭回归优化方法模型——L20模型,并通过推导给出了该模型的快速求解方法。结果通过在1组糖尿病临床数据和4组癌症基因芯片公开数据集上的实验,验证了L20算法的有效性。L20算法不受样本和特征维度限制,对稀疏建模问题的输出结果稳定性好,预测准确性高。且该方法在特征选择过程中即可同步确定特征参数,算法效率高。结论实验数据表明该方法性能优于基因组关联分析研究常用的特征选择算法,为肿瘤遗传标记定位研究提供了一种有希望的解决方案。
- 刘峤王娟陈伟秦志光
- 关键词：基因选择
- 融合浅层句法分析的蛋白质互作用信息抽取方法被引量：2
- 2011年
- 针对传统基于机器学习方法在蛋白质互作用信息抽取中的缺陷,提出融合浅层句法分析的信息抽取方法,该方法将候选的句子进行浅层句法分析,包括对短语切分、同位语分析、并列结构分析、句子切分的处理。经过该步骤,句子被划分为多个单独的语法单元。然后,对每个语法单元采用基于最大熵的分类方法进行蛋白质互作用信息抽取。该方法在BC-PPI语料库中获得了62.1%的F1性能。比较实验结果表明,该方法能有效减少误判和漏判,提高信息抽取的性能。
- 钱伟中王娟傅翀秦志光
- 关键词：信息抽取浅层句法分析最大熵
- 一种基于归零矩阵的TSP求解算法被引量：1
- 2009年
- 利用传统贪心算法的基本思路针对旅行商问题,提出了一种基于归零矩阵的验证算法。该算法以归零矩阵为输入规避矩阵陷阱,以完全贪心算法为求解思路来获得最短汉密尔顿回路。通过对若干TSP-LIB中问题的求解,结果表明所提算法能够以较快速度求得较好的满意解。
- 郭文强秦志光冯昊
- 关键词：旅行商问题贪心算法
- 基于联合训练的蛋白质互作用信息抽取方法
- 2011年
- 针对生物文献库中人工标注样本数量缺乏的问题,提出一种半监督类型的基于联合训练的方法。在样本预处理的基础上,基于词特征的机器学习方法和基于模式学习的方法选择样本的不同特征子集,并被合成到联合训练方法中;在训练过程中每种方法能够利用少量初始标注样本和大量未标注样本进行学习,并用另一方法的学习结果扩充标注样本集。该方法在AIMED语料库中获得了63.9%的F1值,比较实验结果表明,该方法性能优于监督方法,且能有效利用未标注样本以适应实际抽取任务。
- 钱伟中邓蔚傅翀秦志光
- 基于随机复杂度约束的高维特征自动选择算法被引量：2
- 2011年
- 高维特征选择问题是机器学习研究领域的公开问题,当前流行的1-范数约束正则化解决方案存在的主要问题是缺乏特征组选能力和特征选择能力受样本容量限制.本文从随机复杂度理论的模型冗余度最优下界推导得出了一种易于求解的基于零-范数约束的特征选择算法模型.该算法不仅可证优化,而且具备自动特征选择能力,克服了1-范数约束方法的主要缺点,算法不依赖于对数据真实生成模型的参数假设,具有广泛的适用性.仿真实验表明该算法在常规数据建模任务中的性能表现与1-范数约束方法相当,在真实基因数据集上的测试结果进一步验证了该算法在高维特征空间的性能优于近期发表的一些主要算法.
- 刘峤王娟陈伟秦志光
- 关键词：生物信息学正则化方法高维
