您的位置： 专家智库 > >

安春霖

作品数：5 被引量：61H指数：4
供职机构：中国计量学院信息工程学院更多>>
发文基金：浙江省自然科学基金国家自然科学基金浙江省科技厅国际合作项目更多>>
相关领域：自动化与计算机技术自然科学总论更多>>

合作作者

文献类型

  • 5篇中文期刊文章

领域

  • 4篇自动化与计算...
  • 1篇自然科学总论

主题

  • 3篇学习机
  • 3篇基因表达
  • 3篇基因表达数据
  • 3篇极限学习机
  • 1篇遗传算法
  • 1篇软件即服务
  • 1篇搜索
  • 1篇搜索算法
  • 1篇相异性
  • 1篇协同工作
  • 1篇基因
  • 1篇基因选择
  • 1篇计算机
  • 1篇计算机支持
  • 1篇计算机支持的...
  • 1篇CSCW
  • 1篇SAAS
  • 1篇AGENT

机构

  • 5篇中国计量学院
  • 2篇中国矿业大学

作者

  • 5篇安春霖
  • 5篇陆慧娟
  • 3篇郑恩辉
  • 2篇杨小兵
  • 2篇魏莎莎
  • 1篇唐文彬
  • 1篇马小平
  • 1篇程倬
  • 1篇王明怡
  • 1篇金伟

传媒

  • 2篇计算机科学
  • 1篇计算机学报
  • 1篇华中科技大学...
  • 1篇山东大学学报...

年份

  • 2篇2014
  • 2篇2013
  • 1篇2012
共 5 条 记 录，以下是 1-5
全选 清除 导出
排序方式：
基于SaaS和CSCW的车货匹配系统研究与应用被引量：10
2012年
针对我国物流公路运输发展中存在的问题,分析了基于软件即服务(SaaS)和计算机支持的协同工作(CSCW)技术的车货匹配系统解决方案.研究了基于多实例Agent的、具有强化学习特性的SaaS系统架构,提出了车辆混合禁忌搜索算法.利用CSCW与SaaS结合构建系统框架,最终实现了一个侧重"货找车"理念的高智能车货匹配系统.系统能有效地解决公路物流运输中空载率高的问题,降低物流企业的运行成本.
陆慧娟安春霖程倬唐文彬
关键词：搜索算法
一种基于互信息最大化的模型无关基因选择方法被引量：7
2014年
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。
魏莎莎陆慧娟安春霖郑恩辉金伟
关键词：遗传算法基因选择
嵌入代价敏感的极限学习机相异性集成的基因表达数据分类被引量：7
2014年
极限学习机的相异性集成算法(Dissimilarity Based Ensemble of Extreme Learning Machine,D-ELM)在基因表达数据分类中能够得到较稳定的分类效果,然而这种分类算法是基于分类精度的,当所给样本的误分类代价不相等时,不能直接实现代价敏感分类过程中的最小平均误分类代价的要求。通过在分类过程中引入概率估计以及误分类代价和拒识代价重新构造分类结果,提出了基于相异性集成极限学习机的代价敏感算法(CS-D-ELM)。该算法被运用到基因表达数据集上,得到了较好的分类效果。
安春霖陆慧娟魏莎莎杨小兵
关键词：极限学习机基因表达数据
基于输出不一致测度的极限学习机集成的基因表达数据分类被引量：41
2013年
选择性集成学习已经成为分析基因表达数据、获取生物学信息的有力工具.为了更好地挖掘基因表达数据,利用极限学习机的集成,克服单个ELM用于数据分类时性能欠稳定的缺点,文中提出了一种基于输出不一致测度的ELM相异性集成算法(D-D-ELM).算法首先以输出不一致测度为标准对多个ELM模型进行相异性判断,其次根据ELM的平均分类精度剔除掉相应的模型,最后对筛选后的分类模型用多数投票法进行集成.算法被运用到Breast、Leukemia、Colon、Heart基因表达数据上,并通过理论和实验得到验证.实验结果的统计学分析表明D-D-ELM能够以更少的模型数量达到较稳定的分类精度.
陆慧娟安春霖马小平郑恩辉杨小兵
关键词：极限学习机基因表达数据
嵌入误分类代价和拒识代价的极限学习机基因表达数据分类被引量：1
2013年
为了实现代价敏感分类过程中的最小平均误分类代价的目的,本研究通过在分类过程中引入概率估计以及误分类代价重新构造分类结果,提出了基于极限学习机(extreme learning machine,ELM)的代价敏感算法CS-ELM并在上述算法基础上,引入"拒识代价",进一步减小了平均误分类代价。算法被运用到基因表达数据集上并与极限学习机、代价敏感决策树、代价敏感BP神经网络和代价敏感支持向量机做对比,可以得出,嵌入拒识的CSELM算法能够更好地降低误分类代价,使分类结果更加可靠。
安春霖陆慧娟郑恩辉王明怡陆羿
关键词：极限学习机基因表达数据
全选 清除 导出
共1页<1>
聚类工具0