主成分分析-支持向量机用于肝病分类模型

将主成分分析(PCA)用于肝功能检测数据特征提取,然后用支持向量机(SVM)对乙肝、丙肝、肝硬化、正常人样本建立分类模型。采用高斯径向基函数(RBF)为核函数,调节核函数参数C及σ以建立最佳支持向量机模型。该模型对训练集的识别率为99.3%,对预测集的预测率为96.4%。结果表明:PCA-SVM法建立的肝病分类模型能较好的区分乙肝、丙肝、肝硬化及正常人,且分类效果优于传统支持向量机及人工神经网络(ANN)分类模型。     

机器学习方法用于二氢叶酸还原酶抑制剂的活性预测

分别采用支持向量学习机、人工神经网络、调节性逻辑回归和K-最临近等机器学习方法对761个二氢叶酸还原酶抑制剂建立了其活性分类预测模型. 采用组成描述符和拓扑描述符表征抑制剂的分子结构及物理化学性质, 使用Kennard-Stone方法进行训练集的设计, 并用Metropolis Monte Carlo模拟退火方法作变量选择. 结果表明, 支持向量学习机优于其它机器学习方法, 所得到的最优模型具有较好的预测结果, 其预测正确率为91.62%. 说明通过合适的训练集设计及变量选择, 支持向量学习机方法可以很好地用于二氢叶酸还原酶抑制剂的活性分类预测.     

基于支持向量机的羰基化合物红外光谱研究

设计了一个4层分等级分类系统,通过支持向量机技术对羰基化合物的红外光谱成功地进行了信息分类和提取,并与人工神经网络进行比较,结果表明支持向量机对羰基类化合物红外光谱分类效果优于人工神经网络;另外详细探讨了表征酰胺类化合物的特征光谱峰片段对识别伯仲叔酰胺的影响,证明了酰胺的N-H伸缩振动峰对识别伯仲叔酰胺贡献最大,为构建红外光谱智能解析系统提供了定量依据.     

物流邮寄渠道走私毒品的光谱信息模型比较与优化

为了对现场大量缴获毒品进行快速检测,实现无损准确定性分析,实验对神经兴奋剂、神经抑制剂和致幻剂三类毒品共166份样本的红外光谱数据进行采集,利用径向基函数神经网络与支持向量机构建不同数据分类模型,并对比基于不同核函数的支持向量机模型对分析准确率的影响。结果表明,在三类毒品样本识别与分类过程中,基于Polynomial核函数的支持向量机分类模型分类效果优于其他模型,样本训练集的分类准确率达到96.5%。该模型在对同一类型中不同种类毒品样本的识别与分类过程中,神经兴奋剂类中各种类毒品样本训练集的分类准确率达到96.4%。本研究实现了不同类型及同一类型不同种类毒品快速准确的定性分析,为这类走私管制类药物案件的准确定性及刻画犯罪嫌疑人相关行为特征提供了一定的技术支持。     

基于启发式方法和支持向量机方法预测有机物的热导率

构建147个有机物分子结构与其热导率值之间的定量结构-性质关系(QSPR)模型, 探讨影响有机物热导率的结构因素. 以147个化合物作为样本集, 随机选择118个作为训练集, 29个作为测试集. 应用CODESSA软件计算了组成、拓扑、几何、静电和量子化学等描述符, 通过启发式方法(HM)筛选得到5个结构参数并建立线性回归模型; 用所选5个结构参数作为支持向量机(SVM)的输入, 建立非线性的支持向量机回归模型. 预测结果表明: 支持向量机回归模型的性能(复相关系数R²=0.9240)虽略低于启发式回归模型的性能(R²=0.9267), 但是支持向量机方法预测性能(R²=0.9682)高于启发式方法的预测性能(R²=0.9574), 对于QSPR模型来说, 预测性能更重要. 因此, 总体来说支持向量机方法优于启发式方法. 支持向量机方法和启发式方法的提出为工程上提供了一种根据分子结构预测有机物热导率的新方法.     

基于支持向量机的羰基化合物红外光谱研究

设计了一个4层分等级分类系统，通过支持向量机技术对羰基化合物的红外光谱成功地进行了信息分类和提取，并与人工神经网络进行比较，结果表明：支持向量机对羰基类化合物红外光谱分类效果优于人工神经网络；另外详细探讨了表征酰胺类化合物的特征光谱峰片段对识圳伯仲叔酰胺的影响，证明了酰胺的N-H伸缩振动峰对识别伯仲叔酰胺贡献最大，为构建红外光谱智能解析系统提供了定量依据。     

基于支持向量机的药物诱导磷脂质病预测模型

本文应用一种组合遗传算法和共轭梯度法的支持向量机(GA-CG-SVM)方法建立了药物诱导磷脂质病分类预测模型.首先对描述符进行了优化,选出了19个描述符用于模型的构建,所建模型对训练集的预测准确率为81.6%,对测试集的预测精度为87.5%,说明所建SVM分类模型不仅能正确预测训练集药物诱导的磷脂质病,也对其他化合物具...     

支持向量机结台主成分分析辅助激光诱导击穿光谱技术识别鲜肉品种

为提高激光诱导击穿光谱技术(Laser-induced breakdown spectroscopy,LIBS)对鲜肉品种的识别率,采用支持向量机结合主成分分析算法辅助LIBS技术对鲜肉品种进行识别.对鲜肉切片用载玻片压平,采用LIBS技术对鲜肉组织(猪肉、牛肉和鸡肉)表面进行光谱数据的采集,每种鲜肉采集150幅光谱并进行随机排列,取前75幅光谱作为训练集建立模型,后75幅作为测试集测试建模结果.研究选取K、Ca、Na、Mg、Al、H、O等元素的49条归一化谱线数据进行主成分分析,并用所得数据建立支持向量机分类模型.结果表明,通过主成分分析降维,输入变量从49个优化减少到18个,模型建模速度从88.91 s降至55.52 s,提高了支持向量机的建模效率;并使预测集的平均识别率提高到89.11%.本研究为激光诱导击穿光谱技术在鲜肉品种快速分类领域提供了方法和数据参考.     

基于最小二乘支持向量机的色谱指纹图谱预测银杏叶总抗氧化活性

在色谱图基线校正和色谱峰匹配基础上,提出以40个银杏叶提取物HPLC指纹图谱的色谱图轮廓作为输入,相应的提取物总抗氧化活性作为输出,建立最小二乘支持向量机回归模型,并对包含10个样本的测试集进行了预测.最小二乘支持向量机的测试集预测误差均方根(RMSEP)为0.0230,预测结果优于目前普遍使用的误差反向传播神经网络和偏最小二乘回归.与采用色谱峰面积为分析变量的模型预测结果比较表明:采用消除干扰后的色谱图全谱轮廓保留了样本的全部信息,预测结果更好     

基于岭回归和SVM的高维特征选择与肽QSAR建模

岭回归估计权重绝对值在一定程度上体现了对应特征作用大小, 据此发展了基于岭回归(RR)和支持向量机(SVM)的高维特征选择算法. 对苦味二肽(BTT)和细胞毒性T淋巴细胞(CTL)表位9 肽两个肽体系, 以氨基酸的531 个物理化学性质参数直接表征肽结构, 各获得1062、4779 个初始特征; 对训练集, 初始特征以岭回归排序后序贯引入, 当SVM留一法交叉测试(LOOCV)的均方误差(MSE)显著上扬时终止, 最后以多轮末尾淘汰进一步精筛, 分别获得7、18个物理化学意义明确的保留特征. 基于保留特征与支持向量回归(SVR), 对训练集建立定量构效关系(QSAR)模型, 预测独立测试集, 其拟合精度、留一法交叉测试精度、独立预测精度均优于现有文献报道结果. 新方法运行速度快, 选取的特征物理化学意义明确, 解释性强, 在肽、蛋白质定量构效关系建模等高维数据回归预测领域有较广泛应用前景.     

支持向量机用于高分子聚合物的折射率预测

支持向量机;定量构性相关;高聚物;折射率     

Near-infrared (NIR) spectroscopy for motor oil classification: From discriminant analysis to support vector machines

Near-infrared (NIR) spectroscopy is a non-destructive measurement technique for many chemical compounds that has proved its efficiency for laboratory and industrial applications (including petroleum industry). Motor oil classification is an important task for quality control and identification of oil adulteration. Type of motor oil base stock is a key factor in product price formation. In this paper we have tried to evaluate the efficiency of different methods for motor oils classification by base stock (synthetic, semi-synthetic and mineral) and kinematic viscosity at low and high temperature. We have compared the abilities of seven (7) different classification methods: regularized discriminant analysis (RDA), soft independent modelling of class analogy (SIMCA), partial least squares classification (PLS), K-nearest neighbour (KNN), artificial neural network - multilayer perceptron (ANN-MLP), support vector machine (SVM), and probabilistic neural network (PNN) - for classification of motor oils. Three (3) sets of near-infrared spectra (1125, 1010, and 1050 items) were used for classification of motor oils into three or four classes. In all cases NIR spectroscopy was found to be effective for motor oil classification when combined with an effective multivariate data analysis (MDA) technique. SVM and PNN chemometric techniques were found to be the most effective ones for classification of motor oil based on its NIR spectrum.     

Non-linear calibration models for near infrared spectroscopy

Different calibration techniques are available for spectroscopic applications that show nonlinear behavior. This comprehensive comparative study presents a comparison of different nonlinear calibration techniques: kernel PLS (KPLS), support vector machines (SVM), least-squares SVM (LS-SVM), relevance vector machines (RVM), Gaussian process regression (GPR), artificial neural network (ANN), and Bayesian ANN (BANN). In this comparison, partial least squares (PLS) regression is used as a linear benchmark, while the relationship of the methods is considered in terms of traditional calibration by ridge regression (RR). The performance of the different methods is demonstrated by their practical applications using three real-life near infrared (NIR) data sets. Different aspects of the various approaches including computational time, model interpretability, potential over-fitting using the non-linear models on linear problems, robustness to small or medium sample sets, and robustness to pre-processing, are discussed. The results suggest that GPR and BANN are powerful and promising methods for handling linear as well as nonlinear systems, even when the data sets are moderately small. The LS-SVM is also attractive due to its good predictive performance for both linear and nonlinear calibrations.