摘要：对于二分类问题,基于判别模型的分类器一般都是寻找一条最优判决边界,容易受到数据波动的影响。针对该问题提出一种基于生成模型的Q-learning二分类算法(BGQ-learning),将状态和动作分开编码,得到对应各类的判决函数,增加了决策空间的灵活性,同时在求解参数时,采用最小二乘时序差分(TD)算法和半梯度下降法的组合优化方法,加速了参数的收敛速度。设计实验对比了BGQ-learning算法与三种经典分类器以及一种新颖的分类器的分类性能,在UCI数据库七个数据集上的测试结果表明,该算法有着优良的稳定性以及良好的分类精确度。

摘要：【目的/意义】伴随着社会经济的发展,加性偏好关系下二分类群体共识决策在选调生选拔、律所实习生留用和基金项目评审等诸多现实问题均有所体现,因而需要提出针对性的分析方法。【设计/方法】给出了二分类选择方法,用以获得个体和群体关于备选方案集的二分类向量;给出了二分类共识方法,协助个体调整偏好,从而获得具有较高共识水平的二分类。【结论/发现】从最小调整成本视角,建立了加性偏好关系下二分类群体共识决策方法。所提方法可扩展应用解决多个领域中二分类群体决策问题,具备了应用上的普适性。

摘要：针对时间序列特征SAX表示方法的信息损失及保留情况,利用信息嵌入成本(IEC)这一度量手段来分析SAX方法的内在统计特性,并通过复杂网络表示方法建立时间序列的图形化表示,达到时间序列数据分析及可视化的目的.对于时间序列数据,首先进行SAX特征表示并计算其IEC值;然后对原始时间序列及其SAX表示分别进行分类并对比分类错误率,分析IEC分值与分类错误率的关系;最后根据数据自身特点及IEC分值选取具有代表性的数据集,将SAX表示转化为马尔科夫转移矩阵,进而采用复杂网络表示方法进行可视化展示.对原始时间序列采用分位数离散化特征表示方法,与SAX方法进行可视化效果对比的实验结果表明,SAX方法能在有效降低复杂性的同时保留原始时间序列中的核心信息.文中提供了IEC分值作为SAX方法有效性判别的一个参照标准,并建立了一个有效的分析评估与可视化方法框架.

摘要：基于临床表现的疾病预测模型是临床决策支持系统(Clinical Decision Support System,CDSS)的一个重要研究内容.现有临床决策支持系统往往将临床病例作为训练数据集,以临床表现的描述文字为特征,采用统计机器学习方法构建疾病预测模型.然而,在医疗领域往往存在着样本数据集不均衡的问题,导致模型的预测效果降低.欠采样技术是目前解决样本不均衡问题的常用手段.其主要采用一定的方法从多数类样本中抽取部分样本,与少数类样本组成平衡数据集后再构建模型.现有的欠采样方法往往可以显著提高模型对少数类样本的召回率,然而其通常也会造成模型准确率的降低,从而限制了预测模型的整体提升效果.为此,该文提出了一种新的基于迭代提升欠采样的集成分类方法(Under-Sampling with Iteratively Boosting,USIB),该方法迭代地从多数类样本中进行欠抽样,构建多组弱分类器,并采用加权组合方式将这些弱分类器构成一个强分类器,从而提升样本不平衡条件下单种疾病预测效果.另外,医学病例样本数据集通常是多类别、多标签的,为此,该文将多个单种疾病的预测模型进行组合构成一个多标签疾病预测模型,以满足临床意义上的多病种以及并发症的诊断.为了进一步提升多标签预测模型的效果,该文设计了一种基于标签最大互信息生成树的标签选择方法(Labels Selection method based on Maximum Mutual Information Spanning Tree,LS-MMIST),该方法根据原始数据集的分布构建标签之间的最大互信息生成树,在每一次的样本预测阶段,借助树中疾病标签之间的关系确定最终的预测标签集合.实验方面,该文首先选择三种公开的不均衡二分类数据集和我们私有的四种稀有疾病的数据集,对该文提出的迭代提升欠采样方法进行性能评估.其次,分别对比了该文提出的多标签预测模型与现有的多标签预测技术在中医和西医两种多标签数据集上的预测性能.实验结果显示,相对于目前主流的八种欠采样以及两种集成采样技术,该文提出的迭代提升欠采样方法在各个不均衡二分类数据集上的F1值平均提升22.58%;与现有的各种多标签预测技术相比,该文提出的多标签预测方法在西医和中医数据集上正确率分别提升6.30%和12.43%,召回率分别提升4.33%和5.86%,F1值分别提升5.48%和11.16%.

摘要：针对影像组学研究需要使用多款软件,常存在数据不兼容、算法参数无法调节等问题,开发一款基于人工智能的影像组学分析建模软件,为医生和科研工作者提供支持图像预处理、特征提取、特征筛选、建模分析和数据可视化的影像组学集中解决方案。使用一个公开数据集对软件功能进行测试,创建8组分析模型,一一完成对测试集数据的分类预测并输出关键性能指标,通过参数调优,使得模型性能进一步优化,验证软件的可用性。该软件的使用可使研究人员更多聚焦课题本身,减少不必要的开发负担,对于影像组学研究朝着更加方便、高效的方向发展具有积极的推动作用。

摘要：当前时间序列Shapelet发现算法普遍采用穷举法,需要计算所有时间序列子序列的信息增益,效率较低。针对此问题,提出一种基于矩阵轮廓的Shapelet发现算法。选出最具代表性的时间序列对,计算其轮廓矩阵和差异向量,找到一簇关键区域;对找到的关键区域进行剪枝;在关键区域上搜索Shapelet并计算其信息增益,提升算法效率。在15个UCR数据集上,通过时间序列二分类实验对所提Shapelet发现算法进行验证。实验结果表明,所提算法结合Shapelet转换后具有较强分类能力,计算效率明显优于现有Shapelet发现算法。

摘要：对图像相关反馈检索过程建立二分类的支持向量机问题模型,进而提出基于支持向量的图像相关反馈检索方法。比较了基于支持向量的反馈检索方法和传统的反馈检索方法的检索性能,研究了特征提取对支持向量机性能的影响。实验结果表明,基于支持向量的图像相关反馈检索方法具有较好的图像检索效果。

摘要：针对现有数字信号调制分类的问题,在人工分类的基础上,提出一种基于支持向量机(SVM)的自动分类方法。提取信号的高阶累计量特征参数用于训练与测试数据。比较已有的基于SVM的调制分类方法,采用应用混合核函数的SVM分类方法,并利用决策树二分类思想设计分类流程。经过仿真比较,验证了该混合核函数的SVM具有较好的分类性能。

摘要：利用语音特征元素自动识别人的情感状态已成为智能医疗的研究热点。基于单片机技术和语音声学特征原理,针对语速、幅值、基音频率等特性进行综合分析,设计了一种针对双相情感障碍的语音情绪识别电路。该电路包含信号采集、阈值比较和计数计算等6个核心模块,实现了语音信号的有效捕捉、分析和情绪状态的二分类判别。通过采用实际语音样本和信号模拟,利用Multisim软件对电路进行仿真分析,证明了该电路的实效性和正确性。该电路设计结构紧凑,有较好的针对性和验证性,具有一定教学价值。

摘要：目前,全自动电子血球计数器在医院检验中已普遍使用,其中有二分类、三分类和五分类等型号.但是到目前为止,血球计数器的细胞分类计数结果还不能完全替代人工分类计数,这是由血细胞的多样性和复杂性所确定的.人工血细胞分类计数是将血样本制成血片,经染色后在显微镜下通过人眼观察来进行的各种细胞分类计数.