论文部分内容阅读
建立了一种改选的不对称支持向量机（MISVM）和隐马尔可夫模型结合的混合学习模型，对于实际中具有的不对称样本数据集，采用调整Hessian矩阵对角参数的策略，增大数据量少的样本离超平面的距离，再结合隐马尔可夫谱变换，以达到更加精确地分离不对称样本的目的。实验发现，不能简单利用正负两类样本所占百分比或固定参数来改变核函数矩阵的对角参数，而必须加之以可调整的权系数才能控制错分的样本数；经改选后的混合不对称学习算法比标准SVM具有更高的分辨率，对启动子序列进行识别，平均识别率达到91．8％。