条件互信息相关论文
从人类出现至今,疾病严重影响着人类身体的健康。全基因组关联研究（Genome-Wide Association Study,GWAS）可以实现对与复杂疾病相关......
在如今的医学研究,尤其是脑部疾病的研究中,大脑网络是一个热门研究方向.在各种脑部疾病之中,小脑萎缩是一种影响患者运动能力的严......
滚动轴承是旋转机械中最常见、最易损坏的部件之一。滚动轴承故障会引起机器产生异常振动和噪声,加速机器损坏,甚至引发人员伤亡等......
集成学习是当今机器学习的四大研究方向之首,随着越来越多的学者的介入研究,集成学习经典算法族Bagging和Boosting已经研究的比较......
随着网络的普及和计算机技术的发展，网上积累了大量的的数据。如何从海量数据中提取有用的信息或知识，并应用到相关领域成为了一个重......
在多标签问题中,一个实例不仅与多个标签有关,而且常包含高维特征。在这些特征中有些是冗余的甚至是不相关的,它们的存在降低分类......
Alpha Go和李世石的世纪大战,掀起了人工智能的第三波浪潮。各大互联网公司都开始了在人工智能领域的布局。人工智能的核心技术—......
分类是数据挖掘中不可或缺的重点研究方向,其目的是根据分类模型将数据划分到不同的类别中。朴素贝叶斯分类模型是一种结构简单但......
本文首先介绍了医学图像配准的一般过程和所需算法，其中包括相似度测量、空间变换、灰度插值、优化算法等。在配准过程中，相似性测度......
判断神经网络之间的相互影响是一个重要的神经科学问题.目前已提出了多种成熟的方法计算神经网络之间的耦合强度,但是对于神经网络......
在综合考虑算法效率与效用性的基础上提出了一种新的有界半朴素贝叶斯分类(bounded semi-naiveBayesian classifier,BSNBC)算法。......
为解决连续值特征条件互信息计算困难和对多值特征偏倚的问题,提出了一种基于Parzen窗条件互信息计算的特征选择方法。该方法通过P......
提出了一种基于最小联合互信息亏损的最优特征选择算法。该算法首先通过一种动态渐增策略搜索一个特征全集的无差异特征子集，并基于......
由观测数据确定变量间的因果关系是时间序列分析的重要内容.本文利用图模型方法研究结构向量自回归模型变量间的因果关系,通过时间......
模式匹配是数据集成领域的一个重要研究内容,列名与数据值不确定是模式匹配中的一种常见情况,当前较普遍的方法是基于互信息及欧式......
贝叶斯网络分类器的精确构造是NP难问题,使用K2算法可以有效地缩减搜索空间,提高学习效率。然而K2算法需要初始的节点次序作为输入......
贝叶斯网络是概率统计与图论相结合的一种图模型,已成功应用于多个领域中。然而,仅依赖专家的领域知识构建贝叶斯网络非常困难。因......
基因网络构建是计算生物学一个很重要的研究领域，近年来涌现出大量推断基因网络构建的计算模型，各种模型方法都有自己的优缺点，如贝叶......
随着遥感成像技术的发展,高光谱图像的应用需求日益广泛。如何从多达数百个的波段中挑选出具有较好识别能力的波段组合成了亟待解......
Markov网是一种进行不确定性推理的有力工具，是一个无向图，不需要发现边的方向。基于信息熵中测试信息独立理论，对Markov网中各节点进......
确定变量间的因果关系是时间序列分析的重要内容。传统的图模型因果推断算法有着明显的局限性，要求模型是线性的且噪声项服从Gauss......
Granger因果性是衡量系统变量间动态关系的重要依据.本文利用图模型方法研究变量间的Granger因果性,建立了Granger因果图.基于条件......
为了在正交频分复用(OFDM)雷达通信一体化共享信号基础上实现雷达通信干扰功能一体化,提出了一种共享波形优化方法。首先分别建立......
提出多维时间序列中各分量之间直接联系存在性的信息论检验方法，构造了条件互信息统计量检验分量间的条件独立性，统计量的显著性用置......
高通量技术的快速发展为基因组范围内的基因表达和蛋白质活性提供了大量信息。生物数据出现了前所未有的增长,有效的利用这些数据,......
从与复杂疾病相关的基因上的单核苷酸多态性(SNPs)数据出发构建网络,可有效挖掘SNPs间相关性,进而实现疾病相关SNPs的定位。传统的......
行为识别是人工智能的重要研究领域,它希望通过各种信息,用有监督的机器学习算法识别用户的动作。当以智能终端作为记录数据,计算......
随着信息产业的飞速发展,密码模块在政治、国防、金融领域的应用越来越广泛,其在加密过程中,会产生旁路能量信息泄漏,造成严重的电......
Bayesian网是一种进行不确定性推理的有力工具,它结合图型理论和概率理论,可以方便地表示和计算我们感兴趣的事件概率,同时也是对......
在特征选择算法中，穷举特征选择算法可选择出最优特征子集，但由于计算量过高而在实际中不可实现。针对计算成本和最优特征子集搜索之......
本文融合重采样和多时延策略来重构基因调控网络。算法在人工合成网络（DREAM datasets）和真实生物分子网络（DNA SOS datasets）上进行验......
生物信息学是计算机学科的一个重要研究分支,其中的研究热点,基因表达数据挖掘能够从基因层次上揭示细胞当前的生理状态,在致病基......
为了提高贝叶斯分类器的分类性能，Keogh提出了以分类效率为基础的扩展贝叶斯网络分类算法SuperParent—TAN，这是一种依赖一个属性（one......
为解决随机蕨属性组合独立性假设导致分类器性能降低的问题,提出了一种基于条件互信息量的随机蕨特征识别方法,通过已知类别属性组......
分类能力是人类经过学习得到的重要而基本的能力，分类技术是使用计算机对人类分类能力的模拟，已成为机器学习、模式识别及数据采掘等......
由于受到多种气象因素的影响,导致光伏电站的出力值具有强烈的波动性和不确定性,为电力系统的发电规划、并网和经济调度带来了危害......
与传统分类方法相似,多标签学习同样面临着因数据高维引起的问题,如过拟合和维灾难等.虽然目前已经提出了一些多标签分类算法,但多......
自大型计算机到客户端-服务器的转变后,云计算揭开了IT行业的又一新篇章,与云计算密不可分的大数据也同样引得了人们广泛的研究。......
作为人工智能中的重要领域,机器学习是一门从已知数据中学习有效算法,并且使用算法预测未知数据的计算机科学。贝叶斯网络作为一种......
TAN算法是一种针对复杂数据且在实际中具有极强的学习能力的有效算法,它已被广泛应用于数据挖掘、机器学习和模式识别领域。由于现......
Granger因果性是衡量系统变量间动态关系的重要依据.传统的两变量Granger因果分析法容易产生伪因果关系,且不能刻画变量间的即时因......
现在为人们所熟知的是单标签的分类,传统的监督学习的方法主要应用在单标签的数据中,但随着数据的日益丰富,单标签已经不能再完整......
目前在文本分类领域较常用到的特征选择算法中,仅仅考虑了特征与类别之间的关联性,而对特征与特征之间的关联性没有予以足够的重视......
针对传统特征选择算法只专注于特征类相关性或者特征冗余性的问题,提出一种基于条件互信息的特征选择算法。该算法采用k-means的基......
在高维数据如图像数据、基因数据、文本数据等的分析过程中,当样本存在冗余特征时会大大增加问题分析复杂难度,因此在数据分析前从......
为避免负荷预测特征集中冗余特征对预测精度的负面影响,降低预测器复杂度,提出一种基于条件互信息(CMI)和高斯过程回归(GPR)的短期......
