简介:摘要:持向量数据描述算法(SVDD)是一种近年来运用得越来越多的单分类算法,具有很好的泛化能力,且运用核函数能有效解决“维数灾难”问题,可以较好的划分交通流数据分布特征。虽然在传统的SVDD只关注正类样本,能很好的通过单类数据进行机器学习,但我们又可以使用负类样本点来更好的完善SVDD所构造的超球面的分类性能。这就提出了带负类样本的支持向量数据描述算法(SVDD-NE)。之后通过对比不同分类算法的性能来验证SVDD-NE方法的有效性。最后将SVDD-NE运用于实际道路交通流数据的拥堵判别,用来增加道路拥堵的判别方法,实验证明该方法可以较好的支持道路车流拥堵情况识别,为诊断道路运作情况提供了技术基础。
简介:摘要目的比较Logistic回归、BP神经网络及支持向量机3种模型对老年慢性阻塞性肺疾病(COPD)患者30 d内急性加重再入院风险的预测性能,以期为再入院高风险患者筛查及预防提供科学依据。方法制作COPD患者调查问卷表,包括一般资料调查表、改良英国医学研究委员会呼吸困难量表(mMRC)、日常生活能力评估量表(ADL)、老年抑郁量表、微型营养评定量表(MNA-SF)及COPD评估量表(CAT),采用便利抽样法,选择宁夏地区13所综合医院2019年4月至2020年8月呼吸内科治疗的老年COPD患者作为调查对象,并随访至出院后30 d。探讨患者再入院影响因素,基于影响因素构建Logistic回归模型、BP神经网络模型和支持向量机模型,按照训练集与测试集7∶3的比例分为训练集样本和测试集样本,分别通过查准率、召回率、正确率、F1指数及受试者工作特征曲线下面积(AUC)对模型预测效能进行比较。结果共调查1 120例患者,其中非再入院患者879例,再入院患者241例。单因素分析显示,非再入院患者与再入院患者的年龄、文化程度、吸烟情况、糖尿病和冠心病比例、过去1年因COPD急性加重住院次数、季节因素及长期家庭氧疗、规律用药、康复锻炼比例、病程、ADL、抑郁状况、mMRC、营养状况比较差异均有统计学意义。二元Logistic回归分析显示,文化程度、吸烟情况、冠心病史、过去1年因COPD急性加重住院次数、季节因素、是否长期家庭氧疗、是否规律用药、营养状况是老年COPD患者30 d急性加重再入院的影响因素。训练集显示,Logistic回归模型、BP神经网络模型及支持向量模型的查准率分别为70.95%、76.51%、84.78%,召回率分别为79.55%、86.36%、88.64%,正确率分别为87.81%、90.81%、93.82%,F1指数分别为0.75、0.81、0.87,AUC分别为0.850、0.893、0.921。测试集显示,Logistic回归模型、BP神经网络模型及支持向量模型的查准率分别为78.38%、80.65%、88.57%,召回率分别为70.73%、60.98%、75.61%,正确率分别为85.82%、84.40%、90.07%,F1指数分别为0.74、0.69、0.82,AUC分别为0.814、0.775、0.858。结论与Logistic回归模型和BP神经网络模型相比,支持向量机模型的预测效果更好,可以有效预测老年COPD患者30 d内急性加重再入院风险。
简介:Grouplet变换是通过Haar变换实现的一种二维图像多尺度分析技术,拥有根据图像的纹理结构自适应改变基的能力,从而具有较好的稀疏性。与小波变换相比,Grouplet变换在针对纹理复杂的金属断口图像的识别方面具有更优越的性能;将Grouplet变换与关联向量机结合,采用Grouplet熵作为特征,关联向量机作为识别器,提出了一种新的基于Grouplet熵-RVM的航空构件断口图像识别方法。试验表明:该方法结合了Grouplet变换以及关联向量机的优势,在针对222张断口图像的训练与识别中,识别率达到了85.58%,相比Grouplet熵-SVM方法识别速率提高了5倍。