一种基于先验信息BPSO的基因选择方法

基于改进 BPSO 的聚类选择性集成毕凯;王晓丹;邢雅琼【期刊名称】《系统工程与电子技术》【年(卷),期】2016(38)3【摘要】At first,as binary particle swarm optimization (BPSO)relapses into local extremism easily,an improved BPSO is proposed.By analyzing the scale sensitivity of Gaussian density function,the scale parameter is regulated based on the consistency between particle swarm and the global optimal particle.The mutation probability of the global optimal particle is determined by the definite integral in symmetric interval of the Gaussian density function.Then,the cluster ensemble selection is modeled as a combinatorial optimization problem.The fitness of each cluster member is defined by weighted composition of effectiveness and difference, and the cluster ensemble selection is carried out based on the improved BPSO.Finally,experiments on standard dataset and image dataset show that the proposed method is effective.%首先针对离散二进制粒子群（binary particle swarm optimization，BPSO）容易陷入局部收敛的问题，提出一种改进的 BPSO 算法。

2013年2月农业机械学报第44卷第2期doi ：10．6041/j．issn．1000-1298．2013．02．035基于BPSO 的棉花异性纤维目标特征快速选择方法*王金星李恒斌王蕊刘双喜曹维时闫银发（山东农业大学机械与电子工程学院，泰安271018）摘要：针对现有棉花异性纤维目标特征选择方法迭代次数多、速度慢等问题，提出了一种基于改进粒子群优化算法的棉花异性纤维目标特征快速选择方法。

使用离散型粒子群优化算法作为特征选择算法，利用支持向量机算法作为分类器对最优特征集进行验证。

实验结果表明，在分类准确率与蚁群算法相当的情况下，能减少26%的运行时间。

关键词：棉花异性纤维支持向量机离散型粒子群优化算法特征选择中图分类号：TP491.4文献标识码：A文章编号：1000-1298（2013）02-0188-04A Fast Feature Selection for Cotton Foreign Fiber Objects Based on BPSOWang JinxingLi HengbinWang RuiLiu ShuangxiCao WeishiYan Yinfa（Mechanical and Electronic Engineering College ，Shandong Agricultural University ，Taian 271018，China ）Abstract ：A fast feature selection for cotton foreign fiber objects based on binary particle swarm optimization was presented ，for the current feature selection of cotton foreign fiber having more iteration times and slow speed．Binary particle swarm optimization （BPSO ）was used to select feature in the method ，and the support vector machine algorithm was used to verify the optimal feature set．Experimental results showed that the running time could reduce by 26%，when the classification accuracy was almost with other algorithms．Key words ：CottonForeign fiberSVMBinary particle swarm optimizationFeature selection收稿日期：2012-02-08修回日期：2012-03-13*国家自然科学基金资助项目（30971693）和新世纪优秀人才计划资助项目（NCET-09-0731）作者简介：王金星，教授，主要从事数字图像处理研究，E-mail ：jinxingw@163．com 引言棉花异性纤维是指在棉花采摘、摊晒、收购、储存、运输、加工过程中混入棉花中的对棉花及其制品质量有严重影响的非棉纤维和色纤维，如塑料布、布条、麻绳、羽毛和丙纶丝等，俗称“三丝”［1］。

一种新的基于BPSO和KNN的P2P流量识别算法(英文)佚名【期刊名称】《《中国通信》》【年(卷),期】2011(000)002【摘要】Peer-to-Peer technology is one of the most popular techniques nowadays,and it brings some security issues,so the recognition and management of P2P applications on the internet is becoming much more important. The selection of protocol features is significant to the problem of P2P traffic identification. To overcome the shortcomings of current methods,a new P2P traffic identification algorithm is proposed in this paper. First of all,a detailed statistics of traffic flows on internet is calculated. Secondly,the best feature subset is chosen by binary particle swarm optimization. Finally,every feature in the subset is given a proper weight. In this paper,TCP flows and UDP flows each have a respective feature space,for this is advantageous to traffic identification. The experimental results show that this algorithm could choose the best feature subset effectively,and the identification accuracy is improved by the method of feature weighting.【总页数】7页(P52-58)【正文语种】中文【中图分类】TN【相关文献】1.基于UDP流量的P2P流媒体流量识别算法研究? [J], 董仕;王岗2.基于 BPSO 与神经网络的实时 P2P 协议识别算法 [J], 谭骏;陈兴蜀;杜敏3.一种新的基于BPSO和KNN的P2P流量识别算法 [J], 杜敏; 陈兴蜀; 谭骏4.一种基于机器学习的P2P网络流量识别算法研究∗ [J], 袁华兵5.一种新的基于分形特征融合的图像目标识别算法(英文) [J], 潘秀琴;侯朝桢;苏利敏因版权原因，仅展示原文概要，查看原文内容请购买。

结合先验知识及注意力机制的生物医学实体识别和关系抽取摘要生物医学实体识别和关系抽取是生物信息学领域的重要研究方向。

在本文中，我们将结合先验知识和注意力机制来探讨生物医学实体识别和关系抽取的应用。

我们将首先介绍生物医学实体识别和关系抽取的定义及其应用领域。

其次，我们将详细介绍先验知识和注意力机制的概念及其在生物医学实体识别和关系抽取中的应用。

最后，我们将使用先验知识和注意力机制来实现构建一个精确的生物医学实体识别和关系抽取模型，并对该模型进行评估。

关键词：生物医学实体识别、关系抽取、先验知识、注意力机制引言随着科技的发展和医疗保健领域的进步，生物医学领域的数据量不断增长，通过对这些数据的分析和挖掘，人们可以发现有用的知识。

生物医学实体识别和关系抽取是生物信息学领域内的两个重要的研究领域，它们是生物信息学领域实现智能化的关键。

生物医学实体识别旨在识别文本中的实体，即基因、蛋白质、药物、疾病等。

关系抽取是指从文本中挖掘出实体之间的关系，例如药物与疾病之间的治疗关系、基因与疾病之间的相关性等。

生物医学实体识别和关系抽取在生物医学研究中非常重要，可以促进生物医学领域中的疾病诊断、药物研发等工作。

本文主要介绍如何利用先验知识和注意力机制来提高生物医学实体识别和关系抽取的准确性和效率。

先验知识的应用先验知识是指从先前已知的事实或经验中所获得的知识。

在生物医学实体识别和关系抽取中，先验知识可以帮助我们减少时间和资源的浪费，提高实体识别和关系抽取的准确性。

先验知识在生物医学实体识别中的应用生物医学实体识别的一个关键问题是如何识别实体的类型。

通过利用先验知识，我们可以更好地识别实体。

例如，可以通过外部数据库来获取实体的标准名称和全名，这样就可以避免在不同的文本中对同一实体命名不一致的情况。

此外，通过先验知识还可以确定实体之间的关系，从而更好地识别实体。

例如，通过知道一些基因与疾病之间的相关性，可以帮助我们更加准确地识别基因或疾病实体。

基于改进BPSO的最小碰集搜索方法应用研究本论文在对比分析常用最小碰集搜索方法性能优劣的基础上，提出了一种改进的离散二进制粒子群算法，并给出了该算法应用于最小碰集搜索的基本规则与流程，从最小冲突集集合簇中搜索获得全部最小碰集并做出诊断结论。

随后，以卫星电源系统为应用案例，验证了该方法的性能优势、适用性以及工程实用性。

标签：基于模型诊断；冲突集；碰集；离散二进制粒子群算法1 引言基于模型诊断（Model-Based Diagnosis，MBD）作为故障诊断技术的分支之一，又被称为基于“深知识”的诊断方法，它通过建立诊断对象的定性抽象模型，发挥定性分析、推理方法简单易行的优势，总结出抽象建模的基本规则，既解决了知识获取瓶颈与知识库维护困难问题，又能有效提高诊断的精确性，特别是针对具备层次性、耦合性、冗余度等特点的航空航天类电子产品，具有较高的应用价值[1]。

基于MBD的基本思想，诊断过程可分为系统建模、冲突识别与诊断生成。

其中，诊断生成环节的基本任务就是完成最小碰集搜索，如何尽可能提高最小碰集搜索效率也成为了MBD技术领域的研究热点。

目前，可以将最小碰集搜索算法分为三类，分别是树形搜索算法、布尔代数搜索算法，以及以遗传算法为代表的一系列人工智能方法。

其中，HS-TREE、HST-TREE、BHS-TREE[2]等树形搜索算法需要建立树或者图，可能因为剪枝问题而丢失正确解，算法编程实现繁琐且计算效率差；布尔代数方法[3]在计算碰集时不需建树，不会因剪枝而丢失正确解，但需要预先存储所有碰集，通过化简得出最小碰集，在一定程度上限制了计算效率；遗传算法[4]的空间复杂性对冲突集的规模不敏感，适用于求解冲突集规模较大的情况，但只能较快计算出部分碰集，不能保证所有输出结果均为最小碰集。

鉴于此，本文设计采用离散二进制粒子群算法BPSO，将最小碰集的搜索问题转化为用0、1表示的二值空间的搜索问题，并通过对算法进行适当改进，提高原有最小碰集的搜索效率。

基于打分准则和改进PSO的基因选择方法唐迪;韩飞;程准【期刊名称】《计算机工程与设计》【年(卷),期】2018(039)003【摘要】为利用数据分析的方法高效快速筛选出具有高分类性能的基因,针对基因表达谱数据高维小样本的特点,提出一种基于打分准则和改进的PSO算法的基因选择方法.基于数学抽样调查的科学性,制定一种基因打分准则来准确筛选相关基因;为防止粒子陷入局部最优解,利用半初始化及模拟退火算法的Metropolis准则改进PSO算法.在两个公开的数据集上的实验结果表明,该方法快捷、高效,克服了传统聚类解释性差以及PSO算法易于陷入局部最优解的缺点,选出了数目较少分类性能较强的基因.%To obtain genes highly related to sample's class with the method of data analysis rapidly and effectively,aiming at the characteristics of gene expression data with small sample in comparison to high dimensionality,a hybrid gene selection method based on gene scoring strategy and improved particle swarm optimization (PSO) was proposed.Based on the scientific nature of mathematical sampling,the gene scoring strategy was proposed to filter irrelevant genes.To prevent the swarm from trapping into local minima,the particle swarm optimization (PSO) was improved using half-initialization and metropolis criterion of the simulated annealing algorithm (SA).The experiments on two public datasets show that the proposed method is fast and efficient.It can overcome the shortcomings that the traditional clustering is poorexplicable and the PSO algorithm is easy to fall into local optimal solution.The proposed method can select out the effective gene set with fewer number and good classification performance.【总页数】6页(P710-715)【作者】唐迪;韩飞;程准【作者单位】江苏大学计算机科学与通信工程学院,江苏镇江212013;江苏大学计算机科学与通信工程学院,江苏镇江212013;南京农业大学工学院,江苏南京210031【正文语种】中文【中图分类】TP391.4;TP301.6【相关文献】1.基于Fisher准则和多类相关矩阵分析的肿瘤基因特征选择方法 [J], 胡洋;李波2.基于改进核模糊粗糙集的特征基因混合选择方法 [J], 陈涛3.一种改进的基于先验信息和微粒群算法的基因选择方法 [J], 凌青华;孙伟;韩飞4.一种基于改进的遗传算法的癌症特征基因选择方法 [J], 范方云;孙俊;王梦梅5.基于改进的和声搜索算法的特征基因选择方法 [J], 魏峻因版权原因，仅展示原文概要，查看原文内容请购买。

基于BPSO的水下目标特征选择方法
赵妮;孙进才;梁峰;田梦君
【期刊名称】《计算机仿真》
【年(卷),期】2008(025)001
【摘要】为了提高水下目标识别的识别率,降低水下目标特征提取的代价,提出了基于二进制粒子群优化(Discrete Binary Parti-cle Swarm Optimization,BPSO)的水下目标特征选择算法,并结合k近邻分类算法,对三类实测水下目标数据进行了最优特征集的选择及分类实验.实验结果表明该特征选择方法能有效降低水下目标的特征维数,选择出利于分类的特征子集,提高了水下目标识别的分类效果.为了说明方法对于其他模式识别问题的效果,另外选择了UCI机器学习数据库中的四组标准数据进行仿真分析.
【总页数】4页(P196-199)
【作者】赵妮;孙进才;梁峰;田梦君
【作者单位】西北工业大学,陕西,西安710072;西北工业大学,陕西,西安710072;西北工业大学,陕西,西安710072;西北工业大学,陕西,西安710072
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于BPSO和SVM的烤烟烟叶图像特征选择方法研究 [J], 杨帆;申金媛
2.改进的BPSO的特征基因选择方法及其在结肠癌检测中的应用研究 [J], 柴欣;孙
劲耀;郭磊;武优西
3.一种基于先验信息BPSO的基因选择方法 [J], 杨春;韩飞
4.基于BPSO的棉花异性纤维目标特征快速选择方法 [J], 王金星;李恒斌;王蕊;刘双喜;曹维时;闫银发
5.一种基于先验信息BPSO的基因选择方法 [J], 杨春;韩飞
因版权原因，仅展示原文概要，查看原文内容请购买。

基于CSP-BPSO的脑-机接口电极选择
吕俊
【期刊名称】《华南理工大学学报（自然科学版）》
【年(卷),期】2010(038)010
【摘要】在与运动相关的脑–机接口(BCI)中,安置不必要的电极可能会引入伪迹,不利于特征提取和分类.为此,文中提出一种基于共空间模式(CSP)和二进制粒子群优化(BPSO)的电极选择方法.该方法在提取高区分度特征的同时限制电极数量,并依据CSP滤波器的权值调整初始电极组合的生成概率,以提高BPSO的收敛速度.实验结果表明:采用文中方法,选择少数电极即可获得令人满意的分类精度.
【总页数】7页(P7-13)
【作者】吕俊
【作者单位】华南理工大学,自动化科学与工程学院,广东,广州,510640
【正文语种】中文
【中图分类】TP181;R318
【相关文献】
1.基于脑电alpha波的实时脑一机接口系统 [J], 喻晓
2.基于脑电alpha波的实时脑一机接口系统 [J], 喻晓
3.基于干电极的头带式射频无线脑-机接口系统 [J], 郭凯;裴为华;王宇;许冰;归强;李晓倩;杨宇;刘剑;陈弘达
4.脑控:基于脑-机接口的人机融合控制 [J], 王行愚;金晶;张宇;王蓓
5.基于脑-机接口技术下“脑控警犬”技术应用研究 [J], 岑世桔;刘凯风
因版权原因，仅展示原文概要，查看原文内容请购买。

基于 BPSO 与神经网络的实时 P2P 协议识别算法谭骏;陈兴蜀;杜敏【期刊名称】《中南大学学报（自然科学版）》【年(卷),期】2012(043)006【摘要】针对互联网中P2P协议以及加密协议无法使用传统方法进行识别的问题,提出一种新的基于会话流统计特征的网络协议识别算法.采用二进制粒子群算法(BPSO)定量选出最能体现不同协议区别的特征子集；并针对BP(Back Propagation)神经网络结构难以确定、易陷入局部极小值等缺陷进行分析,使用粒子群算法对BP神经网络进行优化以提高识别率.实验结果表明:该方法能够有效地从多种网络特征属性中选出最能体现不同协议区别的特征子集,且对于基于UDP协议的网络应用也有较高识别率,经优化后的BP神经网络具有更高识别率.该算法对常见的P2P协议平均识别率达到96％,且能够实时地对网络协议进行识别.%Due to the unclassifiable problem of P2P protocol and encryption protocol by traditional approach in network management, a novel approach considering internet traffic flow was proposed to classify network applications especially P2P applications based on binary particle swarm optimization (BPSO) and optimized back-propagation (BP) neural network. BPSO was used to select the best feature subset which can mostly reflect the difference among different network applications. And BP neural network was optimized by PSO algorithm. The experimental results demonstrate that the proposed approach has a high recognition rate of network applications using either TCP or UDP protocol, and theidentification rate is improved to 96% with the use of BPSO and optimized BP neural network. Moreover, the proposed algorithm can be used for real-time identification.【总页数】8页(P2190-2197)【作者】谭骏;陈兴蜀;杜敏【作者单位】四川大学计算机学院,四川成都,610065;四川大学计算机学院,四川成都,610065;四川大学计算机学院,四川成都,610065【正文语种】中文【中图分类】TP393.08【相关文献】1.基于特征加权与最近邻法的P2P协议识别算法 [J], 谭骏;陈兴蜀;杜敏2.基于域的多层结构P2P应用层多播协议模型RLP2P研究 [J], 乐光学;李仁发;吴蓉晖3.一种新的基于BPSO和KNN的P2P流量识别算法(英文) [J],4.一种新的基于BPSO和KNN的P2P流量识别算法 [J], 杜敏; 陈兴蜀; 谭骏5.基于卷积神经网络的隐藏信息实时识别算法 [J], 赵玉芹;鹿艳晶因版权原因，仅展示原文概要，查看原文内容请购买。

一种基于Apriori的搜索建议关键字提取算法奚婷;杨燕【期刊名称】《计算机科学》【年(卷),期】2012(039)011【摘要】With the rapid development of Internet, users make use of network to achieve the resources frequently. But search engines return a big and linear list which is uncomfortable for users to use. Text clustering which is flexible and automatic has become one important measure to solve the problem. This paper used a kind of clustering algorithm named Lingo as major object. And aiming at a problem in Lingo algorithm that the label can't belong to more then one sentence, the paper employed Apriori algorithm to find label as search suggested keyword to make up the problem.%随着因特网技术的飞速发展,人们开始频繁地利用网络寻找、获取所需的资源,而传统的搜索引擎返回的结果数量庞大且呈线性排列,用户很难在短时间内找到所需的资源.文本聚类具有较强的灵活性和自动处理能力,成为解决问题的重要手段.以Lingo算法为主要研究对象,针对Lingo聚类算法提取标签时无法提取多个句子中标签的问题,引进Apriori算法来寻找主题,并将其作为搜索建议关键字,来较好地解决这个问题.【总页数】4页(P145-148)【作者】奚婷;杨燕【作者单位】西南交通大学信息科学与技术学院成都610031;西南交通大学信息科学与技术学院成都610031【正文语种】中文【中图分类】TP391.1【相关文献】1.一种P2P网络中基于关键字的信息搜索方法 [J], 周飞明;吴晟2.一种基于TextRank的单文本关键字提取算法 [J], 柳林青;余瀚;费宁;陈春玲3.一种基于关键字树的DNA数据库搜索算法 [J], 邹权;郭茂祖;刘扬;王春宇4.一种基于XLCA的XML关键字搜索方法 [J], 许建军;汪卫;施伯乐5.一种基于自适应关联熵的关键字提取算法 [J], 罗有志; 陈征明; 陈明; 梅文涛因版权原因，仅展示原文概要，查看原文内容请购买。

基于BPSO-SVM的网络入侵特征选择和检测
高海华;杨辉华;王行愚
【期刊名称】《计算机工程》
【年(卷),期】2006(32)8
【摘要】采用改进的二进制粒子群优化进行入侵特征子集选择,粒子群中每个粒子代表一个选择的特征子集,结合支持向量机使用该特征子集所对应的数据集进行分类,正确分类结果作为该粒子的适应度,通过粒子群优化实现最优入侵特征选择.改进的BPSO方法中通过引入粒子群依概率整体变异来避免陷入局部最优,同时采用粒子禁忌搜索列表来扩大粒子搜索范围和避免重复计算;SVM中采用基于粒度的网格搜索来获得最优核参数.最后用KDD 99标准数据集进行实验研究,结果表明该方法能获得满意的检测效果.
【总页数】3页(P37-39)
【作者】高海华;杨辉华;王行愚
【作者单位】华东理工大学信息科学与工程学院,上海,200237;华东理工大学信息科学与工程学院,上海,200237;桂林电子工业学院计算机系,桂林,541004;华东理工大学信息科学与工程学院,上海,200237
【正文语种】中文
【中图分类】TP393
【相关文献】
1.基于神经网络和CFS特征选择的网络入侵检测系统 [J], 孙宁青
2.基于并行特征选择和分类的网络入侵检测方法 [J], 戴敏
3.基于集成特征选择的网络入侵检测模型 [J], 侯莹;陈文胜;王丹宁;程陈;牛诗川;姬瑶
4.基于SSA和ELM的医院网络入侵特征选择和检测研究 [J], 魏星;佟明泽;李铮;王悦
5.基于杂交BPSO-SVM的网络故障特征选择 [J], 杨婷;孟相如;徐有;温祥西
因版权原因，仅展示原文概要，查看原文内容请购买。

高光谱结合离散二进制粒子群算法对久保桃可溶性固形物含量的检测张立秀;张淑娟;孙海霞;薛建新;景建平;崔添俞【期刊名称】《光谱学与光谱分析》【年(卷),期】2024(44)3【摘要】可溶性固形物(SSC)是评价久保桃内部品质的重要指标。

传统的SSC检测有损、费时、费力;快速、无损检测久保桃的SSC含量对于其品质分级有着重要意义。

离散二进制粒子群算法(BPSO)是在标准粒子群算法(PSO)的基础上,更新速度公式得到的,具有精度高,收敛快的特点,多用于离散空间的优化问题。

基于高光谱技术结合BPSO算法及BPSO的组合特征波长选择算法对久保桃的SSC含量预测进行研究。

首先采集198个久保桃样本的高光谱信息,获取久保桃900~1700nm 范围内的光谱信息,计算感兴趣区域的平均光谱作为有效光谱数据,同时测量久保桃的SSC值。

采用K-S(Kennard-Stone)算法将样本划分为校正集(147个)和预测集(51个)。

使用BPSO特征波长选择算法对久保桃的原始光谱数据进行特征波长提取,并与竞争性自适应重加权算法(CARS)、连续投影法(SPA)、无信息变量选择法(UVE)等特征波长选择算法比较。

同时为了避免单一算法建模中的不稳定问题,提出了基于BPSO的一次组合(BPS0+CARS、BPSO+SPA、BPSO+UVE)和二次组合[(BPSO+CARS)-SPA]、[(BPSO+SPA)-SPA]、[(BPSO+UVE)-SPA]特征波长提取方法。

基于上述10种特征波长提取方法分别建立支持向量机(LS-SVM)模型和遗传算法(GA)优化的支持向量机模型(GA-SVM)模型。

结果表明,基于BPSO算法提取特征波长建立的模型预测性能均高于其他单一特征波长方法,建立的两种模型预测集决定系数R_(p)^(2)均达到0.97以上;基于BPSO的组合算法中,二次组合(BPSO+SPA)-SPA算法建立的LS-SVM在特征波长数量较少的情况下对久保桃SSC含量预测性能最高,校正集和预测集决定系数R_(c)^(2)为0.982,R_(p)^(2)为0.955,均方根误差RMSEC为0.108,RMSEP为0.139。