最小二乘小波支持向量机的DNA序列分类方法

doi:10.3778/j.issn.1002-8331.2009.12.071

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (12): 222-225.DOI: 10.3778/j.issn.1002-8331.2009.12.071

最小二乘小波支持向量机的DNA序列分类方法

冼广铭¹,曾碧卿¹,冼广淋²

1.华南师范大学南海校区计算机工程系，广东佛山 528225
2.广东轻工职业技术学院计算机系，广州 510300

收稿日期:2008-03-07 修回日期:2008-07-14 出版日期:2009-04-21 发布日期:2009-04-21
通讯作者: 冼广铭

DNA classification based on Least Square Wavelet Support Vector Machine

XIAN Guang-ming¹,ZENG Bi-qing¹,XIAN Guang-lin²

1.Computer Engineering Department of Nanhai Campus，South China Normal University，Foshan，Guangdong 528225，China
2.Computer Engineering Department of Guangdong Industry Technical College，Guangzhou 510300，China

Received:2008-03-07 Revised:2008-07-14 Online:2009-04-21 Published:2009-04-21
Contact: XIAN Guang-ming

摘要/Abstract

摘要： 目前使用的已有SVM核函数，在分类中不能逼近某一L₂（R）（平方可积空间）子空间上的任意分类界面。针对上述问题，在支持向量机的核函数方法和小波框架理论的基础上，提出了LS-WSVM结构模型。实验结果表明，和标准的SVM和LS-SVM比较起来，在同等条件下，LS-WSVM在分类方面具有优良的特征提取性能。

关键词: 支持向量机, 核函数, 最小二乘小波支持向量机, 分类

Abstract: SVM kernel function used at present can not approach to any classification boundary in sub-space of a square integrable space L₂（R）.Aiming at the problem above，based on conditions of the support vector kernel function and wavelet frame theory，authors propose the construction model of Least Square Wavelet Support Vector Machine（LS-WSVM）.Compared with standard SVM and LS-SVM under the same conditions，experimental results show that LS-WSVM has more excellent performance of feature abstraction in classification.

Key words: Support Vector Machine（SVM）, kernel function, Least Square Wavelet Support Vector Machine（LS-WSVM）, classification

冼广铭¹,曾碧卿¹,冼广淋². 最小二乘小波支持向量机的DNA序列分类方法[J]. 计算机工程与应用, 2009, 45(12): 222-225.

XIAN Guang-ming¹,ZENG Bi-qing¹,XIAN Guang-lin². DNA classification based on Least Square Wavelet Support Vector Machine[J]. Computer Engineering and Applications, 2009, 45(12): 222-225.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[3]	杨春霞，李欣栩，吴佳君，刘天宇. 基于注意力交互机制的层次网络情感分类[J]. 计算机工程与应用, 2021, 57(9): 134-139.
[4]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[5]	张韩钰，吴志昊，徐勇，陈斌. 增强卷积神经网络的人脸篡改检测方法[J]. 计算机工程与应用, 2021, 57(8): 220-224.
[6]	李俊丽. Spark平台下类别数据互信息计算的并行化[J]. 计算机工程与应用, 2021, 57(7): 95-100.
[7]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[8]	霍光煜，张勇，孙艳丰，尹宝才. 基于语义的档案数据智能分类方法研究[J]. 计算机工程与应用, 2021, 57(6): 247-253.
[9]	韩东方，吐尔地·托合提，艾斯卡尔·艾木都拉. 问答系统中问句分类方法研究综述[J]. 计算机工程与应用, 2021, 57(6): 10-21.
[10]	黄金杰，蔺江全，何勇军，何瑾洁，王雅君. 局部语义与上下文关系的中文短文本分类算法[J]. 计算机工程与应用, 2021, 57(6): 94-100.
[11]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[12]	李硕，梁毅. 面向Spark的批处理应用执行时间预测模型[J]. 计算机工程与应用, 2021, 57(5): 79-87.
[13]	王凤琴，柯亨进. 卷积神经网络及其分析在抑郁症判别中的应用[J]. 计算机工程与应用, 2021, 57(5): 245-250.
[14]	万亚玲，钟锡武，刘慧，钱育蓉. 卷积神经网络在高光谱图像分类中的应用综述[J]. 计算机工程与应用, 2021, 57(4): 1-10.
[15]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.

最小二乘小波支持向量机的DNA序列分类方法

DNA classification based on Least Square Wavelet Support Vector Machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics