支持向量机在卵巢癌诊断中的应用

支持向量机是在统计学习理论基础上发展而来的一种新的通用学习方法，较好地解决了有限样本的学习分类问题。现阶段卵巢癌的血清学诊断，特别是早期诊断主要依靠CA125，敏感性和特异性均不太理想。本文采用统计学和生物信息学的支持向量机方法建立卵巢癌的CA125、CA72-4、TSGF、VEGF、LPA等5种血清肿瘤标志物的组合模式识别系统，并初步探讨了支持向量机方法对于卵巢癌诊断的可行性。     

基于支持向量机的故障诊断方法

提出了基于支持向量机的故障诊断方法和步骤。诊断实例表明，与神经网络故障诊断方法相比，诊断小样本分析的支持向量机故障诊断方法具有分类能力强、推广能力好的特点。     

高效液相色谱法结合支持向量机鉴别桑白皮

目的建立一种区分基原为Morus albaL．和非M．alba.L．的中药桑白皮的可靠鉴别方法。方法以桑白皮乙醚部位高效液相色谱（high performance liquid chromatography,HPLC）法色谱峰的归一化数据作为输入向量,随机分为训练样本和测试样本,用支持向量机软件构造区分不同基原样本数据的分类超平面以建立分类模型,并将分类结果与相似度分析法相比较。结果相似度分析法未能对某些桑自皮样本是否属于M.alba.L给出准确判断。支持向量机方法所建分类模型,对样本属于M．alba.L与否的预测准确度达到100％。结论高效液相色谱法结合支持向量机能够准确鉴别桑白皮的基原属性,在中药鉴别领域有广阔的应用空间。     

支持向量机与中药研究

近年来越来越多的人工智能技术开始在中药研究领域得到应用并取得令人鼓舞的成果。支持向量机是近十余年发展起来的人工智能技术,包含了最大间隔超平面、Mercer核、凸二次规划、稀疏解和松弛变量等多项技术,它的出现弥补了以往技术的不足并表现出很强的发展与应用潜力。中药现代化研究完全可以借助支持向量机的研究成果开创一片新的天地。尽管如此,支持向量机在中药研究领域的应用仍然不多见,一方面可能与支持向量机理论正处在发展上升的阶段有关,另一方面则可能是由于该项技术在中药研究的这片处女地上埋藏着巨大应用潜力,尚未引起人们的足够重视。总结近年来支持向量机在中药研究领域应用的基础上,讨论目前存在的问题,展望未来的发展趋势,探讨可能的应用方向,并以此激励更多的研究力量参与其中。     

中药复方药效的支持向量机预测研究

目的：建立中药复方药效的支持向量机预测模型。方法：基于正交设计和支持向量机,提出了中药复方药效的预测模型,用1个实例对模型精度进行了验证和评价。结果：自检验和留一法检验的复相关系数分别为0．980和0．736。结论：本研究所建立的模型可以对复方不同组合进行药效预测,可为进一步实验验证提供参考．在寻找中药复方有效组分、并探讨以有效组分为处方进行中药复方二次开发模式方面具有良好的应用前景。     

基于支持向量机的Windows主机入侵检测系统

提出了一种基于支持向量机的W indow s主机入侵检测方法。讨论了以W indow s注册表作为数据源的入侵检测系统的结构及特征向量的提取方法。给出了基于支持向量机的入侵分类算法,通过建立支持向量描述模型进行预测。实验表明:该方法对已知样本有很高的检测率,对未知样本也有一定检测能力。     

基于支持向量机的PSA制氧机气控阀故障诊断

目的 提出一种故障诊断方法,以有效诊断变压吸附（Pressure Swing Adsorption,PSA）制氧机气控阀故障类别,防止因气控阀故障造成PSA制氧机无法工作。方法 运用时域和频域分析方法分析气控阀动力信号,选取表征典型故障的特征值,并运用选出的特征值对支持向量机（Support Vector Machine,SVM）训练,获得准确的SVM模型。使用该SVM模型对待测气控阀压力信号进行故障标签分类。结果 选取10个维修返厂气控阀进行无标签验证,每个气控阀采集200组数据,放入该SVM模型中进行故障诊断。实验结果与SVM模型预测结果完全相同,实验验证准确率为100%。结论 提出一种基于时域、频域特征与SVM模型相结合的制氧机气控阀故障诊断方法,通过此方法可高效地诊断气控阀的故障类别,实现准确更换或修复气控阀内元件,为后续气控阀故障诊断提供思路和方法。     

支持向量机和Logistic回归模型预测重症手足口病的价值

目的:分别构建支持向量机和Logistic回归模型对重症手足口病(HFMD)进行预测,并分析重症HFMD的危险因素。方法:共纳入2018年12月至2019年12月在河南省某医院诊治的HFMD患儿921例,用统计学方法分别构建支持向量机、Logistic回归模型识别重症HFMD的危险因素,采用重合矩阵表评估对比两模型的预测价值。结果:当使用30%的数据进行验证时,支持向量机模型的曲线下面积为0.938、敏感度85.11%、特异度89.96%、阳性预测值83.8%、阴性预测值93.3%、准确率91.67%,位于前5位的变量是：C反应蛋白、惊颤、肢体抖动、白细胞和EV71抗体阴性。Logistic回归模型曲线下面积为0.854、敏感度82.98%、特异度84.28%、阳性预测值82.9%、阴性预测值92.5%、准确率89.13%。位于前5位的变量是：最高温度、住院时间、白细胞、C反应蛋白和年龄。结论:支持向量机和Logistic回归模型均能较好地预测重症HFMD,但支持向量机模型的综合预测价值更高。新增EV71抗体阴性是影响重症HFMD的独立危险因素,提示当前重症HFMD的病原学特征出现显著...     

基于支持向量机的化工过程故障诊断

引入了基于统计学习理论的支持向量机技术，以连续搅拌釜式反应器——CSTR模型为例，研究了非线性化工复杂反应过程的故障诊断问题。实验结果表明，支持向量机方法与传统故障诊断方法相比，具有更好的精度、速度以及适应性。     

基于离散粒子群和支持向量机的故障诊断方法

针对与故障不相关的变量会影响分类器性能，从而导致故障诊断正确率下降，提出一种将离散粒子群算法（PSO）与支持向量机（SVM）相结合寻找故障特征变量的优化算法。该算法实现了数据降维和故障特征保留，有效地提高了故障诊断性能。基于连续搅拌釜式反应器（CSTR）的仿真实例验证了该算法古白有诗性．     

SVM在临床医学中的应用

SVM是一种有坚实理论基础的新颖的小样本学习方法。它基本上不涉及概率测度及大数定律等,因此不同于现有的统计方法。SVM在解决小样本、非线性及高维模式识别问题中具有许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。目前SVM已广泛应用各个领域,但其也有一定的局限性。本文综述了最近几年来支持向量机在临床医学中的应用状况,并探讨其应用前景。     

基于支持向量机的骨肉瘤X线图像中病变区域的自动识别研究

采用骨肉瘤X线图像中病变区域的颜色特征和基于灰度共生矩阵的纹理特征作为特征向量,研究利用支持向量机算法对骨肉瘤病变区域的自动识别方法,结果充分表明支持向量机良好的分类能力.     

基于支持向量机与XGboost的成年人群肿瘤患病风险预测研究

背景　肿瘤风险预测对于提高人群健康水平、降低患者经济负担意义重大。但随着医疗大数据的产生,传统的统计预测方法逐渐无法满足需求,有必要尝试开展机器学习等新方法在肿瘤预测领域的应用。目的　探讨支持向量机与XGboost和逐步Logistic回归分析在成年人群肿瘤患病风险中的预测价值。方法　本研究时间为2011-2015年,数据来源于中国健康与营养调查（CHNS）,以我国12个地区（黑龙江、辽宁、湖南、山东、贵州、江苏、广西、湖北、河南、北京、上海和重庆）城乡成年（≥18岁）常住居民为对象,经过数据清理,最终纳入19 410人为本研究对象。将研究对象按2∶1分为训练集和测试集,基于逐步Logistic回归分析的变量筛选策略,在训练集上分别建立逐步Logistic回归分析、支持向量机、XGboost肿瘤患病风险预测模型,并在测试集上进行验证。通过比较各模型受试者工作特征曲线（ROC曲线）下面积（AUC）,分析各模型预测肿瘤患病风险的性能。结果　19 410例研究对象中,被诊断为肿瘤患者262例（1.35%）。训练集（n=12 919）中含有174例肿瘤患者,测试集（n=6 491）含有88例肿瘤患者。逐步Logistic回归分析、支持向量机、XGboost在测试集中预测成年人群患肿瘤的正确率分别为72.96%〔95%CI（71.86%,74.04%）〕、99.54%〔95%CI（99.34%,99.69%）〕、70.05%〔95%CI（68.92%,71.16%）〕,AUC分别为76.75%〔95%CI（72.35%,81.14%）〕、86.32%〔95%CI（81.64%,91.00%）〕、79.03%〔95%CI（74.96%,83.10%）〕。支持向量机、XGboost预测成年人群患肿瘤的AUC与Logistic回归模型比较,差异有统计学意义（Z值分别为-2.519、-2.138,P值分别为0.012、0.032）;XGboost预测成年人群患肿瘤的AUC低于支持向量机,差异有统计学意义（Z=2.081,P=0.037）。结论　支持向量机相较于逐步Logistic回归分析预测成年人群肿瘤患病风险的正确率、灵敏度、特异度、AUC等指标较好,而XGboost未见明显优势,但考虑到逐步Logistic回归分析操作的便捷性和可解释性优势,建议在肿瘤风险预测方面,采用支持向量机与逐步Logistic回归分析相结合的模式。     

基于多尺度熵和支持向量机的人体脑疲劳状态检测研究

目的探索多尺度熵结合支持向量机的方法是否可以有效检测人体脑疲劳状态,进而比较不同脑皮层位置的电极检测脑疲劳的效果。方法通过持续认知负荷任务建立脑疲劳模型,采用一款便携式脑电设备采集12名实验对象清醒和疲劳状态的脑电信号,以多尺度熵为特征,结合支持向量机算法对两种状态的脑电进行分类。结果在进行持续认知负荷任务后,实验对象的疲劳程度明显上升,NASA-TLX和KSS量表结果均具有显著的统计学差异(P<0.01);在额叶Fpz、顶叶Pz和枕叶Oz三个电极,实验对象清醒和疲劳状态脑电信号的平均分类准确率分别为92.16%、81.63%和90.54%,其中Fpz和Oz电极之间没有统计学差异(P>0.05),二者和Pz电极之间有显著的统计学差异(P<0.05)。结论多尺度熵结合支持向量机可以有效地对人体清醒和脑疲劳状态进行检测,Fpz和Oz电极比Pz电极的检测效果更好。     

Using Support Vector Machine to Predict Eco-environment Burden:A Case Study of Wuhan,Hubei Province,China1

Objective The human socio-economic development depends on the planet's natural capital.Humans have had a considerable impact on the earth,such as resources depression and environment deterioration.The objective of this study was to assess the impact of socio-eeonomic development on the ecological environment of Wuhan,Hubei Province,China,during the general planning period 2006-2020. Methods Support vector machine(SVM) model was constructed to simulate the process of eco-economic system of Wuhan.Socio-economic factors of urban total ecological footprint(TEF)were selected by partial least squares(PLS)and leave-one-out cross validation(LOOCV).Historical data of socio-economic factors as inputs,and corresponding historical data of TEF as target outputs.were presented to identify and validate the SVM model.When simulated as output in succession. Results Up to 2020,the district would have suffered an accumulative TEF of 28.374 million gha,which was over 1.5 times that of 2004 and healrly 3 times that of 1988.The per capita EF would be up to 3.019 gha in 2020. Conclusions The simulation indicated that although the increase rate of GDP would be restricted in a lower level during the general planning period,urban ecological environment burden could not respond to the socio-economic circumstances promptly.SVM provides tools for dynamic assessment of regional eco-environment.However,there still exist limitations and disadvantages in the model.We believe that the next logical step in deriving better dynamic models of ecosystem is to integrate SVM and other algorithms or technologies.     

支持向量机及其在函数逼近中的应用

支持向量机是一种新的机器学习算法，它的理论基础是Vapnik创建的统计学习理论，它采用结构风险最小化准则，在最小化样本点误差的同时，缩小模型预测误差的上界，从而提高了模型的泛化能力，本文通过SVM在函数逼近中的应用，研究了SVM的小样本学习，泛化能力和抗噪声扰动能力。     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

RNAi表达载体对宫颈癌HPV16 E6基因表达的抑制作用

目的研究RNA干扰(RNA interference，RNAi)表达载体对宫颈癌HPV16E6基因的抑制作用。方法构建针对HPV16E6基因的RNAi质粒表达载体，脂质体法转染宫颈癌caski细胞株，应用荧光定量PCR及流式细胞术检测其对HPV16E6mRNA及蛋白表达的影响。结果构建的三种表达载体均抑制了HPV16E6的mRNA及蛋白的表达，其中转染B号载体的caskiB细胞HPV16E6mRNA表达仅相当于空白组的21．7％，蛋白抑制率达98．1％。结论RNAi表达载体可以有效的抑制HPV16E6基因的表达。     

基于小波变换和支持向量机的急性低血压预测方法研究

ICU中,急性低血压的发生可能引起严重的后果,甚至威胁患者的生命安全,临床上主要依靠医生的经验进行预见性判断.为了实现急性低血压发生的自动检测和提前预报,本文运用医学信息学理论,对发生与未发生急性低血压两者间平均动脉压信号进行小波多尺度分解,并选取各层小波系数的统计特征参数中位数和最大值,用于支持向量机分类预测器的学习...