fuzzy set theory; mean square error methods; optimisation; pattern clustering; regression analysis; support vector machines; SVM optimization algorithm; SVM sub-learners; dynamic clustering method; ensemble learning; fuzzy granular; large scale dataset; mean squared error strategy; regression model; subtraining set; support vector machines; Classification algorithms; Clustering algorithms; Heuristic algorithms; Optimization; Prediction algorithms; Support vector machines; Training; SVM; dynamic clustering; ensemble learning; predicted regression;
机译:基于基于内分泌粒子群优化和人工蜂群算法的混合进化算法的支持向量机支持的医学数据集分类
机译:基于粒子群优化和基于动态衰减学习算法的概率神经网络模型的分类信用数据集
机译:一种高效且可扩展的基于密度的聚类算法,用于复杂结构的数据集
机译:基于聚类标签向量相似度矩阵的模糊聚类算法集成支持向量机算法训练集形成
机译:有监督的有序序数聚类–一种人机学习算法,可在大型数据集中创建准确的聚类:采用新颖的可视化技术应用于印第安纳州水质数据
机译:生物医学数据分类中基于二元不平衡数据集的自适应群聚动态多目标综合少数抽样技术算法
机译:图4:(a)一种保守序列,其发生在芯片-SEQ数据集中的46,264个结合位点峰值中的79倍。说明了这种保守序列的突变分布,其中'_'表示该碱度不变; del表示此基础丢失; INS X表示新的基础X插入此基础前面。 (b)列出了几种重复的元素模式。 (c)在第一栏中,示出了由MEME芯片工具(Machanick&Bailey,2011)开采的前五个DNA主题。由CFSP算法发现的相应保守序列列于第二列中。在第三列中,列出了从突变信息转换的特定位置的评分矩阵。 MEME主题与PSSM格式的相似性与PSSM格式之间的相似性通过邮票图章比较工具(Mahony&Benos,2007)计算。这些对相似性的电子值显示在第四列中。 (d)在由GKMSVM描述符聚集的每个组中选择了一个图案,下面列出了CFSP算法的相应主题。 (e)从https://www.encodeproject.org收集的,有附加数据集(文件no:cernff100grl,cenf616irl,conf8.20cer,target:srebf1)。使用MEME工具在每个文件中选择前两个图案,并且我们的算法发现的相应主题如下所示。