CN107203497B - 一种基于偏最小二乘法的生物特征标记物提取方法及系统 - Google Patents
一种基于偏最小二乘法的生物特征标记物提取方法及系统 Download PDFInfo
- Publication number
- CN107203497B CN107203497B CN201710476396.0A CN201710476396A CN107203497B CN 107203497 B CN107203497 B CN 107203497B CN 201710476396 A CN201710476396 A CN 201710476396A CN 107203497 B CN107203497 B CN 107203497B
- Authority
- CN
- China
- Prior art keywords
- sample
- extracted
- principal component
- extracting
- partial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N27/00—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means
- G01N27/62—Investigating or analysing materials by the use of electric, electrochemical, or magnetic means by investigating the ionisation of gases, e.g. aerosols; by investigating electric discharges, e.g. emission of cathode
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Electrochemistry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于偏最小二乘法的生物特征标记物提取方法及系统,方法包括:对待提取样本进行质谱分析,获得待提取样本的质谱数据;采用偏最小二乘法对待提取样本进行建模及特征提取。系统包括质谱分析子系统和特征提取子系统。本发明采用了偏最小二乘法对生物特征标记物进行提取,解决了现有生物特征标记物提取方法因为类型复杂且数量繁多而无法进行精确快速提取的问题,操作简单,成本低,速度快而且精确度高。本发明作为一种基于偏最小二乘法的生物特征标记物提取方法及系统,可广泛应用于生物信息技术领域。
Description
技术领域
本发明涉及生物信息技术领域,尤其是一种基于偏最小二乘法的生物特征标记物提取方法及系统。
背景技术
生物标志物(Biomarker)是指可以标记系统、器官、组织、细胞及亚细胞结构或功能的、已经改变或可能发生改变的生化指标,具有非常广泛的用途。
偏最小二乘法(PLS)是一种新型的多元统计数据分析方法,它把模型式的方法和认识性的方法有机地结合起来,在一个算法下,可以同时实现回归建模(多元线性回归)、数据结构简化(主成分分析)以及两组变量之间的相关性分析(典型相关分析)。
偏最小二乘法在经济学、机械控制技术、药物设计及计量化学等方面有所应用,但是在生物医学上偏最小二乘法涉及相对较少。目前尚未见到将偏最小二乘法应用来进行生物特征标记物提取的报道。现有的生物标志物提取方法基于高昂的设备成本以及复杂的操作流程,对于类型复杂且数量繁多的生物特征标记物,标志物的提取速度慢而且精确度低。
发明内容
为解决上述技术问题,本发明的目的在于:提供一种操作简单、成本低、快速而且精确度高的,基于偏最小二乘法的生物特征标记物提取方法。
本发明的另一个目的在于:提供一种操作简单、成本低、快速而且精确度高的,基于偏最小二乘法的生物特征标记物提取系统。
本发明所采取的技术方案是:
一种基于偏最小二乘法的生物特征标记物提取方法,包括以下步骤:
对待提取样本进行质谱分析,获得待提取样本的质谱数据;
采用偏最小二乘法对待提取样本进行建模及特征提取。
进一步,所述对待提取样本进行质谱分析,获得待提取样本的质谱数据这一步骤,具体为:
计算待提取样本的质核比并分析待提取样本的类别,获得待提取样本的质谱数据。
进一步,所述采用偏最小二乘法对待提取样本进行建模及特征提取这一步骤,包括以下步骤:
获取待提取样本的质核比和类别,将待提取样本的质核比设为自变量,将待提取样本的类别设为因变量;
对自变量和因变量进行标准化处理;
获取标准化处理后的自变量和因变量,根据偏最小二乘法,提取待提取样本的特征数据。
进一步,所述获取标准化后的自变量和因变量,根据偏最小二乘法,提取待提取样本的特征数据这一步骤,包括以下步骤:
根据标准化处理后的自变量和因变量,进行主成分提取;
判断主成分提取得到的主成分是否满足设定精度要求,若是,则结束主成分提取操作并执行下一步骤的操作;反之,则返回根据标准化后的自变量和因变量,进行主成分提取这一步骤,直至提取到的主成分满足设定精度要求;
根据满足设定精度要求的主成分,对待提取样本进行特征提取。
进一步,所述根据满足设定精度要求的主成分,对待提取样本进行特征提取这一步骤,包括以下步骤:
获取满足设定精度要求的主成分,计算待提取样本的负荷向量;
根据待提取样本的负荷向量,计算待提取样本的载荷矩阵;
根据待提取样本的载荷矩阵,进行待提取样本特征标志物的提取。
进一步,所述满足设定精度要求的主成分与因变量的相关度最大。
本发明采取的另一个技术方案是:
一种基于偏最小二乘法的生物特征标记物提取系统,包括:
质谱分析子系统,用于对待提取样本进行质谱分析,获得待提取样本的质谱数据;
特征提取子系统,用于采用偏最小二乘法对待提取样本进行建模及特征提取。
进一步,所述特征提取子系统,包括:
获取模块,用于获取待提取样本的质核比和类别,将待提取样本的质核比设为自变量,将待提取样本的类别设为因变量;
标准化处理模块,用于对自变量和因变量进行标准化处理;
特征提取模块,用于获取标准化处理后的自变量和因变量,采用偏最小二乘法,提取待提取样本的特征数据。
进一步,所述特征提取模块,包括:
主成分提取单元,用于根据标准化处理后的自变量和因变量,进行主成分提取;
回归处理单元,用于判断主成分提取得到的主成分是否满足设定精度要求,若是,则结束主成分提取操作并执行下一步骤的操作;反之,则返回根据标准化后的自变量和因变量,进行主成分提取这一步骤,直至提取到的主成分满足设定精度要求;
特征提取单元,用于根据满足设定精度要求的主成分,对待提取样本进行特征提取。
进一步,所述特征提取单元,包括:
负荷向量计算子单元,用于获取满足设定精度要求的主成分,计算待提取样本的负荷向量;
载荷矩阵计算子单元,用于根据待提取样本的负荷向量,计算待提取样本的载荷矩阵;
特征提取子单元,用于根据待提取样本的载荷矩阵,进行待提取样本特征标志物的提取。
本发明的方法的有益效果是:方法包括对待提取样本进行质谱分析,获得待提取样本的质谱数据以及采用偏最小二乘法对待提取样本进行建模及特征提取的步骤,采用了偏最小二乘法对生物特征标记物进行提取,解决了现有生物特征标记物提取方法因为类型复杂且数量繁多而无法进行精确快速提取的问题,操作简单,成本低,速度快而且精确度高。
本发明的系统的有益效果是:系统包括用于对待提取样本进行质谱分析,获得待提取样本的质谱数据的质谱分析子系统以及用于采用偏最小二乘法对待提取样本进行建模及特征提取的特征提取子系统,通过在特征提取子系统中采用偏最小二乘法对生物特征标记物进行提取,解决了现有生物特征标记物提取方法因为类型复杂且数量繁多而无法进行精确快速提取的问题,操作简单,成本低,速度快而且精确度高。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明一种基于偏最小二乘法对生物特征标记物提取方法的步骤流程图;
图2为本发明的偏最小二乘法算法模型的肺癌与健康生物数据样本的分类效果图;
图3为本发明的偏最小二乘法算法模型第一主成分PLS1的载荷图;
图4为本发明的偏最小二乘法算法模型第二主成分PLS2的载荷图;
图5为本发明的偏最小二乘法算法模型第三主成分PLS3的载荷图;
图6为本发明一种基于偏最小二乘法对生物特征标记物提取系统的功能框图。
具体实施方式
参照图1,一种基于偏最小二乘法的生物特征标记物提取方法,包括以下步骤:
对待提取样本进行质谱分析,获得待提取样本的质谱数据;
采用偏最小二乘法对待提取样本进行建模及特征提取。
进一步作为优选的实施方式,所述对待提取样本进行质谱分析,获得待提取样本的质谱数据这一步骤,具体为:
计算待提取样本的质核比并分析待提取样本的类别,获得待提取样本的质谱数据。
进一步作为优选的实施方式,所述采用偏最小二乘法对待提取样本进行建模及特征提取这一步骤,包括以下步骤:
获取待提取样本的质核比和类别,将待提取样本的质核比设为自变量,将待提取样本的类别设为因变量;
对自变量和因变量进行标准化处理;
获取标准化处理后的自变量和因变量,采用偏最小二乘法,提取待提取样本的特征数据。
参照图2,以肺癌与健康样本数据为例,通过本发明的偏最小二乘法将两者进行分类,肺癌与健康样本数据的生物特征得到明显区分。
进一步作为优选的实施方式,所述获取标准化后的自变量和因变量,采用偏最小二乘法,提取待提取样本的特征数据这一步骤,包括以下步骤:
根据标准化处理后的自变量和因变量,进行主成分提取;
判断主成分提取得到的主成分是否满足设定精度要求,若是,则结束主成分提取操作并执行下一步骤的操作;反之,则返回根据标准化后的自变量和因变量,进行主成分提取这一步骤,直至提取到的主成分满足设定精度要求;
根据满足设定精度要求的主成分,对待提取样本进行特征提取。
其中,提取满足设定精度要求主成分的具体计算过程为:
设自变量的标准矩阵为E0,设因变量的标准矩阵为F0;
根据E0和F0计算权值向量,并将计算结果进行归一化得到权值向量w1,所述权值向量计算公式为:w1 T=F0 TE0/(F0 TF0),归一公式为:w1=w1/‖w1‖,其中‖w1‖为w1的模值;
根据权值向量w1计算得分向量t1,所述得分向量计算公式为:t1=E0w1;
根据得分向量t1计算负荷向量p1,所述负荷向量计算公式为:p1 T=t1 TE0/(t1 Tt1);
根据负荷向量p1提取生物样本数据的第一主成分。
其中,记T=[t1,tn]为得分矩阵(即样本的主成分矩阵);P=[p1,pn]为载荷矩阵;W=[w1,wn]为系数矩阵,则第一主成分的计算公式为:T1=E0W(PTW)-1。
其他主成分的计算方法与上述第一主成分的计算方法相同。
以肺癌样本数据为例,根据本发明的偏最小二乘法计算出的第一个主成分如图3所示,可以看出,第一主成分即质核比为783、799、809以及827的肺癌生物标记物。
以肺癌样本数据为例,根据本发明的偏最小二乘法的回归方法计算出的第二个主成分如图4所示,可以看出,第二主成分即质核比为302、346、362、319、256以及437的肺癌生物标记物。
以肺癌样本数据为例,根据本发明的偏最小二乘法的回归方法计算出的第三个主成分如图5所示,可以看出,第三主成分即质核比为320、340、302、175以及384的肺癌生物标记物。
进一步作为优选的实施方式,所述根据满足设定精度要求的主成分,对待提取样本进行特征提取这一步骤,包括以下步骤:
获取满足设定精度要求的主成分,计算待提取样本的负荷向量;
根据待提取样本的负荷向量,计算待提取样本的载荷矩阵;
根据待提取样本的载荷矩阵,进行待提取样本特征标志物的提取。
进一步作为优选的实施方式,所述满足设定精度要求的主成分与因变量的相关度最大。
其中,满足设定精度要求的主成分与因变量的相关度最大是指,满足设定精度要求的主成分t1与因变量F0的相关系数算子r(t1,F0)取值最大,即:r(t1,F0)→max。
此外,主成分还存储了自变量和因变量之间的最大差异信息。而自变量和因变量之间的最大差异信息通过主成分t1的最大方差var(t1)来进行表征,即:var(t1)→max。
参照图6,一种基于偏最小二乘法的生物特征标记物提取系统,包括:
质谱分析子系统,用于对待提取样本进行质谱分析,获得待提取样本的质谱数据;
特征提取子系统,用于采用偏最小二乘法对待提取样本进行建模及特征提取。
进一步作为优选的实施方式,所述特征提取子系统,包括:
获取模块,用于获取待提取样本的质核比和类别,将待提取样本的质核比设为自变量,将待提取样本的类别设为因变量;
标准化处理模块,用于对自变量和因变量进行标准化处理;
特征提取模块,用于获取标准化处理后的自变量和因变量,采用偏最小二乘法,提取待提取样本的特征数据。
进一步作为优选的实施方式,所述特征提取模块,包括:
主成分提取单元,用于根据标准化处理后的自变量和因变量,进行主成分提取;
回归处理单元,用于判断主成分提取得到的主成分是否满足设定精度要求,若是,则结束主成分提取操作并执行下一步骤的操作;反之,则返回根据标准化后的自变量和因变量,进行主成分提取这一步骤,直至提取到的主成分满足设定精度要求;
特征提取单元,用于根据满足设定精度要求的主成分,对待提取样本进行特征提取。
进一步作为优选的实施方式,所述特征提取单元,包括:
负荷向量计算子单元,用于获取满足设定精度要求的主成分,计算待提取样本的负荷向量;
载荷矩阵计算子单元,用于根据待提取样本的负荷向量,计算待提取样本的载荷矩阵;
特征提取子单元,用于根据待提取样本的载荷矩阵,进行待提取样本特征标志物的提取。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (2)
1.一种基于偏最小二乘法的生物特征标记物提取方法,其特征在于,包括以下步骤:
对待提取样本进行质谱分析,获得待提取样本的质谱数据;
采用偏最小二乘法对待提取样本进行建模及特征提取;
所述对待提取样本进行质谱分析,获得待提取样本的质谱数据这一步骤,具体为:
计算待提取样本的质核比并分析待提取样本的类别,获得待提取样本的质谱数据;
所述采用偏最小二乘法对待提取样本进行建模及特征提取这一步骤,包括以下步骤:
获取待提取样本的质核比和类别,将待提取样本的质核比设为自变量,将待提取样本的类别设为因变量;
对自变量和因变量进行标准化处理;
获取标准化处理后的自变量和因变量,采用偏最小二乘法,提取待提取样本的特征数据;
所述获取标准化后的自变量和因变量,采用偏最小二乘法,提取待提取样本的特征数据这一步骤,包括以下步骤:
根据标准化处理后的自变量和因变量,进行主成分提取;
判断主成分提取得到的主成分是否满足设定精度要求,若是,则结束主成分提取操作并执行下一步骤的操作;反之,则返回根据标准化后的自变量和因变量,进行主成分提取这一步骤,直至提取到的主成分满足设定精度要求;
根据满足设定精度要求的主成分,对待提取样本进行特征提取;
所述根据满足设定精度要求的主成分,对待提取样本进行特征提取这一步骤,包括以下步骤:
获取满足设定精度要求的主成分,计算待提取样本的负荷向量;
根据待提取样本的负荷向量,计算待提取样本的载荷矩阵;
根据待提取样本的载荷矩阵,进行待提取样本特征标志物的提取;
提取满足设定精度要求的主成分的具体过程为:
设自变量的标准矩阵为E0,设因变量的标准矩阵为F0;
根据E0和F0计算权值向量,并将计算结果进行归一化得到权值向量w1,所述权值向量计算公式为:w1 T=F0 TE0/(F0 TF0),归一公式为:w1=w1/‖w1‖,其中‖w1‖为w1的模值;
根据权值向量w1计算得分向量t1,所述得分向量计算公式为:t1=E0w1;
根据得分向量t1计算负荷向量p1,所述负荷向量计算公式为:p1 T=t1 TE0/(t1 Tt1);
根据负荷向量p1提取生物样本数据的第一主成分;
其中,记T=[t1,tn]为得分矩阵,即样本的主成分矩阵;P=[p1,pn]为载荷矩阵;W=[w1,wn]为系数矩阵,则第一主成分的计算公式为:T1=E0W(PTW)-1;
其他主成分的计算方法与上述第一主成分的计算方法相同;
所述满足设定精度要求的主成分与因变量的相关度最大,满足设定精度要求的主成分t1与因变量F0的相关系数算子r(t1,F0)取值最大,即:r(t1,F0)→max;
所述主成分还存储了自变量和因变量之间的最大差异信息,自变量和因变量之间的最大差异信息通过主成分t1的最大方差var(t1)来进行表征,即:var(t1)→max。
2.一种基于偏最小二乘法的生物特征标记物提取系统,其特征在于,包括:
质谱分析子系统,用于对待提取样本进行质谱分析,获得待提取样本的质谱数据;
特征提取子系统,用于采用偏最小二乘法对待提取样本进行建模及特征提取;
所述特征提取子系统,包括:
获取模块,用于获取待提取样本的质核比和类别,将待提取样本的质核比设为自变量,将待提取样本的类别设为因变量;
标准化处理模块,用于对自变量和因变量进行标准化处理;
特征提取模块,用于获取标准化处理后的自变量和因变量,采用偏最小二乘法,提取待提取样本的特征数据;
所述特征提取模块,包括:
主成分提取单元,用于根据标准化处理后的自变量和因变量,进行主成分提取;
回归处理单元,用于判断主成分提取得到的主成分是否满足设定精度要求,若是,则结束主成分提取操作并执行下一步骤的操作;反之,则返回根据标准化后的自变量和因变量,进行主成分提取这一步骤,直至提取到的主成分满足设定精度要求;
特征提取单元,用于根据满足设定精度要求的主成分,对待提取样本进行特征提取;
所述特征提取单元,包括:
负荷向量计算子单元,用于获取满足设定精度要求的主成分,计算待提取样本的负荷向量;
载荷矩阵计算子单元,用于根据待提取样本的负荷向量,计算待提取样本的载荷矩阵;
特征提取子单元,用于根据待提取样本的载荷矩阵,进行待提取样本特征标志物的提取;
提取满足设定精度要求的主成分的具体过程为:
设自变量的标准矩阵为E0,设因变量的标准矩阵为F0;
根据E0和F0计算权值向量,并将计算结果进行归一化得到权值向量w1,所述权值向量计算公式为:w1 T=F0 TE0/(F0 TF0),归一公式为:w1=w1/‖w1‖,其中‖w1‖为w1的模值;
根据权值向量w1计算得分向量t1,所述得分向量计算公式为:t1=E0w1;
根据得分向量t1计算负荷向量p1,所述负荷向量计算公式为:p1 T=t1 TE0/(t1 Tt1);
根据负荷向量p1提取生物样本数据的第一主成分;
其中,记T=[t1,tn]为得分矩阵,即样本的主成分矩阵;P=[p1,pn]为载荷矩阵;W=[w1,wn]为系数矩阵,则第一主成分的计算公式为:T1=E0W(PTW)-1;
其他主成分的计算方法与上述第一主成分的计算方法相同;
满足设定精度要求的主成分t1与因变量F0的相关系数算子r(t1,F0)取值最大,即:r(t1,F0)→max;
所述主成分还存储了自变量和因变量之间的最大差异信息,自变量和因变量之间的最大差异信息通过主成分t1的最大方差var(t1)来进行表征,即:var(t1)→max。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476396.0A CN107203497B (zh) | 2017-06-21 | 2017-06-21 | 一种基于偏最小二乘法的生物特征标记物提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710476396.0A CN107203497B (zh) | 2017-06-21 | 2017-06-21 | 一种基于偏最小二乘法的生物特征标记物提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107203497A CN107203497A (zh) | 2017-09-26 |
CN107203497B true CN107203497B (zh) | 2021-03-16 |
Family
ID=59907880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710476396.0A Active CN107203497B (zh) | 2017-06-21 | 2017-06-21 | 一种基于偏最小二乘法的生物特征标记物提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107203497B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109725046B (zh) * | 2019-01-21 | 2021-06-01 | 沈阳药科大学 | 一种基于建模-预测策略的靶标脂质组学方法 |
CN109668984A (zh) * | 2019-01-30 | 2019-04-23 | 山西医科大学第医院 | 一种基于代谢组学的喉癌血清判别模型的构建方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4818116B2 (ja) * | 2003-05-29 | 2011-11-16 | ウオーターズ・テクノロジーズ・コーポレイシヨン | メタボノミクスにおいてlc−msまたはlc−ms/msデータの処理を行うための方法およびデバイス |
CN104297328A (zh) * | 2014-09-25 | 2015-01-21 | 杭州电子科技大学 | 一种基于最小二乘法的肽质谱峰特征参数提取方法 |
CN106570325A (zh) * | 2016-11-04 | 2017-04-19 | 西南大学 | 一种基于偏最小二乘法的乳腺细胞异常检测方法 |
-
2017
- 2017-06-21 CN CN201710476396.0A patent/CN107203497B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107203497A (zh) | 2017-09-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Estimation of the volume under the ROC surface with three ordinal diagnostic categories | |
CN107203497B (zh) | 一种基于偏最小二乘法的生物特征标记物提取方法及系统 | |
CN103808688B (zh) | 近红外光谱法快速无损检测成品药物的质量一致性 | |
Urfer et al. | Statistics for proteomics: a review of tools for analyzing experimental data | |
CN109036466B (zh) | 面向情感语音识别的情感维度pad预测方法 | |
CN106570351B (zh) | 基于谱图相似度计算的搜库匹配结果的计算机模拟统计验证方法 | |
Purohit et al. | Discriminant models for high‐throughput proteomics mass spectrometer data | |
CN104866863B (zh) | 一种生物标志物筛选方法 | |
CN111125868B (zh) | 一种电子产品的多应力寿命评估方法及装置 | |
CN107169497A (zh) | 一种基于基因影像学的肿瘤影像标记物提取方法 | |
CN111537845A (zh) | 基于拉曼光谱聚类分析的油纸绝缘设备老化状态识别方法 | |
CN113112994B (zh) | 基于图卷积神经网络的跨语料库情感识别方法 | |
CN113516063A (zh) | 一种基于K-Means及步态周期相似性的运动模式识别方法 | |
Bellotti et al. | Qualified predictions for microarray and proteomics pattern diagnostics with confidence machines | |
US7991223B2 (en) | Method for training of supervised prototype neural gas networks and their use in mass spectrometry | |
CN114611582A (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
CN106599391B (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
CN109840564B (zh) | 一种基于超声造影图像均匀程度的分类系统 | |
CN109800820B (zh) | 一种基于超声造影图像均匀程度的分类方法 | |
CN109671468B (zh) | 一种特征基因选择及癌症分类方法 | |
EP3262416B1 (en) | Method for the diagnosis of endometrial carcinoma | |
CN101667253B (zh) | 一种高光谱遥感数据多类别监督分类方法 | |
CN111125629A (zh) | 一种域自适应的pls回归模型建模方法 | |
CN103761530B (zh) | 一种基于相关向量机的高光谱图像解混方法 | |
CN110866643B (zh) | 基于最大二次互信息准则回归的发酵过程质量变量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |