典型文献
基于相对极差的不确定脑网络特征提取与分类
文献摘要：
近年来,脑网络被广泛应用在脑部疾病的诊断和分类中.考虑到大脑的不确定性特征,先前的研究将不确定图应用在脑网络建模中.在不确定脑网络研究中,传统的特征提取方法多采用均值、方差、极差等进行子图特征提取,但是它们存在泛化性能差以及子图间差异无法直接衡量的问题,进而影响分类准确率.因此,相对极差被提出作为新的特征提取方法.这一方法的优点在于既考虑到子图模式间的最大差异,又考虑到子图模式间的组间差异,可以有效避免传统方法的弊端.结果表明,相对极差与其他特征提取方法相比,其分类性能显著高于传统方法.同时,在不同的特征选择方法下相对极差表现出较好的分类性能,具有很强的泛化性.该研究为不确定脑网络特征提取方法提供了重要的参考意义.
文献关键词：
不确定脑网络;频繁子图;特征选择;机器学习;分类
中图分类号：
作者姓名：
孙超;闻敏;李鹏祖;李瑶;Ibegbu Nnamdi JULIAN;郭浩
作者机构：
太原理工大学 信息与计算机学院,太原 030024
文献出处：
引用格式：
[1]孙超;闻敏;李鹏祖;李瑶;Ibegbu Nnamdi JULIAN;郭浩-.基于相对极差的不确定脑网络特征提取与分类)[J].计算机工程与应用,2022(14):126-133
A类：
不确定脑网络,不确定图,频繁子图
B类：
对极,极差,网络特征,脑部疾病,不确定性特征,先前,网络建模,泛化性能,分类准确率,分类性能,特征选择,选择方法
AB值：
0.172528
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
