作者：黄紫成; 林增坦微阵列pca核pca支持向量机
摘要：微阵列是近年来发展的生物技术,其产生数据典型特征是维数高而样本少,且数据常常存在缺少或噪声问题。在分析数据时,采用计算t值预处理方法解决此问题,同时针对数据高维的特点,采用PCA与核PCA对数据进行特征处理,然后应用支持向量机(SVM)进行训练,计算分类识别率。实验结果表明,经过降维处理之后能得到更高的分类识别率,提高了微阵列数据分析的准确性。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
《长春师范大学学报》（CN：22-1409/G4）是一本有较高学术价值的大型教育类刊物，自创刊以来，选题新奇而不失报道广度，服务大众而不失理论高度，颇受业界和广大读者的关注和好评。 《长春师范大学学报》主要刊登数学、物理学、化学、计算机科学、生命科学、地理科学、环境科学、体育科学、图书馆学、教育教学等学科领域学术论文和研究成果，并优先刊登国家重大或重点基础和应用科技基金项目的研究论文。
省级期刊
人气 238529 评论 36
人气 154222 评论 33
人气 151900 评论 53
人气 123132 评论 54
