本文通过回顾 28 篇最新的同行评审相关文章和 26 种自然启发式算法的应用,对其进行归类以帮助读者了解这些算法的可靠性和探索阶段,并讨论了这些算法在生物医学信号处理和生物医学图像处理中的应用。
Oct, 2023
研究发现,在自然界的生物结构和功能中寻找灵感,运用进化算法等自然启发算法最终可以提高数据科学和数据分析的表现,其中特别关注了四种算法的优化应用 —— 特征选择、超参数调整、知识发现和聚类优化。
Feb, 2022
本文提出了一种利用自编码器和可解释的基于人工智能的评分来进行特征选择的算法,可用于诊断、预后和精准医疗。该算法在慢性淋巴细胞白血病数据集上应用,能够确定一组有意义的基因,供进一步医学研究参考。
Mar, 2023
本研究提出了一种新的方法,使用基因表达数据进行癌症分类问题的解决,首先运用信噪比算法筛选出非冗余基因的子集,然后运用多目标粒子群算法进行特征选择,并采用自适应 K 最近邻算法进行癌症分类,从而提高了癌症分类的准确性。
May, 2022
预测学生表现是为处于风险学生提供有效的预防措施至关重要。本文通过分析 12 种自然启发算法在预测学生表现上的相对性能,研究了应用于包含基于实例的点击流数据、课内单课程表现以及同时学习多个课程的 3 个数据集。发现在所有数据集中,利用基于自然启发算法的特征选择和传统机器学习算法进行集成,能够提高预测准确性的同时将特征集大小减少了 2/3。
Aug, 2023
本文提出了一种基于特征选择算法的网络入侵检测系统,该算法采用鲸鱼优化算法和遗传算法来挑选入侵节点特征,并结合 KNN 分类算法进行检测,实验结果表明该方法在准确性方面具有优越性。
Jan, 2022
准确筛选肿瘤类型对于有效的癌症检测和精确的治疗选择至关重要。本研究提出了一种名为进化优化的多样化集成学习(EODE)的框架,用于改进基因表达数据的癌症分类的集成学习。实验证明,EODE 相对于单独和传统聚合模型,在 35 个基因表达基准数据集上获得了显著提高的筛选准确性。此研究为使用基因表达生物标志物进行强大而广义的集成学习提供了有效的框架。
Apr, 2024
应用竞争性带突变主体的自然启发元启发式算法(CSO-MA),在统计科学的各种优化问题中展示其灵活性和相对于竞争对手的出色表现。
基于深度学习的生存预测模型中的两种基因选择策略,一种利用稀疏性诱导方法,另一种利用重要性基因选择来识别相关基因,通过广泛的实验验证表明,该策略不仅可以识别具有高预测能力的基因特征用于生存结局,还可以简化低成本基因组筛查过程,为个体化医学和靶向癌症治疗的推进提供了一个可伸缩且有效的工具。
Mar, 2024
通过采用机器学习技术自动预测病人情况,提高医疗实践的重要性。特征选择是一种用于修改数据、降低数据集维度、增强分类结果的工具。在相应数据集中,Tournament Logarithmic Snake Optimizer 在实验中达到了最佳准确度和最好的特征降维。
Feb, 2024