排序方式： 共有2条查询结果，搜索用时 15 毫秒
1
1.
针对标签SNP选择过程中存在时间复杂度高、重构准确度低以及缺乏生物含义等不足,本文提出了一种基于多位点连锁不平衡的标签SNP选择方法,该方法首先利用最小等位基因频率等指标对数据集进行预处理,排除噪声位点等,然后根据标签SNP选择过程的特点设计并改进了蚁群算法,以获取候选标签子集,最后,为了进一步提高重构准确度,本文以重构准确度为目标,利用支持向量机作为学习模型,采用后向淘汰策略对候选标签子集进行精选。实验结果表明,先过滤再精选的策略,不仅降低了时间复杂度,而且在样本重构准确度也有一定程度优势。 相似文献
2.
有效的挖掘频繁项集是挖掘最大频繁项集的关键步骤.为了克服Apriori算法在挖掘最大频繁项集上的不足,以及FP-Tree存储结构算法多次遍历的缺点,本文引进了新的矩阵技术,减少了FP-Tree遍历次数来挖掘频繁项集,提高了挖掘频繁项集和最大频繁项集效率.并以此提出基于FP-Tree的改进算法FPgrowth＊和FPmax＊.最后实验结果说明,矩阵技术的引进有效的提高了频繁项集和最大频繁项集挖掘效率. 相似文献
1