为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类...为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。展开更多
目的提出一种综合利用肽段信息的蛋白质定量方法WeQuant(weighted peptide-based protein quantification),以提高蛋白质定量的通量与准确度,特别是低丰度蛋白质。方法基于肽段和蛋白质的关系,按照肽段的丰度与来源对所有肽段进行加权,...目的提出一种综合利用肽段信息的蛋白质定量方法WeQuant(weighted peptide-based protein quantification),以提高蛋白质定量的通量与准确度,特别是低丰度蛋白质。方法基于肽段和蛋白质的关系,按照肽段的丰度与来源对所有肽段进行加权,并利用肽段和蛋白质的等量关系建立加权非负最小二乘模型,从而得到蛋白质的相对丰度。结果与传统蛋白质定量方法相比,WeQuant在实验数据集上显著增加了有效定量的蛋白质数量,并在不同丰度范围均达到了更高的定量准确度。此外,WeQuant能够有效定量未被其他方法报告的低丰度蛋白质。结论本文提出的基于加权非负最小二乘的模型能够克服对高丰度肽段和唯一肽段的依赖,实现对不同丰度范围的蛋白质进行准确定量。展开更多
文摘为了提高高光谱遥感影像的分类精度,提出了一种基于稀疏非负最小二乘编码的高光谱数据分类方法。采用非负最小二乘方法,将待测样本表示为训练样本的线性组合,并将得到的系数作为待测样本的特征向量,通过最小误差方法对待测样本进行分类。提出的方法在AVIRIS Indian Pines和萨利纳斯山谷高光谱遥感数据集上进行分类实验,并和主成分分析(PCA)、支持向量机(SVM)和基于稀疏表示分类器(SRC)方法进行比较,在2个数据集上本文方法的总体识别精度分别达到85.31%和99.56%,Kappa系数分别为0.816 3和0.986 7。实验结果表明本文方法的总体识别精度和Kappa系数都优于另外3种方法,是一种较好的高光谱遥感数据分类方法。
文摘目的提出一种综合利用肽段信息的蛋白质定量方法WeQuant(weighted peptide-based protein quantification),以提高蛋白质定量的通量与准确度,特别是低丰度蛋白质。方法基于肽段和蛋白质的关系,按照肽段的丰度与来源对所有肽段进行加权,并利用肽段和蛋白质的等量关系建立加权非负最小二乘模型,从而得到蛋白质的相对丰度。结果与传统蛋白质定量方法相比,WeQuant在实验数据集上显著增加了有效定量的蛋白质数量,并在不同丰度范围均达到了更高的定量准确度。此外,WeQuant能够有效定量未被其他方法报告的低丰度蛋白质。结论本文提出的基于加权非负最小二乘的模型能够克服对高丰度肽段和唯一肽段的依赖,实现对不同丰度范围的蛋白质进行准确定量。
