[发明专利]一种基于svm算法的干细胞活性检测系统

摘要

本发明提出一种基于svm算法的干细胞活性检测系统，该系统包括有子集生成单元、子集评价单元、停止条件单元、结果验证单元，支持向量机己广泛应用于机器学习各领域，它不仅可以解决分类、模式识别相关问题，还能有效地处理回归、拟合、密度估计等问题。与其他现有的许多机器学习算法相比，SVM不仅具有坚实的理论基础，其研究与应用也更加广泛，SVM是在统计学习理论基础上发展起来的小样本学习算法，以结构风险最小化为目标提高其泛化能力，它在有限样本信息下就可获得问题的最优解。

主权项

一种基于svm算法的干细胞活性检测系统，其特征在于，该系统包括有子集生成单元、子集评价单元、停止条件单元、结果验证单元；子集生成单元实质上是一个搜索的过程，从搜索点出发，在一定的范围内适当地添加或者移除不同特征以产生新的子集，提供给评价函数，不同的搜索方法意味着不一样的搜索效率和不一样的选择结果；子集评价单元根据特定的评估准则来判断每个子集的优良程度，不同的评价标准可能导致不一样的最优子集，在特征选择过程中，每进行一次新的子集评价，都要将新的评价值和之前的最优评价值进行比较，再选出当前评价值最优的子集；停止条件单元是指特征选择算法满足一定条件下停止搜索，否则子集搜索过程一直持续，常用的停止准则有三种：a)达到了用户事先设定的最大迭代次数或指定特征数；b)特征子集数目的增加或减少都不能获得更好的评价指标；c)已经找到当前评价函数或用户需求的最优子集；结果验证单元是验证所选特征子集的有效性，最直接的验证方法就是分别对原始数据集和经过特征选择后得到的数据集进行训练、预测，然后比较前后两种训练模型的复杂度和预测精度。