质心法:受类别驱动的RNA二级结构预测方法

RNA二级结构预测问题是计算分子生物学中的一个重要问题.目前的RNA二级结构预测模型和算法都是把待测结构RNA的一级序列作为输入,仅根据输入的序列预测其二级结构.这样做丢失了待测RNA的类别信息,进而无法利用同类别RNA二级结构的保守性.在实际的生物学研究中,对于关心二级结构的RNA,其类别往往是已知的.本文提出一种新的RNA二级结构预测思路:结合类别信息、根据已知的近似形状细化RNA的二级结构.这种方法尤其适用于长度较短、保守性好的非编码RNA.该方法的一个关键问题是如何将一个序列按照近似的形状进行折叠.为此本文首次提出了茎区的"质心"和"质心距"的概念,并且给出了一个结合了Hopfield网络和类别信息的RNA二级结构预测算法.实验表明本文提出的方法在所测试ncRNA分子上效果好于目前的方法.     

一个预测RNA二级结构的回溯算法

本文讨论了一个预测RNA二级结构的回溯算法。该算法根据极大基配对的原则按字典顺序产生所有可能的二级结构。它的时间复杂性是O(n~2),空间复杂性是O(n)。     

基于茎区的神经网络方法预测RNA二级结构

RNA二级结构预测是生物信息学的一个重要研究内容.作为预测方法之一的神经网络已被广泛应用于蛋白质结构预测,但在RNA二级结构的应用甚少.本文改进传统预测RNA二级结构的Hopfield神经网络.算法以茎作为网络神经元,通过与相似结构茎区的比对,初始化神经元,并据此修改网络的激励系数.实验把改进后算法与改进前2种算法、M...     

RNA二级结构预测的计算语言学方法

RNA是一类重要的生物大分子,计算语言学方法把RNA序列看成是具有一定语法规则的语句,通过这些语法规划来分析RNA序列中存在的碱基配对关系,也就是它的语义,从而得到该序列的二级结构,本文阐述了该类方法预测RNA二级结构的原理及实现。     

基于进化神经网络的RNA二级结构预测方法

本文提出了一种基于进化神经网络预测RNA二级结构的方法.该方法利用进化算法优化了神经网络结构和权值,改善了传统BP人工神经网络容易陷入局部最优等缺陷.实验结果表明该算法能够获得一个最优结构和权值的神经网络,利用该网络去预测不带伪结的RNA二级结构能获得理想的效果,敏感性和相关系数都有所提升,证明了该改进算法的可行性.     

RNA二级结构点括号图与CT文件表示法的相互转换算法研究

由于RNA二级结构表示方法对其功能和相似性的研究具有关键性作用,通过对现有RNA二级结构的各种表示方法进行讨论,重点介绍了点括号图表示法和二级结构平面图文本（CT文件）表示法,给出二者之间的相互转换算法,并通过实例验证了该转换算法准确、有效,可为研究RNA二级结构的相似性提供有效的数据支持.     

基于集成学习的神经网络对小RNA的预测

通过计算智能的方法,即粒子群算法优化的前向人工神经网络和集成神经网络来预测小RNA。从小RNA前体序列中提取36维特征用于训练神经网络模型,利用训练好的模型分别对阳性和阴性小RNA数据集进行测试,预测平均精度达到90%以上,并且通过集成神经网络的方法取得了更高的精度。实验结果表明,利用集成神经网络建模进行小RNA的预测是一条行之有效的途径。     

基于多模集成神经网络的蛋白质二级结构预测

为提高蛋白质二级结构预测的精度,提出了一个由5个子网络集成的多模神经网络模型,预测结果由5个子网络综合得到。对于每个子网络采用神经网络分级思想分为二级网络,一级网络采用含进化信息的profile编码蛋白质序列作为输入,二级结构作为输出。二级网络编码一级网络输出结果作为输入,并将蛋白质序列用改进正交编码方式作为另一输入来提高二级网络的预测精度,输出仍为二级结构。采用子网络差异方式进行单独训练,结果表明该方法最终的预测精度达到71.3%,较大提高了蛋白质二级结构的预测精度。     

RNA二级结构自动绘图系统的构建

给出了带假结的RNA二级结构自动绘画系统以及自由能的处理．用软件实现此方法可以把以碱基匹配表示的RNA分子二级结构自动转化为图形表示．     

计算最大堆迭的RNA二级结构预测算法

RNA二级结构预测用于蛋白质功能分析，在生物信息学研究中具有重要意义．提出了一个时间复杂度为O（n^2）的基于Greedy算法思想的算法．基于“堆迭结构相对稳定”的RNA分子结构特征，算法思想为计算具有最多堆迭的RNA二级结构．用VC＋＋编程实现了该算法，采用PseudoBase的RNA分子片段进行了计算实验，结果表明该算法具有良好的准确度．该算法可预测RNA分子的嵌套二级结构和伪结点一级结构．     

数据挖掘在安钢电极预测建模中的应用

从安钢电极控制的实际应用出发,应用数据挖掘技术建立了电极预测模型并应用于电极控制系统的参数整定.首先介绍了建立电极预测模型的数据挖掘过程;然后在数据挖掘算法中提出了一种新的变结构遗传Elman网络方法,该算法用改进的混合遗传算法对网络结构和权值及自反馈增益同步动态寻优.将基于BP算法的Elman网络和本文提出的变结构遗传Elman网络都应用于安钢交流电弧炉的电极预测模型中进行比较.通过基于安钢现场数据的计算机仿真实验表明:采用变结构遗传Elman网络的数据挖掘算法比BP算法具有更好的动态性能、更快的逼近速度和更高的精度.在此基础上,把建立的模型应用于安钢电极控制系统的参数整定,取得了良好的控制效果.     

人工神经网络水质预测模型研究

水质预测物理模型在水环境保护中起着十分重要的作用,然而由于模型的参数识别问题,使其应用受到很大局限.对人工神经网络(A rtific ia l N eura l N etw ork,简称ANN)水质预测建模作了初步研究.用试错法,以训练时间和测试误差两项指标为依据,对比分析三层、四层网络结构,认为ANN模型适应于水质预测建模,并提出了适合的模型结构、学习速率、传递函数.     

一种基于模糊神经网络的ncRNA基因预测方法

提出了一种基于模糊神经网络的ncRNA基因预测方法.该方法由预处理、具有结构学习的模糊神经网络预测器、后处理3个部分组成.预处理模块将比对后的输入序列进行滑动窗处理,并顺序提取有效的特征信息.模糊神经网络预测器采用了基于Takagi-Sugeno模型的5层模糊神经网络结构,通过输入层、模糊化层、点火强度层、归一化点火强度层、输出层的计算,得到预测结果;并进一步给出了一种模糊神经网络的结构学习算法,可有效地降低参数空间的维度,提高计算效率,并避免过学习情况的产生.后处理过程可对有交叠的预测结果进行拼接.实验结果表明,较之其他预测工具,本方法的ncRNA基因预测精度有所提高.     

基于BP人工神经网络的大气颗粒物PM10质量浓度预测

根据2008年长沙市火车站监测点全年大气PM10及气象参数的小时平均数据,建立BP人工神经网络预测模型,预测PM10小时平均浓度。为证明人工神经网络模型用于预测PM10质量浓度的准确性,研究中考虑2种预测模型:多元线性回归模型与人工神经网络模型。研究结果表明:与传统的多元线性回归模型相比,人工神经网络模型能够捕捉污染物浓度与气象因素间的非线性影响规律,能更好地预测PM10质量浓度,拟合优度R2有较大提高;所选取气象参数及污染源强变量能较准确地描述大气PM10质量浓度的实时变化,用于PM10质量浓度的预测准确度较高,整体R2可达0.62;人工神经网络预测模型不仅适用于一般污染浓度情况,对于高污染时期PM10质量浓度的预测也较为准确。     

基于递归神经网络模型的传感器非线性动态补偿

讨论了递归神经网络模型在传感器非线性动态补偿中的应用，给出了递归神经网络模型的结构及相应的训练算法．递归神经网络模型本身具有动态映射能力，其结构仅与输入层和中间层的节点数有关，且不需要知道被补偿传感器的结构特性(如输出、输入的最大延迟)等先验知识，简化了动态补偿器的结构设计．采用递推预报误差算法训练神经网络，具有收敛速度快、收敛精度高的特点．实验结果表明，经过补偿后的传感器具有期望的输入输出特性，应用递归神经网络对传感器进行非线性动态补偿是一种行之有效的方法．     

基于灰色神经网络的机床热误差建模

结合灰色模型和神经网络对数据处理的优点,提出了并联和嵌入型2种结构的灰色神经网络机床热误差预测模型。前者是在灰色模型和神经网络分别对机床热误差进行预测的基础上,采用线性组合方式,按照目标预测精度调整模型的加权系数,从而得到最终组合预测结果;后者是在神经网络输入层前增加灰化层,在输出层后增加白化层,通过对神经网络拓扑结构的改进,达到弱化原始数据随机性、提高预测模型鲁棒性和容错能力的目标。通过与传统灰色模型和神经网络进行试验结果对比表明：上述2种结构的灰色神经网络模型均提高了预测精度,且具有对原始数据要求低、计算简便、鲁棒性强等优点,可用于复杂实际加工场合中的数控机床热误差实时补偿。     

基于无迹卡尔曼滤波神经网络的光伏发电预测

针对光伏发电系统在不同天气状况下发电功率预测精度不高的问题,在分析传统方法的基础上,提出一种无迹卡尔曼滤波神经网络光伏发电预测方法。该方法利用无迹卡尔曼滤波实时更新神经网络模型的权重,以直流电压和电流作为系统的输入,以有功功率和无功功率作为系统的输出,分别建立两个独立的双输入单输出功率预测模型。实验结果表明:所提出的方法对有功功率和无功功率的预测精度分别为97.3%和94.2%,并且对天气具有良好的鲁棒性。     

基于BP神经网络的交流输电线路可听噪声预测模型

可听噪声属于输电线路电磁环境的影响因子之一,其常规预测模型均存在使用条件受约束或预测误差偏大的问题.根据间接预测法的思想,以可听噪声通用表达式中的4个因素为输入变量,可听噪声值为输出变量,建立了三层结构的BP神经网络交流输电线路可听噪声预测模型.以国外多条输电线路可听噪声数据为样本,通过BP神经网络对样本进行训练,运用得到的模型对预测集线路的可听噪声值进行了预测.结果表明,与常规GE公式相比,采用BP神经网络预测模型的预测平均绝对误差要小1.641 4 d B(A).     

基于改进果蝇的混合小波神经网络交通流预测

为了提高交通流预测精度,提出了一种基于果蝇算法的混合小波神经网络模型.首先,选择果蝇优化算法对小波神经网络的初始参数进行调节,解决了小波神经网络预测对初始参数敏感的问题.其次,将迭代次数和当前解的情况作为搜索半径和种群规模的动态调整因子,对果蝇算法进行了改进,提高了果蝇算法的全局寻优能力和局部收敛速度.最后,鉴于小波神经网络预测误差存在一定的规律性,使用误差补偿法将调参后的小波神经网络与其他模型进行组合,进行二次误差提取.实验证明,所有混合模型均提高了交通流预测的准确度,其中,与随机森林模型的结合预测精度最高.