RNA二级结构预测的自适应鱼群算法模型

基于人工鱼群算法的基本理论,提出了预测RNA二级结构预测的自适应人工鱼群算法模型.该模型对人工鱼群算法在处理组合优化问题时存在的缺陷进行了相应改进,在算法中加入的自适应思想既保证了算法的快速收敛,同时又有效地避免了盲目搜索.仿真实验中将本模型与基于粒子群算法的模型以及基于遗传模拟退火算法的模型进行了比较研究,结果表明,使用自适应鱼群算法进行RNA序列的二级结构预测能获得较理想的预测效果.较之另两种方法,鱼群算法能有效减少计算量、节省计算时间,特别当待测序列长度大于500时,鱼群算法在收敛速度上有着明显优势.     

基于结构平衡理论与地位理论的符号预测算法

针对符号预测算法在预测准确率和算法复杂度方面难以均衡的问题,有效地融合社会学发展规律与网络局部特征,提出一种基于结构平衡理论与地位理论计算节点相似度的符号预测算法。为更好的结合上述两种理论对两节点相似度得分的贡献,引用调节因子,将基于两种理论的相似度得分按照调节因子的权重求和,相似度的得分的正负即为边符号预测的结果。最后将算法在多个不同数据集进行实验,与经典的CN算法和PSNBS算法在预测准确率与算法复杂度两个方面进行对比分析。结果显示该算法在预测准确率方面与经典算法非常接近,但在时间复杂度方面本文比经典算法低一个数量级,明显优于经典算法。     

基于PSO的不确定时间序列模体发现算法

针对不确定时间序列(uncertain time series, UTS)的模体发现(motif discovery,MD)问题,提出了基于粒子群(particle swarm optimization, PSO)的UTS MD算法。该算法根据UTS的特点,设计了基于PSO的UTS MD的研究框架,并通过对时间序列片段的起始时刻和持续时间进行编码和修正,实现了在该框架下对UTS的MD。在实验中,针对所提出的算法,验证了其可行性,比较了其与MK、MOEN算法在运行时间、占用内存和收敛性方面的性能,并分析了其MD准确率,结果表明所提方法占用较少内存与运行时间,可以发现不同长度的模体,且具有收敛性和较高的准确率。     

基于多重分形谱的神经网络建模及股价指数预测

基于多重分形理论,对上证指数进行实证研究,确认了多重分形谱参数与股价指数及股指收益率之间的统计关系,以此确定神经网络的输入、输出变量来构建以多重分形理论为依据的神经网络模型,并将其应用于股价指数的预测中.结果表明,该神经网络模型能够取得比较好的预测效果,预测的平均准确率达98.9%,而且该模型能够较好地模拟股市的短期走势,对防范和控制风险具有现实意义.     

基于集成智能方法的电力短期负荷预测

将自组织(SOM)和反向传播(BP)两种神经网络结合起来, 并使用模糊理论, 建立了一种基于集成智能方法的日负荷预测智能模型, 该模型首先利用SOM网络的竞争学习能力将历史数据分成若干类别从而找出与预测日同类型的预测类别. 然后, 把温度、日类型等不确定性扰动因素分离出去, 利用BP算法的非线性函数逼近功能, 完成电力负荷的基本分量部分的预测工作. 在处理温度、天气情况、日类型等不确定因素对负荷的影响时, 采用模糊逻辑理论对负荷基本分量进行修正. 提出了一种基于进化树的自组织神经网络算法(SOETA), 该算法是一种无监督基于二叉树的自组织特征映射网络模型, 采用进化思想进行无监督学习, 具有灵活的拓扑结构和精确的模式识别. 本文以2007年厦门市的电力负荷数据为例, 试验结果表明, SOETA+BP+模糊理论的预测精度最优, 有效提高了电力短期负荷预测精度.     

基于知识元的应急案例检索方法

应急案例蕴含大量有价值的应急管理知识,针对应急案例特点,基于共性知识元模型,对应急案例内容和结构进行了重新组织和表示,在此基础上结合情景及突发事件演化的相关理论,对应急案例检索方法进行了研究,通过多层案例检索算法,提高应急案例检索准确率。     

基于MPC方法的供热系统一次侧流量实时预测

基于模型预测控制方法,使用离散的受控自回归模型建立二级网动态热传输滞后模型与热力站模型,结合机器学习算法中的多项式拟合方法对二级网模型和热力站模型中的参数进行辨识校准,并基于模型结果对未来工况条件下的热力站一次侧流量进行预测,为供热系统质量调节提供依据。使用实测数据对模型进行了验证,实际偏差在5%以下,为供热系统流量调节的工程实践提供了良好的指导。     

基于团渗透和距离限制的蛋白质复合物识别算法

算法CPM (clique percolation method)作为一种有效的识别复杂网络中交叠模块结构的算法在社会网络和生物网络中得到了广泛应用. 但, CPM算法应用于蛋白质相互作用网络时蛋白质复合物识别准确率不高, 且不利于识别规模适中的蛋白质复合物. 为克服CPM算法的不足, 本文通过引入距离限制约束识别的蛋白质复合物的规模, 进而提出了一种基于团 渗透和距离限制的蛋白质复合物识别算法CPM-DR. 基于酵母蛋白质相互作用网络平台的实验结果表明, 算法CPM-DR比CPM能够更准确、更有效、更全面的识别出具有特定生物意义的蛋白质复合物.     

粗糙集代数关系的图结构分析

粗糙图理论是知识发现、知识挖掘的新的理论工具.结合粗糙图理论,构造了基于代数算子的粗糙图结构,将分析多个粗糙集之间的代数关系映射为相应粗糙图的结构分析.结合粗糙图理论中的类最短路算法,以情感计算中挖掘性格规律为例说明了该方法的应用过程.粗糙集代数关系的图结构分析是粗糙集理论中又一研究方向.     

一种改进的贝叶斯网络结构学习算法

贝叶斯网络的结构学习是数据挖掘与知识发现领域的主要研究技术之一,能从大量数据中寻找隐含的概率依赖关系和知识表达模型,对复杂决策任务的建模与求解提供支持,具有重要的研究意义.文章通过分析结构学习方法(1(2和MCMC算法)的基本思想,将两种算法的优点和模型平均的思路结合起来,提出-种改进的贝叶斯网络结构学习算法.仿真实验证明该算法解决了K2和MCMC算法的缺陷,可以在无先验知识的情况下以较快的收敛速度获得较正确、稳定的模型结构.     

基于RF-GA-BP神经网络的N-乙酰氨基葡萄糖含量预测

为解决微生物发酵法制取氨基葡萄糖(Glucosamine,GlcN)过程中N-乙酰氨基葡萄糖(N-acetylglucosamine,GlcNAc)含量难以在线测量的问题。提出一种由随机森林算法、遗传算法及神经网络算法相结合的改进预测算法。利用随机森林算法中平均不纯度下降的特点,对输入特征进行关联性分析,并通过遗传算法对神经网络初始权值、阈值进行优化。以某氨糖生产企业发酵过程中的数据为基础,建立基于RF-GA-BP算法的预测模型。结果表明：该模型对发酵生产过程中N-乙酰氨基葡萄糖含量具有良好的预测能力,所提出的模型兼顾了高精度与快收敛的需求,测试样本预测平均误差低于7%,优于GA-BP模型与传统BP模型。     

多变量混沌时间序列Volterra自适应实时预测

针对多变量混沌时间序列,给出一种Volterra滤波器实现结构.该滤波器利用基于奇异值分解的最小二乘法确定初始核,通过归一化最小均方差(normalized least mean square,NLMS)算法实时确定滤波系数,并用这种多变量Volterra结构对Lorenz时间序列进行仿真.计算结果表明,在无噪声情况下,该方法的实时一步预测精度比目前单变量混沌时间序列Volterra自适应预测方法的一步预测精度提高了102倍,表明这种实现结构易实现且收敛性能更好;在有噪声的情况下,该方法的实时多步预测性能优于局部多项式预测法的多步预测性能,且抗噪性更强.     

基于遗传算法的BP神经网络时间序列预测模型

神经网络能以任意精度逼近非线性函数 ,以神经网络为基础的时间序列预测模型能很好地反映非线性系统发展的趋势 ,但神经网络训练速度慢、易陷入局部极值。针对这种情况 ,用具有良好的全局搜索能力的遗传算法来改进神经网络时间序列预测模型 ,提出了一种将遗传算法和BP算法相结合的学习算法来训练BP神经网络 ,并将该神经网络时间序列预测模型应用于某时间序列的预测。     

基于粒子滤波优化的滚动式时间序列多步预测

针对复杂的应用环境下,时间序列建模不易准确,多步预测精度不高的问题,提出基于粒子滤波（particle filter, PF）优化的滚动式时间序列（roll time series, RTS）多步预测算法(PF_RTS)。采用Box-Jenkins方法对时间序列滚动自适应建模,所建模型作为粒子的状态转移方程,利用粒子滤波算法实时动态修正预测数据,逼近状态的最优估计。本文算法具有自学习能力,适合实时应用。仿真结果表明,本文算法需要的先验知识少,提高了预测的精度。     

基于佳点萤火虫算法与BP神经网络并行集成学习的旱情预测模型

针对传统BP神经网络在旱情预测的实际应用中随机初始权值和阈值导致网络学习速度慢、易陷入局部解以及计算精度低等缺陷,提出一种基于数论佳点集萤火虫(good point set glowworm swarm optimization,GPSGSO)算法与BP神经网络(back propagation neural network,BPNN)并行集成学习算法(GPSGSO-BPNN)的旱情预测模型.首先,借鉴数论中佳点集理论构造初始均匀分布的萤火虫种群,并引入惯性权重函数动态修正移动步长,生成基于数论佳点集理论萤火虫算法,并从理论上分析算法的有效性;其次,将GPSGSO算法与BPNN相结合构建并行集成学习算法,实现两种算法的并行交互集成.最后,将并行集成学习算法应用于农业干旱灾害预测中,构建基于GPSGSO-BPNN并行集成学习算法的旱情预测模型.通过8个Benchmark函数验证了GPSGSO算法在收敛速度、计算精度及稳定性等方面的有效性.同时,以皖北农业干旱气象数据作为仿真数据,实验结果表明GPSGSO-BPNN算法在计算速度、精度及稳定性方面较传统BPNN、GSO-BPNN及GA-BPNN等算法有较明显的优势,提高了旱情等级预测的准确性.     

萤火虫群算法优化高斯过程的网络安全态势预测

针对共轭梯度法获取高斯过程超参数存在迭代次数难以确定及预测不精准等问题,提出一种萤火虫群算法优化高斯过程的预测方法,并将其应用于网络安全态势预测研究。采用萤火虫群优化算法对高斯过程超参数进行智能寻优,建立基于高斯过程回归的网络安全态势预测模型。实验结果表明新方法的平均相对预测误差较共轭梯度法、粒子群优化算法和人工蜂群优化算法分别降低了近29.46%、10.37%和4.22%,且新方法收敛较快。另外,分析对比了3种单一类型和2种复合类型的协方差函数对高斯过程预测的影响,实验结果表明采用神经网络与有理二次的复合协方差函数(neural network and rational quadratic composite covariance function, NN-RQ)的平均相对预测误差较其他4类协方差函数降低了1.65%~7.51%。     

基于XGBoost预测及弹性网误差补偿的室内定位算法

为解决室内定位系统中因环境动态变化而导致定位精度下降的问题,提出一种基于XG-Boost并融合弹性网的误差补偿算法.采用XGBoost定位模型对目标位置进行初步预测,当室内环境改变后,再采用弹性网算法构建误差补偿模型,修正XGBoost定位模型的定位误差,并与基于K近邻、支持向量机、随机森林、梯度提升决策树等定位算法做...     

基于支持向量机方法的轨道交通乘客旅行时间短时预测方法研究

目前,北京市已建成总长456km的轨道交通网络,41个换乘枢纽,已基本形成网络化运营,轨道交通在北京公共交通系统乃至城市交通系统中发挥越来越大的骨干作用. 同时,由于北京城市空间调整,城市交通出行活动中心有随城区扩展外移之势,轨道交通出行旅行时间越来越受到关注. 因此,本文研究基于历史数据的轨道交通乘客旅行时间预测方法,引入支持向量机回归模型,并针对预测算法中模型参数的选择问题,提出基于遗传算法的预测模型参数寻优算法,用以提高预测精度. 最后选取实际轨道交通运营线路的动态信息进行计算,预测结果误差小于10%,获得了较高的精度. 生成的旅行时间预测信息,通过乘客信息系统的发布,能够有效减少旅客换乘走行与等待时间,均衡网络客流分布,提高轨道交通网络运营效率.     

基于C4.5决策树方法的到港航班延误预测问题研究

航班延误一直是机场运营管理的一大难题,建立有效的模型实现较准确的延误预测来协助机场方面采取应对措施,于机场于社会都有重要意义. 本研究提出一个面向机场的到港航班延误预测问题,对比现有的贝叶斯网络及朴素贝叶斯方法,结合航班数据的特点构建了基于C4.5决策树的航班延误预测模型. 针对国内某大型机场的真实数据集,本研究 设计了大量实验,实验结果表明所提模型正确率接近80%,较两种贝叶斯方法有进一步提升. 此外研究还设计实验分析了影响模型效果的因素.     

基于NCAGA-投影寻踪混合优化城市客运量预测

为了提高参数投影寻踪回归(parameter projection pursuit regression,PPPR)模型对城市客运量的预测精度, 基于cat映射、高斯分布和精英局部搜索对加速遗传算法进行改进. 提出了新的混沌加速遗传算法(new chaosaccelerating genetic algorithm, NCAGA),用于对PPPR模型的最佳投影方向α的优选.建立了在外层优化岭函数个数M的同时,内层利用NCAGA优化最佳投影方向a的NCAGA-PPPR混合优化城市客运量预测模型,结合某市统 计资料进行了仿真预测.结果表明该方法的预测精度优于BP神经网络模型、传统PPR模型和基于加速遗传优选的PPPR模型, 平均绝对相对误差小于3.1%,提高了城市客运量的预测精度,可有效应用于城市客运量的预测.