基于黎曼流形的蛋白质三维结构数据相似性比较

以NMR技术为代表的海量蛋白质空间结构数据为现代生命科学研究提供了前所未有的机遇,但后续的大数据分析却成为一大难题。充分利用已知的蛋白质三维结构信息来预测未知的蛋白质空间结构信息是研究蛋白质结构和功能关系一种重要手段。本文提出一种基于黎曼流形的蛋白质三维结构相似性比较新方法。该方法通过构建Cα坐标系和提取蛋白质结构具有旋转和平移不变性的几何特征量,将蛋白质的三维坐标序列转换为一维序列,采用黎曼距离作为三维结构相似度指标。本方法不需要对蛋白质结构做旋转和平移变换,避免了主流的RMSD方法中两蛋白质通过最小二乘拟合进行配准时产生的误差,并且完全不依赖于一级结构序列信息,对不具备序列相似性的蛋白质之间的相似性比较具有现实意义。本文分别针对不同相似度的蛋白质、Fischer提出的10个较难识别的蛋白质结构对、HOMSTRAD数据库中的700个数据这3组数据,对本文算法进行了验证。实验结果表明,与其他方法相比,本文方法的匹配精度均得到了较大提升。     

基于小波变换的信号特征与突变点检测算法研究

采用小波分解可以很好地研究信号的自相似性.小波变换能够分析信号奇异点的位置及奇异性强弱,即通过小波变换后的局部极大值在不同尺度上的衰减特性来衡量信号的奇异性.介绍了小波变换的基本概念,对信号特征和突变点检测算法进行研究,利用小波多分辨分析将突变信号进行多尺度分解,通过分解的信号确定突变点位置.通过Matlab实验,分析了信号奇异点定位和小波检测的结果,当小波变换尺度越精细时,检测突变点位置越精确,验证了小波变换是分析信号自相似性和突变点检测的有力工具.     

基于小波分解与自回归树的时间序列预测新方法

小波分解可以将非平稳时间序列分解成多层近似意义上的平稳时间序列,本文首先采用小波分解将非平稳时间序列分解,在分解后的各层时间序列上构造自回归树模型,采用贝叶斯方法学习决策树的结构与变量,并对分解后的时间序列进行预测,最后采用小波重构方法将分解后的各层时间序列重构,得到原始时间序列的预测值。以2007年海关统计的重点出口商品量的数据为例,对中国出口贸易的走势进行分析和预测。结果表明,本文的方法比传统时间序列预测方法精度高,可以很好地应用于非平稳时间序列的预测。     

基于小波变换与组合模型的网络流量预测算法

针对网络流量在以不同时间尺度分析时呈现不同特性给流量精确预测带来的困难,提出一种基于快速小波变换和季节差分自回归滑动平均组合模型的多分辨分析预测算法.采用小波方法对网络历史流量进行分解以分析不同时间尺度下的流量相关结构,根据不同时间尺度下的流量时间序列的周期性和自相似性,分别选择合适的模型建模用于预测.使用小波方法对各序列的预测值进行重构,得到原始流量的预测结果.仿真结果表明,所提预测方法比同类预测方法具有更高的精度.     

基于小波变换和离散余弦变换的数字水印方法

提出一种以灰度或彩色图像作为水印、基于小波变换的数字水印算法．该算法将宿主图像分解为小波系数，利用小波变换的自相似性构造QSWT选择并排序系数来嵌入水印，在嵌入水印之前对水印图像进行离散余弦变换(DCT)并做Z扫描，使水印信息也做一个大致的排序嵌入在宿主图像中来增强算法隐蔽性和鲁棒性．实验结果表明，本方法能有效地抵抗一些常见的水印攻击．     

基于Haar小波和极大似然估计的Hurst参数估计法

Hurst参数是表征网络业务自相似性的一个重要参数,在一定的观察时间内对突发业务的Hurst参数进行快速、准确的估计是高速宽带网络实施流量控制和缓冲资源分配的前提.本文提出一种基于Haar小波和极大似然估计的Hurst参数估计法.该方法首先使用Haar小波对DFBM序列的增量DFGN序列进行小波变换,然后再利用极大似然估计来估计Hurst系数.仿真生成的DFBM和真实自相似网络业务数据的计算结果均表明,该方法提高了Hurst参数估计的效率和准确性,比传统方法具有更好的性能.     

基于小波分析法的蛋白质结构研究

用小波的方法预测了一个已知结构蛋白质的二级结构，并把它同互连网蛋白质结构预测服务及其他结构预测软件得到的二级结构进行比较。结果表明：该方法可以较好地确定蛋白质的二级结构且不必进行同源蛋白质序列的联配。在预测未知结构的蛋白质序列方面，该方法与其他方法相比，预测结果并无显著差异，这说明小波分析法可以用于蛋白质结构研究，若与其他方法结合用于结构预测,将会起到更好的作用。     

基于组合模型的网络流量预测

为了更好地对网络流量进行分析和管理,提出一种基于小波变换、自回归滑动平均模型(ARMA)和极限学习机(ELM)的组合预测模型W-ARMA-ELM.原始数据通过小波分解产生近似序列和细节序列,通过对分解序列的自相关性和偏自相关分析,平稳序列使用ARMA预测,而非平稳序列使用ELM预测.使用兰州大学教育网、网通流量数据和英国学术主干网流量数据三组不同的网络流量数据来检验组合模型W-ARMAELM的预测性能.实验结果表明提出的组合方法要比单一的ARMA和ELM预测效果要好.同时指出使用自相关和偏自相关分析相结合的方法对分解后的子序列进行平稳性判定有助于选择合适的组合模型从而提高预测精度.     

一类数字图像篡改的被动认证

在没有被嵌入水印也没有辅助信息可利用的前提下，针对一类特殊的图像篡改——复制遮盖篡改即遮盖的内容复制自同一幅图像中，提出一种基于小波分解的自相关检测方法，将图像划分为相互重叠的小块，提取每一个小块的小波分解低频子带作为特征向量，采用Pearson相关系数进行块相似性匹配检测，实验结果表明该方法能够抵抗图像复制部位的无缝处理，对一般的高斯噪声、低通滤波、JPEG压缩等噪声攻击具有较好的鲁棒性。     

可变树长混合小波和子树自量化分形视频编码

对可变树长混合小波和子树自量化分形视频编码方案进行了探讨。通过金字塔小波分解,每一视频序列帧被分解为多频率子带,将它们按一定方式组织成小波子树结构来表示视频序列的运动特性。对这些小波子树进行运动检测,分成运动树和非运动树两类。非运动树的编码直接、简单;运动树则采用可变树长混合小波和子树自量化方法来进行编码。实验结果表明:在低比特率情况下,文中所述的方案在PSNR(峰值信噪比)和主观质量两方面均可获得较好的性能     

酵母蛋白质的序列相似性分析

介绍了蛋白质序列相似性分析的进展，并以对酵母蛋白质所做的工作为例，详细说明了蛋白质序列相似性分析的过程和有关算法，阐明了将蛋白质的结构分析和功能预测结合起来对序列相似性分析的意义，还针对蛋白质结构分析和功能预测的方法，提出了一些目前存在的问题，作为以后研究工作的出发点。     

基于小波包分析的网络流量组合预测模型

提出一个基于小波包分析的网络流量组合预测模型,将流量数据构成的原始序列进行小波包分解,并将分解得到的各近似部分和各细节部分分别单支重构成低频序列和高频序列.根据低频序列和高频序列的不同特性,分别采用自回归模型（AR）和线性最小均方误差估计（LMMSE）对未来网络流量进行预测,最后重新组合生成预测流量.通过对真实网络流量...     

小波及奇异值分解在混沌特征计算中的综合去噪研究

观测时间序列的非线性动力学混沌特征研究在电力、气象、地震、边坡等工程领域的应用日益广泛，但观测序列的噪声对研究结果具有重要的影响，人们通常采用傅立叶或者小波变换方法去噪。但对于混沌序列来说，这种去噪方法具有一定的局限性，会造成观测数据一定程度的破坏，对混沌分析结果会产生一定的影响。本文探讨运用小波变换结合奇异值分解（SVD）方法来解决观测时间序列在混沌特征分析时的去噪问题，该方法针对混沌分析过程中的源观测数据特点，首先用小波方法对一维观测序列去噪，并对去噪后的序列计算混沌特征分析中的重要参数一相空间重构参数m，τ，根据m，τ对源一维观测序列进行重构，得到重构的相空间矩阵A，然后对矩阵A采用SVD方法进行处理，通过这两种方法相结合的方式来达到更好的去噪目的。结果表明其去噪效果是明显的，数据经过小波变换和SVD联合处理后其观测序列的混沌特征更明显和易于提取，提高了观测时间序列混沌分析的可靠性。     

基于Cp-曲线的蛋白质序列相似性分析

蛋白质是生物体内行使重要功能的生物大分子.蛋白质的功能是由其空间结构决定的,而蛋白质的空间结构取决于其一级序列.因此,研究蛋白质的氨基酸序列就成为蛋白质结构预测的前提和基础,并已经成为生物学家关注的主要研究内容之一.主要介绍基于20种氨基酸的一种5-L模型,将蛋白质序列粗粒化为5-L序列,进而给出蛋白质序列的一种3-D图形表示,称之为Cp曲线.将Cp曲线转化为容易比较的序列不变量,并在此基础上对11个物种β-球蛋白质序列进行相似性分析.     

混沌和小波变换的图像加密压缩算法

研究了一种基于混沌和小波变换的图像加密压缩算法。首先,是将4幅涉密图像分别进行一级小波变换,再把4个变换后的低频分量组成一个二维系数矩阵,采用混沌序列对其进行置乱加密,然后将加密后的系数矩阵分解为4个相同尺寸的二维系数矩阵,最后进行小波逆变换得到1幅加密压缩后的图像。该算法把混沌和小波变换结合起来,实现了加密和压缩同时进行,实验仿真和分析表明,算法具有良好的加密和压缩性能。     

基于小波变换的多元时间序列相似性研究

多元时间序列由于多元性和变量间的相关性而趋于复杂.简单综述了时间序列研究方法,结合小波变换的降维和多尺度特性,以矩阵的Froenius加权平方范数为度量工具,提出了基于haar小波变换的多元时间序列间相似性匹配方法.实验数据表明,该方法能够有效的比较多元时间序列间的相似性程度.     

一种基于小波分析理论的灰色预测方法

提出一种基于小波分析理论的灰色预测方法．该方法通过小波分解将非平稳时间序列分解到多个尺度上以减少序列的随机性，然后建立灰色预测模型对分解后的时间序列分别进行预测，从而得到原始时间序列的预测值．并通过对上证指数的预测，结果表明该方法预测效果良好，优于一般灰色预测方法．     

基于非平稳序列的主机负载预测及合成技术

提出一种新的主机负载表征指标--并发连接数,分析基于并发连接数的主机负载的自相似性和非平稳性,构建基于小波和支持向量回归的负载预测及合成算法.将主机负载序列进行多层小波分解与单支重构,低频信号采用AR模型预测,最小尺度高频信号采用加权移动平均方法预测,其它分支采用支持向量回归(SVR)预测;各信号预测值基于SVR方法加以合成,获得最终预测值.实验结果表明,将小波与支持向量回归应用于Web服务器负载预测的效果明显好于传统方法.     

基于小波的图像插值方法

在分析传统的图像插值方法的基础上,结合小波分解的特性,提出了一种插值方法,即利用流形锥和最优恢复理论来进行小波细节的预测,然后根据小波变换多分辨率分析的特征和各分层子带之间的相似性来进行图像的重构。利用此方法得到的图像细节丰富,边缘效果好,并有效地抑制了信噪比,实验结果令人满意。     

基于临界小波参数和新序列核支持向量机的说话人识别

在研究可再生希尔伯特空间框架的基础之上,构建出一个新的序列核来对语音序列间的相似性进行度量.特征提取部分针对传统语音短时分析技术容易出现丢失信息的现状,提出了一种基于临界带宽的小波包变换算法.用美国国家标准与技术研究所(NIST)2004年评测数据集进行实验,结果表明该方法可以大幅度提高识别率.