机器学习技术在生物信息挖掘中的方案探讨

后基因时代，探索和解释隐藏在分子生物学数据库中的有用信息是对生物信息学研究人员的巨大挑战!为了解决分子生物学中遇到的这些难题，有效厦廉价的方法是非常必要的．机器学习是一个崭新的计算机应用领域，而生物信息学是生物学与计算机科学以厦应用数学等学科相互交叉而形成的一门新兴学科．本文分析了机器学习技术的内容，介绍了生物信息学的内涵和新的应用技术，同时探索了机器学习技术对生物信息挖掘应用的途径．这些方法有助于加速生物分子结构预测、基因发现、基因组学和蛋白组学等方面的研究进展．     

基于内容信息过滤的智能Agent及其实现

本设计并实现了一个基于内容信息过滤的智能Agent：CuteSeareher．它能够根据用户提交的示例档，采用机器学习的方法对用户的兴趣进行建模．并通过与www上的搜索引擎相互作用，自动查找用户所需的信息．在两个方面解决了现有过滤系统在学习方法方面的不足：第一，采用了概念推理网解决词组分割问题；第二，使用基于协同演化的遗传算法解决档的特征抽取问题．测试表明它可以有效地帮助用户在www上搜索信息．     

机器学习技术在生物信息挖掘中的方案探讨

后基因时代,探索和解释隐藏在分子生物学数据库中的有用信息是对生物信息学研究人员的巨大挑战!为了解决分子生物学中遇到的这些难题,有效及廉价的方法是非常必要的.机器学习是一个崭新的计算机应用领域,而生物信息学是生物学与计算机科学以及应用数学等学科相互交叉而形成的一门新兴学科.本文分析了机器学习技术的内容,介绍了生物信息学的内涵和新的应用技术,同时探索了机器学习技术对生物信息挖掘应用的途径.这些方法有助于加速生物分子结构预测、基因发现、基因组学和蛋白组学等方面的研究进展.     

基于样本集质量的建筑能耗预测机器 学习算法选择及参数设置

使用机器学习算法对建筑能耗进行预测正逐渐成为建筑设计初期重要的决策辅助工具,机器学习算法的选择及其参数设置一直是机器学习领域研究的热点和难点。但现有研究大多从算法原理角度进行预测模型的选择及参数设置,训练样本集的特征信息未得到充分利用。为此,提出一种以样本量及样本分布特征为出发点的样本集质量分类方法,针对不同质量样本集测试不同机器学习算法的学习性能,制定不同质量样本集的算法选择及参数设置策略。分析样本特征与算法性能之间的关系,为建筑设计提供有效指导。     

机器学习在湍流燃烧及发动机中的应用与展望

随着燃烧科学的发展，数值仿真与实验测量产生了大量数据，这些数据隐含许多有效的物理信息。传统研究方法对此类信息主要利用基于物理规则的模型去处理，但随着数据量的增加，基于数据驱动的方法开始受到重视。机器学习(machine learning, ML)技术由于在数据分析和处理方面取得了巨大成功，为处理燃烧领域的大量数据提供了一种新的范式。该文简要介绍了ML在湍流燃烧中的应用，主要包括化学反应、燃烧建模、发动机性能预测与优化、燃烧不稳定性预测与控制等4个方面，讨论了机器学习在燃烧研究中面临的挑战，并对未来应用进行了展望。     

基于机器学习的类型推理方法综述

类型推理是一种轻量级的形式化方法,通过对程序变量和语句的类型这些关键信息进行推理,可以更好地理解程序行为.传统的类型推理方法依赖于语法规则与类型推演规则,然而,随着软件技术的发展,在动态语言等新的软件应用场景中,传统的类型推理方法在缺乏运行时信息的时候无法在静态对类型进行推理.针对这些问题,近年来出现了很多基于机器学习的类型推理的方法.基于机器学习的方法,可以利用已有的动态类型信息,对新程序的类型进行静态的类型推理.文章系统地总结了各种基于机器学习进行类型推理的方法,总结其特点和存在的问题,并讨论了未来可能的研究方向.     

通过人机交互与机器学习提高日汉机器翻译系统的实用性

本文讨论了创建全自动高智能化日汉机器翻译系统的问题，引入一种在翻译系统中使用的人机协作处理方式，以及在系统中使用的机械学习和基于解释经验的机器学习方法。通过这种处理方式和机器学习方法，可为最终实现实用型的智能化系统提供一种有效的途径。     

机器学习与智能决策支持系统

长期以来，两个关键性的问题一直困扰着智能决策支持系统的研究者们，即智能决策支持系统如何获取和精确与决策过程直接相关的知识，以及如何使智能决策支持系统具有一定的适应性和演进能力，使其在不断的使用过程中积累经验而改善自身的性能。本文就如何利用机器学习方法解决智能决策支持系统研究过程中存在的上述问题进行了探讨。     

基于高维映射感知器网络的机器学习分类方法

利用Rosenblatt感知器网络的权值学习方法,提出一种解决线性不可分样本的多类分类方法.该方法不需要考虑使用何种核函数,将高维坐标值作为分类信息的函数,直接解决非线性多类分类问题.对双螺旋线数据分类应用的结果表明:基于高维映射感知器网络的多类分类机器学习方法可以有效解决非线性数据的分类问题,并能够提高分类效率和准确度.     

硬件进化的快速算法模型研究

针对硬件进化(evolvable hardware，EHW)存在的进化规模的扩展能力问题，研究了以内嵌式EHW的自适应要求为条件的染色体表示及计算复杂性问题．为提高遗传机器学习计算效率，根据FPGA(field programmable gate array)内部的结构特点，将可重构硬件的结构映射为遗传学习的染色体表示，提出一种符合EHW要求的二雏染色体的遗传机器学习方法——ISPitts，构造了一种动态遗传机器学习框架．实验结果显示，新方法不仅完成了四位比较器的内嵌式EHW实现，而且具有较高的进化效率．     

一种SVM增量学习算法

分析了SVM理论中SV（支持向量）集的特点，给出一种SVM增量学习算法，通过在增量学习中使用SV集与训练样本集的分类等价性，使得新的增量训练无需在整个训练样本空间进行，理论分析和实验结果表明，该算法能然保证分类精度的同时有效地提高训练速度。     

论贝叶斯学习机的学习过程

贝叶斯学习是机器学习研究的一个重要方向,它是以贝叶斯定理为基础,基于已知的概率分布和观察到的数据,并结合先验知识进行推理,作出最优决策的一种概率手段. 本文首先针对参数和变量的不同类型分别给出四种情形的贝叶斯公式,然后结合一个指数分布的特例,研究了贝叶斯学习过程中有关信息的转换过程,指出了如何合理正确地利用先验信息、模型信息和样本信息.     

机器学习在汉字智能拼音输入中的应用

借助机器学习在用户机器上建立本地用户词库,并充分利用汉字的语音信息和语法信息,以改进汉字智能拼音输入的效率;利用机器智能提高智能拼音输入软件自身的易用性．     

投影自表示无监督极限学习机

无监督极限学习机在投影过程中保持原始高维空间中的稀疏或近邻结构,样本在高维空间中存在冗余信息,原始的数据结构不一定适应于投影后的低维特征空间.为此,结合无监督极限学习机和子空间聚类的自表示学习,提出投影自表示无监督极限学习机模型.该模型是面向聚类的特征提取方法,在投影过程中学习自表示子空间结构,从而使无监督极限学习机提取的特征自适应于聚类任务.在IRIS数据集、 6个基因表达和2个医学影像高维数据集上进行实验,结果表明该模型和算法是有效的.     

相关向量机及其在铜锍吹炼中的应用研究

相关向量机(Relevance Vector Machine,RVM)是一种新的在稀疏贝叶斯概率模型的基础上发展起来的基于统计学习理论的机器学习方法,它比支持向量机( Support Vector Machine,SVM)有更多优点,已成为数据挖掘的又一高效有力工具.本文研究了RVM在铜锍吹炼中的应用.用RVM对某冶炼...     

面向同源蛋白质探测的一种新型混合深度学习模型

根据蛋白质氨基酸链探测其同源蛋白质,进而预测蛋白质的功能,是生物信息学研究领域的一个重要挑战,也是众多生物医学研究领域的基础研究内容,有着重要的科研价值和广泛的应用需求。其研究难点在于:(1)如何学习对同源蛋白质预测有效、有用的蛋白质特征信息;(2)如何更好地运用蛋白质特征信息,实现同源蛋白质的探测与识别。为了解决同源蛋白质探测与识别研究中的关键难点,本文提出一种基于混合深度学习架构的同源蛋白质探测与识别模型(HDLM-PHP)。通过采用统一的"管道式"深度学习架构,将蛋白质特征学习和探测识别统一为一个整体,提高同源蛋白质探测与识别的效能。采用多组并行的深度卷积神经网络,学习蛋白质的各种属性信息,以期获得丰富的待检测蛋白质和靶蛋白质的高级相关性特征,并通过全连接方式使用多层RBM结构融合和精炼这些相关性特征为全局相关性特征。通过统一的深度网络连接方式,以探测和识别任务为导向,学习到对于同源蛋白质预测最有效、最全面的蛋白质特征信息。在标准数据集SCOPe上,对所提模型进行性能与效率评测,结果表明:本文提出的模型能有效地学习到符合任务导向的蛋白质特征数据,提升同源蛋白质探测与识别的准确度和召回率,优于现有的模型和算法。     

机器学习在生物信息学中的应用

机器学习具有从数据和经验中获取知识的学习能力，能用于从大量生物数据中提取知识的过程。生物信息学是一个融合多门学科的领域，包括分子生物学、计算机科学、物理化学和数学。机器学习算法已成为生物信息学中数据分析算法的主要内容。介绍了典型的机器学习方法以及它们在生物信息学中的应用。     

类比学习机制的研究

类比学习是机器学习中的一种重要方法。文中重点讨论了实现这种学习方法所需解决的主要问题及类比学习的研究进展和状况,并对6种具有代表性的类比学习方法和系统(转换类比学习、派生类比学习、属性类比学习、因果关系类比学习、联想类比学习和基于事例的学习)的基本原理、学习机制等进行了深入的研究和分析。     

少量已知历史数据下的电能质量复合扰动识别方法

针对训练电能质量复合扰动分类模型遇到少量已知历史数据和海量未标注的采样数据共存的现象,提出了一种基于混合流形正则化图拉普拉斯-海森半监督极限学习机(Laplacian Hessian semi-supervised-extreme learning machine,LHSS-ELM)的复合扰动识别方法.所提方法通过La...     

统计机器学习研究

通过将正则化框架引入到统计学习中来,介绍了几种当前流行的统计学习机器,分析了他们的性能,并探讨了快速求解算法.