改进信息离散性度量方法的蛋白质二级结构预测

采用一种信息离散性度量方法对CB396数据集中的蛋白质数据进行二级结构预测,预测准确率达到72.1%.为了提高预测准确率,将FDOD算法结合PSI-BLAST进行多重序列比对,使预测准确率提高到75.6%,证明了该方法的有效性.在此基础上,利用20种疏水标度改进FDOD方法,以减小计算量.最后,结合长程作用,对预测准确性的影响因素进行了讨论.     

应用支持向量机预测蛋白质相互作用位点

蛋白质相互作用位点的识别对于突变设计和预测蛋白质相互作用的网络是非常重要的。基于支持向量机学习方法,该文提出一种用于预测蛋白质相互作用位点的有效数据属性抽取方法,该方法利用蛋白质的序列信息、蛋白质残基的可及表面积和进化率来构造向量,通过十倍交叉验证来对数据进行训练和预测。实际计算的结果显示,该方法的准确率为72.19％,比只利用序列信息和进化率信息的方法提高了5.71％。     

通过序列编码预测蛋白质相互作用

该文利用蛋白质的一级结构信息,将支持向量机应用于人的蛋白质相互作用预测中,采用三肽频数方法刻画 蛋白质序列. 计算结果表明,该方法能准确预测人的蛋白质相互作用. 比较了半胱氨酸在不同分类下对预测结果的影响, 对人的胚胎肝脏蛋白质相互作用网络进行预测,为实验提供了重要的信息.     

MEA-BP神经网络在预测地震模拟试验数据中的应用

为解决管道系统的地震模拟试验中由于某些测点的加速度测量计损坏导致加速度试验数据测量错误的问题,提出使用神经网络对错误的数据进行预测的方法。首先利用同一工况下测得完整加速度时程曲线的数据分别训练BP、MEA-BP神经网络,不断调整网络结构使预测精度在可接受范围内,并验证网络的适用性,最后利用训练好的神经网络预测未测量完全的加速度数据,补全加速度响应时程曲线。研究结果表明利用神经网络对振动试验数据进行预测是有效的、可行的,且MEA-BP神经网络对结构响应的预测精度高于BP神经网络。     

高光谱图像分块压缩感知采样及谱间预测重构

压缩感知理论提供了一种新的数据采集思路. 基于该理论提出了一种高光谱数据采集和图像重构方法,以波段分组的方式将高光谱各波段分为参考波段和普通波段,对各波段图像单独采用分块压缩感知测量以获取高光谱数据. 在图像重构过程中,参考波段采用平滑投影Landweber算法重构. 对于普通波段,结合谱间预测和平滑投影Landweber提出了一种新算法: 先采用谱间双向预测得到预测图像,然后对预测图像进行分块压缩感知测量获得测量值,并计算它与该波段原测量值之间的差值,再由测量差值重构预测差值来迭代恢复原波段图像. 该方法在数据重构过程中充分考虑了高光谱图像的谱间相关性和空间相关性,能提高图像重构精度. 实验结果表明,利用所提出的方法重构高光谱图像,其性能优于多向量压缩感知方法和分块压缩感知测量后直接对各波段图像单独重构的方法.     

灰色BP神经网络组合模型在大坝沉降监测中的应用

大坝沉降是一个非线性的过程。为了能准确预测大坝沉降,将GM(1,1)模型和BP神经网络模型结合,以某大坝沉降量为实例,研究灰色BP神经网络在大坝沉降监测中的应用。通过GM(1,1)获得一组拟合数据,将拟合数据和原始值作差得到拟合值的误差序列,再利用BP神经网络模型对拟合数据和拟合数据的误差序列进行训练,最后再以拟合数据作为输入值,利用训练完成的BP神经网络得到误差序列,进而得到预测值。经过实验分析,得出组合模型的预测精度高于单一模型的预测精度。     

基于缺失值的海南旅游总收入的季节ARIMA模型及预测

讨论了带有缺失值的2007年1月至2013年2月的海南旅游总收入的数据,利用不同处理缺失值的方法对数据进行整合,得到海南省旅游总收入服从季节ARIMA模型,并由此对海南旅游总收入趋势进行有效预测.     

基于数据挖掘与机器学习的蛋白质疏水性分析的研究

蛋白质的疏水性对蛋白质的稳定性、构象和蛋白质功能具有重要意义,通过数据挖掘中的机器学习算法实现了将一个数据集中已知疏水性的多个蛋白质样本数据,分配给具有特征值的各个目标类.将这些已知其特定类归属的数据作为KNN,LR,决策树,SVM四类分类器的训练集,利用这些已知数据训练后的分类器来处理未知疏水性的蛋白质数据,最终判断该数据的分类.该算法对蛋白质疏水性的预测,其准确率可达90%以上.     

“双碳”目标下基于GM(1,1)算法的黑龙江省“电力及建成区绿化覆盖率”预测

在“双碳”目标下,电力行业、建成区绿化已成为服务全社会碳减排、支撑经济社会低碳转型的关键领域.而预测是系统规划和运行的基础.采用时间序列即灰色模型GM(1,1)预测方法,对黑龙江省近6年的电力消费量、建成区绿化覆盖率、水力发电量累计值、风力发电量累计值进行预测.预测结果显示,后验差比值c最大值为0.0358,相对残差检验值、多数的级比偏差值均小于0.1,预测结果精度较高,且与传统的需求预测方法相比,对历史数据的依赖也更小.     

滑动平均法改进型灰色预测模型在德山开发区电力负荷预测中的应用

利用灰色控制理论对德山开发区电力需求量进行预测.用生成方法对原始数据进行处理,消除了影响电力需求量的众多非重要因素,并从原始数据中挖掘有用的信息,建立微分拟合方程,基于残差修正提出滑动平均法改进型灰色预测模型,增加当年数据的权重,避免数值的过度波动.德山开发区电力负荷预测结果表明该模型能有效提高预测精度.     

基于Kohonen聚类小波包分解和ELM的短期电力负荷预测

提出基于Kohonen聚类、小波包分解和极限学习机的短期电力负荷组合预测方法.考虑到电力负荷具有一定周期相似性,经过Kohonen神经网络的聚类分析能确定与待预测日具有类似特性的负荷相似日;利用双正交小波对负荷数据进行分解,得到不同的频率分量分别送入ELM网络进行预测;最后将所得的不同频带中的待预测负荷分量组合,即为最终负荷预测值.经仿真实验表明,较传统单一的神经网络算法,该方法在预测精度和运算时间等方面均颇有提升,具有一定的实用性.     

心脏病诊断系统中缺失数据填充方法

缺失值数据是目前研究数据分析的一个重要领域,随着智能医疗的迅速发展,如何充分利用海量数据挖掘出其中的重要信息,对隐藏的疾病做出预测并进行提早的干预治疗显得尤为重要.但在实际预测中,经常面对不完备数据集,从心脏病数据集出发,基于随机森林算法加以贝叶斯优化算法动态调参,提出心脏病缺失值补足算法.以准确率ACC作为算法的评判依据,通过精度和时间2个方面进行验证,4种算法对比实验结果表明,提出的算法具有更准确的填补效果.     

JPEG图像同步嵌入与加扰方案

提出了一种JPEG图像的同步嵌入与加扰方案.首先对DC系数使用棋盘预测法进行预测,根据预测误差值将DC系数分为没有进行预测(NP)、进行预测但没有嵌入数据(PN)、进行预测且嵌入数据(PE)3类,再利用秘密数据替代PE部分系数值完成DC系数的嵌入加扰,最后对符合条件的AC系数的游程编码(run length coding,RLC)序列进行旋转,完成RLC序列的嵌入加扰.实验结果证实,该方案能保证高嵌入容量和低文件膨胀度,而且重构图像的SSIM值均大于0.996,PSNR值均大于50,在一定条件下能完全重构原始图像.     

RBF神经网络法在泥页岩有机非均质性测井评价中的应用

探讨了通过RBF神经网络方法利用常规测井曲线评价泥页岩TOC和S1的可行性.利用RBF神经网络法和ΔlgR法对L69井TOC做测井评价并进行对比,二者建模结果中实测值与计算值R2分别为0.73和0.7,前者略优于后者,当声波或电阻曲线与TOC为非线性关系时表现尤为突出;利用RBF神经网络法对L69井S1进行测井评价,其建模结果中实测值与计算值R2为0.73,精度较高,成功实现了对泥页岩中S1的预测.研究结果表明,RBF神经网络法对泥页岩有机非均质性(包括含油非均质性)的测井评价可行性和模型精度均较高,具有较大应用前景.     

全面二孩政策下陇南市人口预测

人口问题对社会和经济可持续发展有着直接的影响.准确预测人口数量对政府制定与社会经济发展相协调的政策、计划有着重要的意义.国家全面二孩政策的实行,将直接影响着我国人口的增长.为了提高人口的预测精度,根据2010—2017年陇南市的人口数据,采用灰色系统预测GM(1,1)模型和生长曲线建立陇南市人口变化的数据模型,并与实际数据进行了拟合.结果表明,预测得到的数据与实际数据拟合性较好,满足相应的验证精度,可以用来预测未来陇南市人口变化趋势,为当地政府确定建设思路和制定发展政策提供参考.     

基因表达式编程方法在变形监测数据处理中的应用探讨

针对变形监测数据处理中传统方法存在的的局限性,采用基因表达式深入分析变形监测中的数据。对某建筑物沉降数据进行了预测和检验分析。实验表明,与传统预测方法相比,GEP预测方法有效地减少了变形监测中数据的误差,克服了传统预测方法的不足,提高测量精度,从而尽可能减少变形数据对变形分析的影响。     

基于Stacking集成学习的流失用户预测方法

利用机器学习算法对商业活动中普遍存在的客户流失问题进行预测.借鉴了Bagging的自助采样法思想,提出了一种基于自助采样法的Stacking集成方法.首先对数据集进行多次采样并加入属性扰动,然后使用所得数据子集训练基分类器副本,基分类器决策结果由基分类器所对应的副本投票决定.最后在真实数据集中进行流失客户预测实验,结果显示,该文提出的方法在准确率、查准率和F1值3项指标上均好于所有基分类器和同结构的经典Stacking集成方法.     

基于用户和项目的双视角协同过滤推荐方法

传统的协同过滤推荐方法存在单视角信息利用不足、预测精度不高、对数据稀疏性敏感等问题,为此提出同时考虑相似用户和相似项目的双视角协同过滤推荐方法.根据辩证的思想,利用项目内部因子和外部因子生成项目融合相似度,有效度量了项目相似性和用户相似性,并解决了双视角协同过滤推荐方法对数据稀疏性敏感的问题.在标准数据集上多次进行的实验表明,基于用户和项目的双视角协同过滤推荐方法优于多个典型的协同过滤推荐方法.     

小波变换和时间序列模型相结合的降雨量预测

针对降雨量预测问题大多采用时间序列分析的方法,但是对于准确预测降雨量和降雨变化规律,提高降雨量的预测精度等问题,如果仅采用时间序列的方法误差相对来说比较大.提出一种小波变换和时间序列预测模型(ARMA)相结合的降雨量预测方法.在预测过程中,对降雨量进行归一化处理,利用小波变换对原始降雨量进行降噪,降低其预测中的误差,采用正确的时间序列模型对降噪后的降雨量进行分析,建立最优降雨量预测模型.对实际降雨量进行仿真测试,结果表明,改进的方法预测精度比传统方法要高,且能更好地反映降雨量变化规律,为降雨量的预测提供了一种新的途径.     

数据挖掘下电网调度信号异常数据提取方法

目前方法获取电网调度信号特征过程中,针对在异常数据提取时提取精度不高、数据覆盖率欠高、提取效果差的问题,提出数据挖掘下电网调度信号异常数据提取方法.首先利用数据挖掘中的ICA算法对电网调度信号去噪处理;再利用Mallat算法将电网调度信号进行小波分解,获取电网调度信号的信号特征;最后通过对电网调度信号数据中异常值计算,...