基于序列剖面和可及表面积的蛋白质相互作用位点的预测

蛋白质相互作用位点的预测对于突变设计和蛋白质相互作用网络的重构都是至关重要的.由于实验确定的蛋白质复合物和蛋白质配体复合物的结构依然相当少,预测蛋白质相互作用位点的计算方法就显得十分重要.该文提出了一种以支持向量机为分类器,以邻近残基的序列剖面和可及表面积为输入数据来预测蛋白质相互作用位点的方法.计算结果显示,界面残基和非界面残基被识别的准确率为75.12%,假阳性率为28.04%.与输入数据仅有序列剖面的方法相比,界面残基和非界面残基被识别的准确率提高了4.34%,假阳性率降低了4.63%.     

基于多窗口不同特征的蛋白质相互作用位点预测

识别蛋白质相互作用位点在蛋白质功能研究中发挥着重要作用.文章从蛋白质序列出发,提取相关特征——序列谱、序列谱+信息熵,分别形成多个滑动窗口,以此构造输入特征向量.采用"留一法"生成训练数据集和测试数据集,使用支持向量机构建6种分类器,预测测试集中的表面残基是否是蛋白质相互作用位点,得到了较好的结果,说明了实验方法的有效性和可行性.     

低阶数据映射和特征加权的线性SVM

针对传统线性支持向量机在训练数据集时均等对待每一维输入特征,以及在原始空间直接分类造成预测准确率低的问题,提出低阶多项式数据映射和特征加权相结合的方法,来提高线性支持向量机的分类性能。该方法首先将每个样本映射到多项式核对应的2 阶显式特征空间,从而增加样本的隐性信息,然后使用模糊熵特征加权算法计算每一维特征的权重,通过权重衡量特征对分类结果的贡献大小。从不同数据库选取7个数据集进行测试,在训练时间和预测准确率2个方面将该方法与核支持向量机、线性支持向量机的其他改进算法进行比较。结果显示,随着数据集规模的扩大,训练时间降低一个数量级,预测准确率在一些数据集上取得与核支持向量机相接近的效果。结果表明：所提方法可以有效提高线性支持向量机的整体性能。     

以位置特异性得分矩阵和基因本体为特征的蛋白质亚细胞定位预测

提出一种蛋白质亚细胞定位预测方法.该方法以位置特异性得分矩阵和基因本体抽取对应特征,结合支持向量机构建多标签分类模型.充分考虑了蛋白质进化信息对其亚细胞定位的影响,并基于文本分类中涉及到的卡方检验的对数变换思想,构建基因本体注释信息的加权系数对其进行加权处理,从而提高预测的准确率.采用支持向量机作为基分类器构建多标签分类模型,进一步提高预测的准确率.通过在目前该领域两个常用的真实数据集上进行的一系列测试结果表明,该方法能有效提高蛋白质亚细胞定位预测的准确率.     

基于支持向量机的多类凋亡蛋白亚细胞位置预测

基于支持向量机,以全部和局部氨基酸序列的n肽组分、序列的亲疏水性分布等五种特征提取方法构成特征向量表示蛋白质序列,对六类细胞凋亡蛋白的亚细胞位置进行预测.结果表明,基于氨基酸二肽组成成分构成的特征向量集(以符号DIPE表示)的预测结果高于其它四种特征向量集的预测结果,在Jackknife检验下,总预测成功率达到了89.3%;与现有的方法比较,发现对于Mitochondrial类凋亡蛋白,支持向量机方法有更好的预测效果.     

基于距离最大熵值的蛋白质结构域边界检测系统

首次将蛋白质结构域边界检测问题归结为非平衡数据学习问题, 提出一种新的欠采样方法, 即在支持向量机特征空间中对与正类样本具有距离最大熵值的负类样本进行采样. 以经过筛选的蛋白质结构域数据库作为实验数据, 支持向量机学习系统的平均预测准确率可达80%, 同时具有较高的敏感性和特异性.     

基于深度学习和支持向量机的基因结合蛋白预测

针对传统的方法对蛋白质预测的精度低且需要人工提取环节等问题,提出一种基于深度学习和支持向量机的基因结合蛋白预测算法;该算法将卷积神经网络与门控循环单元结合,搜索蛋白质序列,保留蛋白质序列中氨基酸的位置依赖性,利用支持向量机代替神经网络的Softmax分类器对蛋白质的特征序列进行预测;将该模型分别在基准数据集DBP2858和PDB14189上进行对比实验。结果表明,该模型具有更好的脱氧核糖核酸结合蛋白预测能力,并且预测精度和效率均较高。     

MCF-7和HMEC细胞系特异的CTCF结合位点的预测

转录因子可与特定的DNA序列结合调控基因的表达，研究发现转录因子CTCF的结合对乳腺癌等癌症的发生也有一定的影响。以乳腺癌细胞系(MCF-7)和乳腺正常细胞系(HMEC)为研究对象，分别构建癌细胞系特异的和正常细胞系特异的转录因子CTCF结合位点数据集。根据染色质开放、DNA甲基化，以及CTCF、RAD21、SMC3这三个转录因子的结合模体特征，利用支持向量机(SVM)和随机森林(RF)方法对MCF-7和HMEC细胞系特异的CTCF结合位点进行预测，结果表明，SVM的最佳预测准确率为83.09%,RF的最佳预测准确率为84.19%。     

基于组合特征集成的蛋白质相互作用位点预测

运用RBF神经网络预测蛋白质相互作用位点.首先提取序列谱、保守权重、熵值、复合物可及表面积和序列变化率等一系列蛋白质相互作用位点的关键特征.然后应用RBF神经网络以及它们的集成来对这些样本集进行训练与测试.使用10次交叉验证进行训练与测试,创建了4组具有对比性的蛋白质相互作用特征组合.实验中每加入一种新的特征时正确预测率都会相应的提高,特别是加入可及表面积和序列变化率特征时正确率提高幅度更大,表明利用多特征组合,结合RBF神经网络算法进行预测蛋白质相互作用位点的方法是正确有效的.     

基于结构域理化性质的蛋白质相互作用方向预测

为了更好地理解蛋白质相互作用,用蛋白质相互作用间信号传递方向进一步注释蛋白质相互作用网络,提出了一种基于结构域理化性质预测蛋白质相互作用方向的方法。首先提取蛋白质结构域的10种理化性质,构成表示方向信息的特征向量;然后建立支持向量机预测模型,并利用网格搜索对模型进行参数寻优;最后用拥有最优参数的模型进行预测。实验结果表明,该模型准确率达到88.17%,AUC值为0.837.与PIDS方法比较结果表明,蛋白质结构域的10种理化性质能够有效用于蛋白质相互作用方向的预测,为预测蛋白质相互作用方向提供了一种新思路。     

不确定时滞系统的自适应支持向量机Smith预估控制

针对不确定时滞系统提出了一种自适应支持向量机Smith预估控制新方法．首先采用支持向量机对被控对象进行建模,然后设计了一个自适应支持向量机Smith智能预估器,解决了传统Smith预估控制需要预先知道被控对象精确数学模型的问题,克服了基于神经网络的Smith预估控制的不足．仿真实验结果表明,自适应支持向量机Smith预估控制方法充分利用了支持向量机的非线性映射能力,在被控对象数学模型未知的情况下对不确定时滞对象进行控制,具有良好的控制品质,特别是当对象特性发生变化时,还具有良好的适应性。     

时滞系统控制算法分析及仿真

在大多数自动化控制过程中,被控对象具有不同程度的延迟,不能及时反映系统所受的扰动.这种情况对系统的控制极为不利,会产生较大的超调,降低系统的稳定性.针对纯滞后系统的特点,对这类系统的补偿方案进行了详细介绍:PID算法、Smith预估补偿算法和Dahlin控制算法.同时以Smith预估补偿算法为例,在不同的参数下,利用MATLAB的Simulink工具箱对Smith预估控制系统的特性进行仿真,并分析其稳定性条件.结果表明,在模型匹配的情况下,此种算法具有很好的稳定性和鲁棒性,可以明显的加速调节过程,提高控制质量.     

基于附加噪声预测器UKF的摄像机标定算法

由于环境等因素影响摄像机拍摄过程中存在可变噪声,针对传统无迹卡尔曼滤波(unscented Kalman filter,UKF)算法无法处理未知噪声的问题,设计了一种基于附加噪声预测器UKF的摄像机标定算法.首先,对传统UKF算法进行改进,引入噪声估计器并用极大后验估计求取次优解,解决未知可变情况下的噪声问题.然后,利用该改进UKF算法对摄像机进行标定,实现了标定精度的有效提高.实验结果显示该算法在有效保证滤波收敛性的同时,显著提高了滤波和摄像机的标定精度,由此推断基于附加噪声预测器UKF的摄像机标定算法是可行高效的.     

采用MEA-AdaBoost-BP模型的工程结构可靠性分析方法

针对工程结构可靠性设计中算法和计算存在的问题,提出基于MEA-AdaBoost-BP神经网络算法模型的可靠性求解方法. 运用思维进化算法(MEA)求解训练集权值和阈值优化的BP神经网络,并构造为弱预测器函数.然后,运用AdaBoost算法将多个优化后的BP神经网络弱预测器函数迭代训练,形成MEA-AdaBoost-BP神经网络算法模型强预测器函数. 最后,利用逼近隐性功能函数求解可靠性指标,并将其与AdaBoost-BP算法和Monte-Carlo算法进行比较.研究结果表明:所提算法在计算中与Monte-Carlo算法相比,其迭代次数分别仅为16次和46次,效率高,计算精度与Monte-Carlo法接近;而和AdaBoost-BP法相比,其可靠性指标误差分别仅为1.59%和1.88%,计算结果更精确.     

基于改进GM(1,1)和SVM的长期电量优化组合预测模型

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点,提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型.该模型将改进灰色预测模型和支持向量机模型进行组合,采用蛙跳寻优算法求取组合预测模型中各单一模型的权重,构建基于蛙跳优化的组合预测模型.将优化后的组合预测模型应用于我国中长期电量预测,选择我国1991-2005年电量进行分析,对2006-2010年的电量进行预测,并与一般组合预测模型及各单一模型进行比较.研究结果表明:本文方法得到的电量平均相对误差为2.06％,比等权组合预测模型、方差－协方差优选组合预测模型以及各单一预测模型的预测精度都有所提高.     

基于核函数的混沌交通流预测

采用一种基于核函数的局域线性预测算法进行城市短时交通流预测．在对混沌时间序列进行重构的基础上,利用径向基核函数将相空间中邻近点投影到更高维的核空间,然后在核空间中用线性自适应算法对时间序列进行预测,现场数据的试算结果表明,该方法能有效提高短时交通流的预测精度．     

CELP短时预测器算法的研究

码激励线性预测（ＣＥＬＰ）能够在低比特率情况下实现较高质量的语音．在ＣＥＬＰ编码方案的实现中，确定短时预测器和长时预测器的系数是至关重要的．在简单介绍了ＣＥＬＰ的基本原理和激励码本的产生方法后，着重研究短时预测器的算法．采用Ｂｕｒｇ法实现短时预测器，并正对其参数量化编码．计算机模拟表明，采用上述方法可得到较好的合成语音质量．     

一种具有大纯滞后系统的自适应Smith控制方法

运用李雅普诺夫稳定性原理,设计了自适应预估器,提出了一种大滞后系统的自适应Smith预估控制方法。它有效的克服了Smith预估控制方法对被控对象数学模型要求精确的主要弱点,能够应用于一些参数易变且变动较大的工业对象,特别是对大纯滞后且滞后时间变动大的工业对象能获得很好的效果。数字仿真结果令人满意。     

一种基于预估算法的专家式控制

本文将专家系统技术同预估控制方法相结合,得到了一种新的专家式控制方法。该方法采用多模态控制结构,并结合了在线的特征量识别技术,因而在过渡过程中能够较好地发挥人的控制经验和预估控制算法的作用。仿真实验表明,该专家式控制在被控对象变化或出现故障以及负载突变时均具有很强的鲁棒性和较强的适应能力。     

基于GIS和人工神经网络预测土地利用变化

土地利用变化预测是土地管理工作中的重要课题。随着社会的发展与进步，土地资源的合理和有效利用变得越来越重要。进行土地利用变化预测时，数据采集和综合分析是重要的工作。介绍了基于地理信息系统(Geographic Information Systems，GIS)技术建立的土地转换模型(LandTransformation Model，LTM)在经过人工神经网络(Artificial Neural Netwoks，ANNs)技术的分析后对土地利用变化预测的基本原理。这种方法充分结合了GIS的空间分析功能和ANNs的信息处理功能，在综合分析影响土地利用变化因素后可以得出较为准确的结论。利用GIS和ANNs技术进行土地利用变化预测不但可以充分利用原有的历史数据，得到清楚的预报因子，还可以综合相关因素分析后得出新的空间数据层作为ANNs的输入数据，通过ANNs的近似人脑的分析能力很好的预测未来土地利用的发展趋势，有利于土地管理和城市规划部门合理安置和有效利用土地资源。