On Using Physico-Chemical Properties of Amino Acids in String Kernels for Protein Classification via Support Vector Machines

String kernels are popular tools for analyzing protein sequence data and they have been successfully applied to many computational biology problems.The traditional string kernels assume that different substrings are independent.However,substrings can be highly correlated due to their substructure relationship or common physico-chemical properties.This paper proposes two kinds of weighted spectrum kernels:The correlation spectrum kernel and the AA spectrum kernel.We evaluate their performances by predicting glycan-binding proteins of 12 glycans.The results show that the correlation spectrum kernel and the AA spectrum kernel perform significantly better than the spectrum kernel for nearly all the 12 glycans.By comparing the predictive power of AA spectrum kernels constructed by different physico-chemical properties,the authors can also identify the physicochemical properties which contributes the most to the glycan-protein binding.The results indicate that physico-chemical properties of amino acids in proteins play an important role in the mechanism of glycan-protein binding.     

融合PPI网络和基因表达的复合物识别算法

从大规模相互作用网络中识别蛋白质复合物,对解释特定的生物进程和预测蛋白质功能具有重要作用,同时也是后基因组时代一 个最重要的研究课题. 考虑到传统仅基于蛋白质相互作用网络（PPI网络）的蛋白质复合物识别算法可靠性不高,本文提出 了一种新的融合PPI网络和基因表达数据的蛋白质复合物识别算法IPCIPG. 区别于之前用基因表达数据评估PPI网络可靠性的做法,本文提出在蛋白质复合物的识别过程中将PPI网络和基因表达数据有机地结合起来. 算法IPCIPG首先根据边聚集系数（ECC）与蛋 白质间共表达的相关性（PCC）计算PPI网络中每个节点的权重,权重最大的节点作为种子,然后从种子节点开始扩充生成稠密子图. 基于酵母数据集的实验结果表明,算法IPCIPG较其他算法HUNTER,HC-PIN,CMC,SPICI,MOCDE,MCL能够更准确,更有效地 识别出具有特定生物意义的蛋白质复合物.     

#br# 基于自组合核的增量分类方法

在线极端学习机(online sequential extreme learning machine,OSELM)模型在解决动态数据实时分类问题时,无需批量计算,仅保留前一时刻训练模型,根据当前时刻样本调整原有模型即可。然而,该增量方法在离线训练阶段随机指定隐层神经元使模型鲁棒性差,且求解过程难以拓展于核方法,降低了分类效果。针对上述问题,提出一种基于自组合核的在线极端学习机(self compounding kernel online sequential extreme learning machine,SCK OSELM)模型。首先,提出一种新的自组合核(self compounding kernel,SCK)方法,构建样本不同核空间的非线性特征组合,该方法可被应用于其他监督核方法中。其次,以稀疏贝叶斯为理论基础将训练数据的先验分布作为模型权值引入,并利用超参调整权值后验分布,从而达到对当前时间点参数稀疏的目的。最后,将稀疏得到的参数并入下一时刻运算。对动态数据的实时分类实验表明,该方法是一种有效的增量学习算法。相比于OSELM,该方法在解决动态数据实时分类问题时获得更稳定、准确的分类效果。     

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机（SVM）的性能存在很大差异，核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后，重点对常用的核函数及其参数的选择进行了研究，并采用具有不同核函数的SVM进行非线性系境辩识。大量实验结果表明，采用SVM方法进行系统辨识时，径向基核函数（RBKF）比其它核函数的辨识效果好，且RBKF的参数选择较容易，当参数在有效范围内改变时，空间复杂度变化小，易于实现。因此，RBKF是系统辨识SVM的较好选择。     

违约回收率密度函数模拟的非参数估计方法研究

本文研究违约回收率密度函数的模拟估计问题. 本文的工作由两个方面组成. 首先,我们解决了在应用非参数方法估计违约回收率密度函数时如何选取窗宽,以及在使用对称核时如何处理在有界区间上产 生的边界问题. 针对如何选取合理窗宽提高估计效果的问题,我们通过将最优窗宽选取通过渐近积分误差最小作为 标准,然后将满足渐近积分误差最小的问题转换为一个非线性方程,进而应用插入法与迭代算法,求出最优窗 宽的收敛解. 第二,针对应用普通对称核拟合分布于[0,1] 区间内的回收率会产生的估计量偏差在边界有增大趋势问题,我们通过引入边界核来改善这一现象：首先对两种核的统计性质进行理论推导,随后使用蒙特卡罗模拟（Monte Carlo Simulation）方法对其拟合绩效进行数值分析. 本文的数值结果表明我们引入边界核方法,这较之普通对称核可以有效改善边界问题,同时边界核方法在各个指标上效果更优. 最后,基于穆迪公司官方网站公布的2006年到2011年全球每年违约公司债券和贷款的违约回收率统计数据共653个数据,我们的实证案例分析表明,本文引入的边界核方法与现有普遍使用的以Beta分布刻画回收率的方法相比较,通过拟合优度检验和Bootstrap检验,我们的违约回收率密度函数模拟的非参数边界核方法比对应的Beta分布刻画方法更可靠,同时我们的结果也明显优于Beta分布刻画的回收率模型.     

用二维DCIM计算分层媒质中场源点不同层时的格林函数

采用二维离散复镜像法（discrete complex image method, DCIM）计算分层媒质中场点和源点不在同一层时的格林函数。运用二维旋转子空间不变法(estimation of signal parameters via rotational invariant technique, ESPRIT)将谱域核函数表示成二维指数级数的形式，利用Sommerfeld恒等式得到场源点不同层情况下空域内的闭式格林函数，避免了插值方法的繁琐运算。数值仿真结果证明了其正确性和有效性。     

基于多核学习的在线非线性自适应滤波算法

在在线非线性自适应滤波应用中,由于基于多核学习的算法具有更高自由度并且能够利用更多数据特征,相比基于单核学习的算法在性能上有很大提升。首先给出具有相同“字典”的多核仿射投影算法,该算法是多核学习方法和仿射投影算法的结合。然后基于相干准则针对多核仿射投影算法的特例,对应不同高斯核带宽,利用相干稀疏准则构造不同“字典”,提出利用自适应l₁范数正则项来解决归一化多核最小均方非线性自适应滤波算法在非平稳信号下“字典”存在冗余核函数的问题。最后数值仿真结果与比较验证了所提算法的有效性。     

一种新的基于核函数的非线性系统辨识方法

提出了一种新的基于核函数的非线性系统辨识方法。该方法无须知道系统输入输出先验信息,首先对系统输入输出数据进行密度估计及聚类,自适应获取该数据隐含的类别数目及对应的核参数,得到系统的结构。进而利用这些核,将系统原始低维输入输出数据映射到高维空间获取新的输入输出数据,然后通过递归最小二乘方法获取系统的参数。仿真结果表明了该方法的有效性和自适应性。     

Kernel matrix learning with a general regularized risk functional criterion

Kernel-based methods work by embedding the data into a feature space and then searching linear hypothesis among the embedding data points. The performance is mostly affected by which kernel is used. A promising way is to learn the kernel from the data automatically. A general regularized risk functional (RRF) criterion for kernel matrix learning is proposed. Compared with the RRF criterion, general RRF criterion takes into account the geometric distributions of the embedding data points. It is proven that t...     

支持向量机在导弹动力系统推力预测中的应用

应用改进型支持向量回归算法ν-SVR,研究了导弹动力系统推力预测问题,讨论了不同核函数和惩罚因子对推力预测的影响。发现选用多层感知器核函数和适当的惩罚因子时,得到的预测模型稳定性好,并且训练时间和预测误差相对较小;同时与BP神经网络模型进行了对比研究,仿真结果表明,支持向量机能够更好地预测发动机推力,是一种研究小样本情况下推力预测的有效方法。     

基于分组特征多核支持向量机的微钙化簇检测

针对疑似区域内的乳腺微钙化簇和正常乳腺组织特征的多源性这个一直被忽略的问题,提出基于分组特征多核支持向量机(GF-SVM)的乳腺微钙化簇检测。特征被分组后针对不同源特征分别使用不同的核函数映射,组合成多核SVM。将多核SVM转化为半定规划问题,求解多核SVM的核函数权值系数。在训练样本的选择方面采用主动反馈学习方法最终得到稳定的样本模型。实验结果表明,与传统的基于单核SVM相比,该方法具有更好的检测性能。     

区制转移因果视阈下CPI与PPI的内在驱动机制研究

为了探究通货膨胀的形成机制,发掘CPI与PPI之间"倒挂"的原因,以期为稳定物价水平,促进经济发展行稳致远提供政策参考,本文基于中国2001年1月至2017年9月期间的CPI,食品CPI (FCPI),非食品CPI (NFCPI),PPI,生活资料PPI (CGPPI)以及生产资料PPI (MPPPI)的月度数据,运用非线性马尔可夫区制转移因果(MSC)模型,以区制转移因果视阈测度不同时间区制内,FCPI与PPI, NFCPI与PPI, CGPPI与CPI以及MPPPI与CPI之间的时变动态因果关系,甄别CPI与PPI的非线性内在驱动机制及其作用路径.研究发现:1) CPI与PPI之间存在双向驱动作用,即PPI对CPI的正向驱动作用和CPI对PPI的反向倒逼作用同时存在.此外,物价的驱动阻滞表现得尤为明显.2) CPI与PPI之间内在驱动机制的作用路径并不相同:CPI到PPI的驱动主要由"FCPI→PPI"和"CPI→MPPPI"两条路径组成;而PPI到CPI的驱动则主要由"PPI→NFCPI"和"CGPPI→CPI"两条路径构成.3) CPI与PPI之间的因果关系具有时变性特征,总体而言,CPI对PPI驱动的作用区制较长,价格驱动机制也较为稳定;而PPI对CPI驱动的作用区制较短,价格驱动机制呈现波动性特征.4)国际上的特殊事件会对中国CPI与PPI之间的驱动机制产生较大影响,例如,2008年金融危机的出现削弱了CPI与PPI之间的驱动作用.     

复杂环境中无人机数据链干扰效果预测方法

针对无人机(unmanned aerial vehicle, UAV)数据链在地理环境、气象环境、电磁环境等构成的复杂环境中受干扰程度提出一种结合支持向量机(support vector machine, SVM)与功率准则的预测评估方法。首先对系统误码率以及干扰传播模型进行仿真,并针对两个单音干扰存在的情况获得仿真数据、划分干扰等级,得到学习样本;比较了特征归一化和特征降维这两种不同输入形式与4种不同核函数下的学习效果,获得了具有良好效果的预测模型;应用该模型并结合具体地理环境对实际场景进行干扰程度预测,结果与理论值相符,证明了方法的可行性和有效性;预测结果也可用于UAV航路规划与航路评估,具有很强的应用性。     

Adaptive stabilization for ODE systems coupled with parabolic PDES

This paper is concerned with the adaptive stabilization for ODE systems coupled with parabolic PDEs. The presence of the uncertainties/unknonws and the coupling between the subsystems makes the system under investigation essentially different from those of the existing literature, and hence induces more technique obstacles in control design. Motivated by the related literature, an invertible infinite-dimensional backstepping transformation with appropriate kernel functions is first introduced to change the original system into a new one, from which the control design becomes much convenient. It is worthwhile pointing out that, since the kernel equations for which the kernel functions satisfy are coupled rather than cascaded, the desirable kernel functions are more difficult to derive than those of the closely related literature. Then, by Lyapunov method and a dynamics compensated technique, an adaptive stabilizing controller is successfully constructed, which guarantees that all the closed-loop system states are bounded while the original system states converging to zero. Finally, a simulation example is provided to validate the proposed method.     

改进的支持向量回归机

标准的支持向量回归机中原始最优化问题的目标函数有两部分：一部分是衡量经验风险的，另一部分是衡量推广能力的。本文引入一个凸函数来代替衡量推广能力的部分，讨论了当这个凸函数取不同的形式时支持向量回归机的变形，这些模型不再要求核函数必须对称正定，从而为我们可以得到更灵活的回归曲面提供了有效的工具。     

粗糙核k-means聚类算法

通过研究核聚类算法,以及粗糙集,提出了一个新的用于聚类分析的粗糙核聚类方法。通过mercer核映射把输入空间中的样本映射到Hilbert空间,使样本空间中没有显现的特征在特征空间中突现出来,在这种样本差异加大的基础上,结合粗糙集的思想,把样本分别划到相应聚类中心的上、下近似中,上、下近似中的样本按照一定的比例来共同决定新的聚类中心。这样不但聚类精度大大提高,而且算法收敛速度也较快。仿真实验的结果表明该算法的可行性和有效性。     

基于核和灰度的区间灰数预测模型

在灰色系统理论研究领域,以“灰数”序列为建模对象的灰色预测模型的研究还较为缺乏。以区间灰数的“核”序列为基础建立预测模型,实现未来区间灰数“核”的预测,然后以“灰度不减公理”为理论依据,以“核”为中心拓展得出区间灰数的上界和下界;在不破坏区间灰数独立性和完整性的前提下,实现了区间灰数预测模型的构建;算例分析验证了该模型的有效性及实用性;区间灰数预测模型对丰富与完善灰色预测模型的理论体系、拓展灰色预测模型的应用范围,均具有十分重要的意义。     

新型小波支持向量机在波动率预测中的实证研究

运用支持向量机进行广义自回归条件异方差(GARCH)模型预测所面临的一个主要问题就是普通核函数难以准确捕捉股指波动率的聚集特征.然而小波函数却具备以任意时间粒度在任意位置刻画任一时间序列的能力.因此,本文基于小波分析与核函数理论,构造了一个满足mercer条件的多尺度小波核来解决这一问题.通过真实股指数据分析,小波支持向量机在波动率预测中的有效性获得了证实.     

基于核密度估计的层次聚类算法

聚类分析是统计、模式识别和数据挖掘等领域中一个非常基础且非常重要的研究课题，具有广泛的应用前景。在众多的聚类方法中，基于密度的方法是一种相当有效的聚类方法，能够发现任意形状的聚类，对噪声数据不敏感，但是聚类结果严重依赖于用户参数的合理选择。以DENCLUE算法为基础，一种基于核密度估计的层次聚类算法被提出，该算法首先优选窗宽σ产生较好的核密度估计结果，然后以密度函数的局部极大值点为聚类中心形成数据的初始划分，最后根据密度函数的鞍点递归合并初始聚类产生不同层次的划分模式。理论分析和仿真实验结果显示，该算法能够发现任意形状、大小和密度的聚类，能够有效处理噪声数据，而且聚类结果不依赖于用户参数的仔细选择。     

基于相异度核空间的支持向量机算法

提出基于相异度核空间的混合流形学习与支持向量机(SVMs)算法用于解决高维数据分类问题. 该算法使用SVMs对流形学习降维后的低维嵌入做分类.通过加常数方法构造了衡量数据点相异度的特征空间. 证明了该特征空间不仅能够衡量数据点之间的相异度,还满足Mercer条件对于支持向量机分类核空间的半正定性的要求. 在仿真实验中,采用UCI机器学习数据库上标准分类数据集为样本. 对比构造的相异度核空间与常用核函数如线性核、多项式核、高斯核在支持向量机分类时的 分类精度来验证有效性和优越性.