基于退火期望最大化算法的电力系统负荷预测

对于电力系统负荷预测中的不确定性,使用EM算法训练全局收敛的特点,并在EM算法的基础上提出了一种训练随机多层前馈网络的A—EM算法。该算法利借鉴退火过程,引入温度参数,减小了初始参数对最终结果的影响来对负荷进行预测,定例计算表明,该模型具有良好的精确性和应用性。     

人工神经网络和模糊理论在短期负荷预测中应用

对于电力系统负荷预测的复杂性,为提高短期预测的准确性,采用以人工神经网络为基础,提出了一种利用神经网络与模糊理论相结合进行负荷预测的模型.该算法克服了传统BP算法的训练速度慢、存在局部极小点的缺点,使预测精度大有改善.实例计算表明了该算法的改进成果和可行性.     

人工神经网络和模糊理论在短期负荷预测中应用

对于电力系统负荷预测的复杂性,为提高短期预测的准确性,采用以人工神经网络为基础,提出了一种利用神经网络与模糊理论相结合进行负荷预测的模型。该算法克服了传统BP算法的训练速度慢、存在局部极小点的缺点,使预测精度大有改善。实例计算表明了该算法的改进成果和可行性。     

通过蛋白质互作网络预测已知部分功能的蛋白质的精细功能

基于高通量数据, 研究人员已经设计了许多算法用于寻找功能完全未知蛋白质的功能. 然而, 这些算法的效率受到一些根本因素的制约, 包括: (ⅰ) 功能完全未知的蛋白质参与一个精细功能的先验概率低; (ⅱ) 高通量互作数据中有大量的假阳性互作; (ⅲ) 蛋白质互作数据对功能类的覆盖不完全; (ⅳ) 训练算法的大量阴性样本数据是异质的; (ⅴ) 训练算法的蛋白质的精细功能知识不足. 因此, 本研究提出一种新的方法对已知部分功能的蛋白质进行功能预测, 即利用功能特异的蛋白质互作子网或者基因表达模式信息来寻找蛋白质更为精细的功能. 该方法能够通过恰当地定义预测范围和过滤假阳性数据减少上述提到的问题, 因此可以高效地发现蛋白质的新功能. 对于几千个已知部分功能的酵母与人类蛋白质, 该方法能够以超过90%的精确率找到它们更为精细的功能. 预测的精细功能对于指导随后的湿实验和提供必要的功能知识来学习其他蛋白质的功能都具有重要的意义.     

基于实验数据集对常用蛋白抗原空间表位预测工具的测评

抗体分子对蛋白抗原的结合主要通过表位区域进行, 而表位区域的氨基酸残基通常形成不连续的、构象的或者空间的表位区域, 而不是抗原表面上的线性连续片段. 已有许多算法可以用来预测构象表位, 并且基于各自的测试集, 各种工具对空间表位的预测都声称取得了杰出的效果. 本文收集了由实验方法确定的空间表位数据并建立了一套独立的测试集. 基于这套测试集, 采用灵敏度、真阳性预测率、成功挑选率和接受者操作特性曲线下面积(AUC)等参数对常用蛋白抗原空间表位预测工具进行了评估, 工具包括SEPPA, CEP, DiscoTope, ElliPro, PEPOP和BEpro等. 测试集评估结果表明, 6种蛋白抗原空间表位预测工具预测性能仍有待提高. 其中, SEPPA预测性能相对较好, 然而计算得到的灵敏度、真阳性预测率、成功挑选率和平均AUC值也并不理想. 评估结果还表明, 预测工具采用的空间表位训练和测试数据集以及预测算法对预测结果的准确性有较大影响. 以上分析结果为改进B细胞蛋白抗原空间表位预测方法和为免疫原性多肽和新型疫苗分子的设计提供新的启示.     

提高太原南郊电网日负荷预测准确率

对南郊电网负荷特性进行深入剖析,找出影响负荷预测准确率的因素,并提出提高负荷预测准确率的措施.     

基于平行因子分析的信源四维参数联合估计

提出了一种用于近场窄带信源频率、二维到达角及距离四维参数联合估计的新算法. 该方法将通常在数据域和子空间域应用的平行因子分析模型扩展至高阶累积量域, 利用计算的5个高阶累积量矩阵构造三面阵, 分析了该三面阵低秩分解的唯一性, 并从其分解得到的5 个对角阵中联合估计信源参数. 与现有方法相比, 该算法有效减小了阵列的孔径损失, 无须参数配对. 此外, 该算法还可用于远场和近场混合源的参数估计. 仿真结果表明该算法是有效的.     

进化神经网络用于真核生物基因启动子位点确定模型的建立

利用传统的BP算法建造真核生物启动子位点确定模型的时候,存在着训练速度慢,易陷入局域极小值和全局搜索能力弱等缺点,在加入了遗传算法后,可以较好地改进以上的缺点.结合了遗传算法和BP算法的进化神经网络,可以很快地优化出模型的各个参数从而利用这些参数,较好地预测出未知真核生物的启动子的具体位点.     

混沌时间序列联合预测方法

在混沌时间序列加权一阶局域预测法的基础上, 利用数理统计方法中的区间估计概念并通过对预测误差分布的学习, 提出一种新的联合预测方法, 在给出预测值的同时, 给出该预测结果的置信区间, 并用Logistic映射产生的时间序列检验了算法的有效性.     

基于多心理生理参数和核学习算法的脑疲劳估计

脑疲劳是一种极其复杂的现象, 受环境、健康状态、生命力以及恢复能力的影响. 单一参数无法全面描述. 本研究首先运用主观自评方法研究长时间持续低负荷视频显示终端(VDT)任务对心理的影响, 而后通过心率变异性的功率谱指数、由视觉刺激诱发得到的P300成分以及脑电的小波包参数来共同分析长时间VDT活动对自主神经和中枢神经系统的影响. 最后, 提取脑电的小波包参数作为不同脑疲劳状态下大脑活动的特征, 把核主分量分析(KPCA)和支持向量机(SVM)算法结合起来用于区分疲劳前后两个状态. 统计分析表明, 完成任务后主观困倦和疲劳程度显著增加, 长时间VDT任务引起被试的脑疲劳. 完成任务后被试自主神经系统的主要活动从副交感神经活动转变为交感神经活动. P300成分和脑电的小波包参数与脑疲劳有很强的关联性. 而且, KPCA-SVM方法可以有效地减少特征向量的维数, 加速SVM训练的收敛, 取得了较高的脑疲劳的识别率(87%). 多生理心理参数测量和KPCA-SVM方法有望成为衡量脑疲劳的有前途的工具.