基于氨基酸组分和支持向量机的动物毒素的预测

动物毒素是一种具有非常广泛用途的生物毒素,有必要提出一种能够快速、准确预测动物毒素的理论算法.基于动物毒素蛋白质序列的二肽组分信息,提出了一种离散增量结合支持向量机的ID-SVM的算法,并使用此算法对不同序列相似性的动物毒素进行了预测,取得了较好的结果.为了说明ID-SVM算法在预测生物毒素方面的优越性,在这里将ID-SVM算法应用到Saha和Raghava构建的细菌毒素和非毒素的数据库上,预测结果显示ID-SVM算法的预测结果高于Saha和Raghava所用算法的结果.     

东亚钳蝎抗神经兴奋肽在大肠杆菌中的表达

自从 1 96 4年以来Ｍｉｒａｎｄａ等人[1] 报道Ａｎｄｒｏｔｏｎｕｓａｕｓｔｒａｌｉｓ和Ｂｕｔｈｕｓｏｃｃｉｔａｎｕ中的神经毒素 ,蝎毒中一些神经毒素尤其是哺乳动物毒素和昆虫毒素已被广泛研究 .从新鲜蝎毒中制备和纯化天然神经毒素困难重重 ,1 988年Ｃａｒｂｏｎｅｌｌ等人[2 ] 首次由Ｂｕｔｈｕｓｅｕｐｅｕｓ蝎中昆虫神经毒素氨基酸序列推导并化学合成其基因序列 ,且在杆状病毒载体中得到表达 ,自此人们广泛试验将各种属的系列蝎毒素基因重组到大肠杆菌、酵母、杆状病毒、植物等表达载体进行表达 .在中国 ,蝎子及其组织或抽提物被…     

蛇毒神经毒素和肌肉毒素研究进展

对蛇毒中神经毒素和肌肉毒素的分类、理化性质、结构及药理学活性进行了综述。当前研究表明,蛇毒神经毒素可分为3类:突触前神经毒素、突触后神经毒素和类神经毒素;前两者主要抑制运动终板处的神经肌肉传导,造成肌肉麻痹和呼吸衰竭;而后者可以阻断平滑肌收缩和离子通道,表现出类神经毒活性。蛇毒肌肉毒素主要分为3类:响尾蛇毒素、心脏毒素和肌肉毒PLA2;它们主要表现为破坏肌细胞膜,降解肌纤维,造成肌肉坏死。近年来,大量的蛇毒神经毒素和肌肉毒素的结构与功能得以确定,其在临床医学及研究领域中将有着重要的应用前景。随着在作用机制等方面研究的不断深入,蛇毒神经毒素和肌肉毒素的用途也将越来越广泛。     

蛇毒神经毒素和肌肉毒素研究进展

对蛇毒中神经毒素和肌肉毒素的分类、理化性质、结构及药理学活性进行了综述。当前研究表明,蛇毒神经毒素可分为3类：突触前神经毒素、突触后神经毒素和类神经毒素;前两者主要抑制运动终板处的神经肌肉传导,造成肌肉麻痹和呼吸衰竭;而后者可以阻断平滑肌收缩和离子通道,表现出类神经毒活性。蛇毒肌肉毒素主要分为3类：响尾蛇毒素、心脏毒素和肌肉毒 PLA2;它们主要表现为破坏肌细胞膜,降解肌纤维,造成肌肉坏死。近年来,大量的蛇毒神经毒素和肌肉毒素的结构与功能得以确定,其在临床医学及研究领域中将有着重要的应用前景。随着在作用机制等方面研究的不断深入,蛇毒蛇毒毒素和肌肉毒素的用途也将越来越广泛。
     

灰色预测模糊控制水泥粉磨系统的仿真应用

将灰色预测、模糊控制相结合,提出一种灰色预测模糊控制算法.该方法应用模糊控制器,将灰色预测在线应用,预测结果代替测量值进行控制运算.仿真结果表明,利用该算法设计的控制器具有更加优良的性能.     

基因功能预测的整合算法及其在结核分枝杆菌基因表达谱分析中的应用

基因功能预测是后基因组时代生物信息学领域的重要课题.生物学机理的阐释需要准确的基因功能的信息,但目前还缺少大规模测定基因功能的实验手段,这使得运用计算方法对基因功能进行预测显得尤为重要,对这些算法的效率和准确性要求也越来越高.在本项研究中开发了一种新的整合算法,将3种比较典型的基于蛋白质序列预测基因功能的算法GOtcha、PFP和conFunc整合起来,并将其应用于结核分枝杆菌的全基因组功能预测中.预测结果通过不同的角度得到了验证,结果表明该整合方法不仅使得基于序列进行基因功能预测的算法可以达到较高的准确度,而且较原来3种方法大幅度提升了预测的性能.另外,预测结果也被用于分析结核分枝杆菌受到卷曲霉素处理前后的基因表达谱,功能富集分析揭示了卷曲霉素新的可能的抗菌作用机制,从而显示出基因功能预测重要的潜在应用价值.     

基于变分模态分解和AMPSO-SVM耦合模型的滑坡位移预测

滑坡是一种严重威胁危害居民生命财产安全的自然灾害,滑坡位移预测有助于预测滑坡等自然灾害.滑坡体监测数据的处理和预测模型的建立是滑坡位移预测的基础.针对当前时间序列分析中应用广泛的EMD、EEMD分解算法的缺陷,将具有严格数学理论支撑且分解个数可控的变分模态分解算法应用于位移时间序列分解,以获得滑坡位移子序列.将自适应变异粒子群优化算法(AMPSO)和支持向量机(SVM)相结合,构建AMPSO-SVM位移预测耦合模型.运用耦合模型对分解所得位移子序列分别进行预测,然后重构子序列预测结果得到总位移预测值.以三峡库区白水河滑坡XD1监测点为例,针对2007～2012年监测数据,设置不同情景以验证所提出预测模型的有效性及稳定性.实例分析表明,基于变分模态分解和AMPSO-SVM耦合模型对于滑坡位移的预测性能优于BP神经网络预测模型和网格搜索优化的SVM模型,在滑坡位移预测中有良好的理论基础及工程应用价值.     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

基于免疫算法的时间序列预测模型

在自然科学和社会科学中,大量的决策问题需要利用时间序列模型进行预测,针对时间序列参数估计的不精确,往往会对预测结果造成影响的问题,提出一种基于免疫算法优化时间序列模型参数的方案,该方案利用免疫算法精确计算的优势,先利用最大似然参数估计方法将时间序列模型的待定参数表示成其样本观测值联合概率的似然函数,然后使用免疫算法求得该函数的极值,从而可以得到时间序列模型的待定参数,最后为了验证该模型预测的精确性,使用上证指数和深证指数的金融时间序列的数据作为测试样本数据集,我们将预测结果与标准的AR-MA时间序列模型和其他预测模型进行比较,以分析它的性能.     

VAE_LSTM算法在时间序列预测模型中的研究

针对长短期记忆网络(LSTM)算法对时间序列预测存在的不足,考虑到样本序列如果包含线性关系或含有噪音时LSTM算法预测将不准确,同时分析了变分自编码器(VAE)对异常样本修复的原理,提出了一种改进的LSTM时间序列预测算法VAE_LSTM,将VAE网络修复样本的思想加入到传统的LSTM网络,对样本序列进行修复后再输入LSTM神经网络训练,最终建立了时间序列预测模型.阐述了模型建立的方法与步骤,详细分析了模型的原理.使用长江汉口历史水文数据序列进行仿真实验,结果表明:VAE_LSTM算法预测模型在时间序列预测方面有较好表现,满足预测精度要求,比传统LSTM时间序列预测模型的预测准确性高,尤其中短期预测更为准确;对比实验同时表明此模型准确性高于ARIMA,RNN等预测模型.     

基于遗传算法的CO2驱最小混相压力预测

最小混相压力是CO2驱替过程中判断混相与否的关键参数;该值的准确预测对CO2驱替区块的筛选具有重要意义。以7组细管实验数据为研究样本,结合国外对最小混相压力影响因素的研究进展,通过分析各因素对最小混相压力的影响规律,筛选了影响CO2驱最小混相压力的主要参数;并在确定了经验公式形式的基础上,采用遗传算法优化了公式参数。通过结果比较,证明新公式具有理想的预测精度,其对最小混相压力的预测值可以作为相应CO2驱区块筛选过程中的参考依据。     

基于MCS算法的自适应时滞补偿振动控制研究

由于Smith预估时滞补偿器对预估模型和预估时间有较高的要求,在预估模型和时间出现较大偏差时会引起时滞补偿的MCS算法出现控制效果下降甚至失稳的问题,因此,基于李雅普诺夫稳定性原理,设计一种自适应时滞补偿结构添加到时滞补偿MCS算法中,构建一种具有自适应时延补偿的MCS算法。选取悬臂梁结构为研究对象进行仿真分析,结果表明改进的MCS算法不仅克服了预估时间出现较大偏差时的失稳问题,而且具有较好的时滞补偿控制效果。     

改进的基于“当前”统计模型自适应滤波算法及其在航迹预测中的应用

基于"当前"统计模型的模糊自适应(FACS)滤波算法利用机动目标"当前"加速度调整加速度极限值,实现了对一般机动目标的有效预测;但是在预测强机动目标时却存在较大的预测误差。为了解决这一问题,引入强跟踪滤波器(STF),提出了一种新的自适应滤波算法STF-FACS。该算法根据滤波残差实时调整卡尔曼滤波增益,提高了对强机动目标的预测能力;同时保留了FACS算法对于一般机动目标的预测性能。最后,对强机动目标分直线机动和转弯机动,分别进行航迹预测仿真。仿真结果表明,对弱机动目标进行航迹预测时,两种算法的预测效果相当;对强机动目标进行航迹预测时,STF-FACS算法无论是在动态时延和预测精度方面都比FACS算法要好。     

热分解过程的神经网络预测方法的研究

提出了用前馈神经网络求解热分解过程的新方法．针对传统的ＢＰ算法的缺陷,把无约束优化中的变尺度应用于网络的训练学习,改进了学习算法,提出了一种基于动态步长的新的变尺度算法．通过它对热分解过程的预测分析,其结果非常逼近实验结果并优于传统的理论计算结果;同时,新的变尺度算法提高了网络算法的收敛性．     

一种新的基于自学习神经网络的静止图像编码方案

为了改善JPEG算法的编码性能,提出了一种新的基于自学习特征映射算法(SLM)的静止图像编码方案,基本思想是:1)先用矢量量化(VQ)对图像进行预测,然后进行DCT编码;2)采用新的SLM算法来改善VQ码书性能.实验表明,与JPEG算法相比,该方案具有更高的压缩比和更好的图像质量.     

基于流形正则化非负矩阵分解预测药物-靶蛋白作用关系

识别药物-靶蛋白作用关系是当前药物研究的重要内容,其可帮助识别已有药物的新功能,发现药物的"偏靶蛋白"等。现有预测算法对新药物的作用靶蛋白,及新靶蛋白的作用药物预测存在困难,由此提出一种新奇的基于流形正则化非负矩阵分解的新药物/新靶蛋白作用关系预测算法,该方法首先通过聚类算法构建新药物/新靶蛋白的初始作用标签,然后设计引入流形学习正则化约束的非负矩阵分解算法预测药物-靶蛋白作用关系,最后在四个经典数据集中测试,并与最新预测算法BLM-NII、RLS-WNN和WKNKN+WGRMF算法进行比较,证明本文算法可获取较高的预测精度。     

基于改进黑洞算法优化ESN的网络流量短期预测

网络流量数据序列具有混沌特性.相空间重构后,采用一种改进黑洞算法优化回声状态网络的非线性模型对网络流量进行预测.改进黑洞算法是在现有工作的基础上提出一种新的新解生成机制,可以提高算法的收敛速度和精度;相比于遗传算法、和声搜索算法等其他优化算法,所提出的改进黑洞算法不依赖自身相关参数的准确设定;将其应用于回声状态网络4个重要参数的优化选取,使得预测模型具有较好的预测稳定性.通过Mackey-Glass混沌时间序列和网络流量公共数据集的仿真实验,结果表明所提出的方法具有较好的预测性能.     

一种新的基于自组织神经网络的运动估计算法

提出了一种新的基于自组织网络的CFSSOM-VQ运动估计算法,新的帧间预测编码方案采用基于自组织特征映射算法(SOM)的矢量量化(VQ)作为帧间预测,以取代目前常用的运动补偿帧间预测(ME MC).并对SOM算法进行了改进,提出了一种分类频率敏感自组织特征映射(CFSSOM)算法.将该算法应用到会议电视视频编码的实验结果表明,与ME MC算法相比,CFSSOM-VQ算法具有更好的预测编码性能.     

Aircraft Trajectory Prediction Based on Modified Interacting Multiple Model Algorithm

In order to realize the aircraft trajectory prediction,a modified interacting multiple model(M-IMM) algorithm is proposed,which is based on the performance analysis of the standard interacting multiple model(IMM) algorithm.In the proposed M-IMM algorithm,a new likelihood function is defined for the sake of updating flight mode probabilities,in which the influences of interacting to residual’s mean error are taken into account and the assumption of likelihood function being a zero mean Gaussian function is discarded.Finally,the proposed M-IMM algorithm is applied to the simulation of the aircraft trajectory prediction,and the comparative studies are conducted to existing algorithms.The simulation results indicate the proposed M-IMM algorithm can predict aircraft trajectory more quickly and accurately.     

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.