基于DNA序列混沌游戏表示的相似性分析

基于DNA序列的混沌游戏表示,利用对应测度矩阵的最大特征值组成的6维向量来刻画DNA序列,并利用向量间的相关距离对11种物种的beta球蛋白基因的第1个外显子编码序列进行相似性分析,所得结果与生物学中的进化关系基本一致.     

一种基于Web资源相似性的序列模式度量方法

提出了一种基于资源相似性的Web访问序列模式的相似度量方法,并且考虑了用户访问资源的时间因素,经过检验,证明其能够有效真实地反映实际情况。     

DNA序列碱基组合的频率矩阵及其应用

基于碱基组合在DNA序列中出现的频率,构造11个物种的β-globin基因第一个外显子的编码序列的频率矩阵.借助矩阵2-范数对11个物种进行相似性比较,并结合柱状图对物种之间的相似性进行分析.研究结果表明:所构造的DNA序列频率矩阵不仅能够反映出DNA序列中碱基及碱基组合的含量分布,而且能够显示出序列碱基突变的情况.     

基于变换的时间序列相似性分析

为了解决时间序列相似性比较问题,采用从时间序列的直观特征分析入手进行定义的方法,定义了具体的基于变换的时间序列的相似性,并分析了良好的时间序列变换函数所应具备的性质,讨论了一些有代表性的基于变换的时间序列相似性的定义和分析方法,对这些方法的基本思想加以提炼和总结,并讨论了这些方法的优、缺点,为基于变换的现代时间序列分析方法研究提供了较为完整的成果概览。同时,提出了借助变换函数来对时间序列的相似性进行定义的方法,为进一步做好时间序列相似性的比较工作提供了具体方向和理论依据。     

基于分数微分的时间序列相似性度量及其应用

时间序列的相似性度量是时间序列聚类、分类以及其他相关时间序列分析的基础.传统基于距离的相似性度量方法,忽视了时间序列可能存在的时间上的联系,而将时间序列看作一系列孤立点的集合.对于序列间可能存在的前后联系,基于分数阶微分的遗传特性和记忆特性,提出一种新的时间序列聚类的相似性度量.根据时间序列的分数阶微分计算新序列间的点距离,将其作为聚类算法的输入对时间序列进行聚类.仿真实验结果表明,与基于原始序列矢量距离的聚类结果相比,新的分数阶相似性度量方法表现更好.     

图拟拉普拉斯矩阵的特征值

G为有限无向简单图，A（G），D（G）分别表示G的邻接矩阵和度对角矩阵。Q（G）＝D（G）＋A（G）称为图G的拟拉普拉斯矩阵，它是谱图论的研究对象。本利用G的顶点数，边数，最大度和最小度给出Q（G）的最大特征值和最小特征值的界的估计。     

基于学习行为时间序列相似性模型的研究

以学习者学习行为为研究对象,提取了学习行为特征,构建了一组学习行为时间序列数据,提出了一种学习行为时间序列相似性模型;通过学习行为相似性模式的表示、度量和聚类,验证模型的有效性;结果表明,能够很好地对学习行为进行分类,对无效样本有效检验。     

基于Cp-曲线的蛋白质序列相似性分析

蛋白质是生物体内行使重要功能的生物大分子.蛋白质的功能是由其空间结构决定的,而蛋白质的空间结构取决于其一级序列.因此,研究蛋白质的氨基酸序列就成为蛋白质结构预测的前提和基础,并已经成为生物学家关注的主要研究内容之一.主要介绍基于20种氨基酸的一种5-L模型,将蛋白质序列粗粒化为5-L序列,进而给出蛋白质序列的一种3-D图形表示,称之为Cp曲线.将Cp曲线转化为容易比较的序列不变量,并在此基础上对11个物种β-球蛋白质序列进行相似性分析.     

基于双度量约束的拉普拉斯特征映射

针对传统的拉普拉斯特征映射(LE:Laplacian Eigenmaps)算法采用欧氏距离度量样本点之间的位置关系只适用于线性数据集,但实际工程中的数据常表现出强烈的非线性导致最终的嵌入结果难以反映出原始数据的本质特征问题,提出了一种基于双度量约束的拉普拉斯特征映射(D-LE:Double metric constra...     

基于不同度量方法的Vague集的相似度量比较

基于海明距离函数,给出了Vague集2种新的相似度量方法.根据不确定信息处理的实际背景,利用Vague集的相似度量应该遵循的5项准则,对常见的几种相似度量性质进行了逐一检验,并将这几种相似度量进行比较,指出了它们的不足.     

基于Lukasiewicz蕴涵算子的Vague集相似度量

分析了Vague集存在未知度,表明了存在不确定性的原因。指出了现有Vague集相似度量方法存在的不足。在充分考虑了Vague集不确定性和对Lukasiewicz蕴涵算子进行研究后,提出了一个基于Lukasiewicz蕴涵算子的Vague集相似度量新方法;并证明该方法满足相似度量基本准则。通过与现有相似度量方法的比较,说明新的相似度量方法克服了现有相似度量方法的不足,考虑了未知度因素对相似度量的影响,能够有效合理地区分数据。     

基于Vague值(集)相似度量的组合预测模型

通过引入模糊理论中的Vague值(集)相似度量,提出了建立组合预测模型目标函数的两种准则,从而构建了基于新的相关性指标的组合预测模型.运用实例对该方法进行验证,发现基于Vague值(集)相似度所建立的组合预测模型在误差平方和、均方误差、平均绝对误差、平均绝对百分比误差和均方百分误差等方面均比单项预测方法小,表明了所建立组合预测模型的有效性.     

Vague集之间的相似度量分析

Vague集的相似度量是Vague集在各个应用领域中的关键技术．本文根据相似工程学原理，指出一个相似度量必须满足的约束条件，提出一种改进的Vague集相似度量公理化定义，然后引入一种新的Vague集相似度量方法，并证明它满足这些公理化条件，最后，用实例说明其应用以及该方法的有效性和直观性.     

基于Vague集加权相似度量的近似推理

基于Vague(值)集间的相似度量的公理化定义,给出两个新的Vague(值)集间加权相似度量公式,细化了线性插值法进行近似推理的过程,并应用一个新加权相似度量公式进行推理,实例表明近似推理是可行的.     

一种Vague集相似度量新方法及其应用

分析了影响Vague集相似度量的因素,并充分考虑了未知度对Vague集相似度量的影响,提出了一个新的Vague集相似度量方法,证明该方法满足相似度量的基本准则,通过分析影响相似度量的因素,探讨了现有Vague集相似度量方法存在不足之处,与现有相似度量方法比较证明新的相似度量方法能够有效和合理的区分数据,具有一定的优越性,最后在模式识别的应用实例中,给出了该相似度量方法的模式识别应用过程,实验结果表明了该方法的实用性。     

一种新的Vague集相似度量方式

在分析比较当前几种Vague集相似度量方法及其优缺点的基础上,提出一种新的Vague集相似度量方法.该方法充分考虑支持度以及真隶属度差距和假隶属度差距,并且区分隶属度差距的方向.该方法更符合实际,它为Vague集之间的相似度提供了一种更好的度量方法.     

Vague集之间的一种新的相似度量

相似度量是一种在数据处理和分析中十分重要的、有效的和广泛使用的方法,本文在分析比较以前的几种相似度量的基础上,利用对隶属度差距、假隶属度差距以及未知值差距的重视,提出了一种新的相似度量方法,并通过文中的例子证明了该方法是有效的和可行的.