生物信息学中的MicroRNA预测研究

为microRNA预测的研究提供参考,讨论了生物信息学中有关MicroRNA预测研究的若干问题.根据最新的研究成果,由MicroRNA预测的特征信息和数据源,从结构序列分析方法、比较基因组方法和机器学习方法等方面对MicroRNA预测的生物信息学方法做了回顾和展望,指出了该领域研究的趋势.通过对3类方法的比较结果表明,采用机器学习方法的效果更优越,能较精确地预测出MicroRNA.     

一种简单有效的说话人身份认证方法

采用生物的特征识别技术,对说话人识别中说话人确认与说话人辨认的传统方法与分类进行了讨论,对现在使用的各种说话人识别算法进行了综合分析。以LPCC(Linear Prediction coding Coefficient)和MFCC(MEL Frequency Cestrum Coefficient)两种特征参数提取为基础,对GMM(Gaussian MixtureModels),VQ(vector Quantization),DHMM(Discrete Hidden Markov Model),CHMM(Concatenation HiddenMarkov Model)等几种识别方法进行了实现,做到了真正的与文本无关。特别以GMM识别方法的部分实验结果为例进行分析,解决了系统中的阈值设置问题,改进了该方法的决策手段。根据实验数据,在各种方法中,说话人确认的错误拒识率和误识率相对说话人辨认总是较高,本文把说话人辨认的阈值选择方法应用于说话人确认,以多模板匹配方式为辅助,使得说话人确认的错误拒识率和误识率大大降低,并通过实验证明了该种改进方法的有效性。     

代谢组学中机器学习研究进展

以往代谢组学的综述都着眼于对其应用情况进行总结,而对机器学习方法的对比研究不多。为此,在分析讨论目前机器学习方法在代谢组学研究方面最新进展的基础上,对各种机器学习方法及在代谢组学研究上的应用效果进行了总结,给出了代谢组学研究所使用的数据源,比较了各方法的应用效果及其利弊,指出目前代谢组研究中存在的主要问题及可能的改进方案。列举了相关方法在疾病诊断、药物开发等方面的最新应用,展望了代谢组学的研究前景,以期为改进代谢组学研究中机器学习算法的研究工作提供启示和帮助。     

基于粒子群优化算法的模糊C-均值聚类

利用粒子群优化（PSO）算法全局寻优、 快速收敛的特点, 结合模糊C 均值（FCM）算法提出一种新的模糊聚类算法. 新算法用PSO算法代替了FCM算法的基于梯度下降的迭代过程, 使算法具有很强的全局搜索能力, 很大程度上避免了FCM算法易陷入局部极小的缺陷; 同时也降低了FCM算法对初始值的敏感度. 实验结果表明, 与FCM相比本文算法聚类更为准确, 效率更高.