从线粒体和叶绿体基因组的结构看生物基因组的进化

通过分析各类真核生物线粒体和叶绿体基因组的大小与结构,得出这两种细胞器基因组都有小基因组与大基因组两种形式以及与之对应的结构特点,从而都是通过两种进化途径从它们各自祖先的基因组发展成为现代的线粒体和叶绿体基因组的结论。比较细胞器基因组与核（类核）基因组的存在和性质,发现类似的两种途径同样可以说明核（类核）基因组的进化。结合这三种基因组的起源问题,提出了一个生物基因组起源和进化的统一模式。     

还原论思维方式的终结

“还原”一词有多重含义,通常被区分为以下三个层次：本体论还原,方法论还原和理论还原,在我看来,本体论还原不过是唯物论二,一个基本命题,而方法论还原也仅仅是分析方法,没有会么新意,实际,还原论者真正关头的是理还原,而这又被证明是失败的。因此,我主张科学在未来世纪的进步取决于人们摆脱还原思维方式的程度。     

光伏模组积灰与阴影特性分析及识别方法

针对光伏模组积灰与阴影特性识别问题,详细分析了积灰和阴影的光伏特性曲线差异,揭示了阴影光伏曲线的拐点时变特性。提出由特性曲线的拐点数量及电流电压特性条件共同构成训练模型的输入特征量,基于CatBoost算法训练积灰和阴影识别模型。最后,利用光伏模组实测数据对CatBoost算法、ID3和GA-BP算法训练出的识别模型进行性能分析和对比测试,结果表明基于CatBoost训练出的识别模型输入量区分性强、诊断精度高,极具工程应用价值。     

基于新型相似日选取和VMD-NGO-BiGRU的短期光伏功率预测

光伏功率预测在现代电力系统调度和运行中起着重要作用.针对光伏发电功率的多变性和复杂性,提出了一种基于新型相似日选取和北方苍鹰算法（Northern Goshawk Optimization, NGO）优化双向门控循环单元（Bidirectional Gated Recurrent Unit, BiGRU）的短期光伏功率预测方法.首先,利用斯皮尔曼相关系数选取主要气象因子,通过变分模态分解（Variational Mode Decomposition, VMD）将原始光伏功率和最大气象因子分解重构为一系列子信号.其次,通过构建新的评价指标筛选出相似日数据集,利用一组BiGRU建立以相似日子信号为网络输入的深度学习模型,并利用NGO对每个BiGRU网络的超参数进行有效优化.最后,对各子信号的预测结果进行综合,得到最终的光伏功率预测值.仿真结果表明,所提混合深度学习方法在预测精度和计算效率方面均优于其他方法.     

混合遗传算法及应用

给出了几种典型的混合遗传算法和基本思想,并着重讨论了一种改进的混合遗传算法及其应用,表明了混合遗传算法可提高优化质量和搜索效率．     

剪枝 Galois 格上规则的直接计算

Ｇａｌｏｉｓ格用于知识发现具有许多优点,并在实际应用中显示了一定的价值。现提出一种在已剪枝的Ｇａｌｏｉｓ格上直接计算规则的算法,其主要依据格结点的直接泛化来产生规则集合。该算法在一定条件下更为有效,并且所产生的规则集合是无冗余的。文中所述方法已用于数据库知识发现工具ＨＵＴＫＤＤ中。     

基于图搜索算法的探讨

讨论了图搜索的非启发式和启发式算法,着重分析了它们各自的复杂性、优缺点及其相互关系,提出了改进要点．这对于如何选用一个合适的搜索算法是十分有益的．     

联想记忆系统的学习算法设计（Ⅰ）

基于牛顿向前插公式设计了一种新的联想记忆系（ＮＦＩ－ＡＭＳ）的学习算法,用以实现任意阶的多变量多项式函数的无误差逼近。该系统与传统类型的ＣＭＡＣ－ＡＭＳ相比,具有学习精度高和记忆空间小的特点;且比多层的ＢＰ网络具有学习算法简单和收敛速度快的特点。数值模拟表明,这种ＮＦＩ－ＡＭＳ在信号处理,模式识别,及高精度的实时智能控制等领域具有很大的应用潜力。     

线性非时变系统全响应的算子算法

在传统的算子理论基础上,建立了电路的算子模型,提出了求解线性非时变系统全响应的一种新方法。与传统的时域、复频域方法相比,此方法计算简便,物理意义明晰。     

基于记忆图样权重的联想记忆神经网络学习算法

提出了记忆图样对神经突触联接强度的贡献权重概念。通过使原图样成为稳定态即稳定条件得到的方案求解该权重,得到了突触联结强度矩阵,实现了神经网络相关模式的联想记忆。将此算法和其它联想记忆算法进行了比较和讨论,并用计算机进行了模拟。