蛋白质二级结构预测的结构表达方法研究

蛋白质二级结构预测时,描述窗口内氨基酸残基序列的各种物理化学和分子结构参数的数量非常大,而且不能很好地直接体现氨基酸的连接顺序,这样就造成二级结构预测工作既费时效果又低下,因此,对这些数据预处理是非常必要的.研究发现,这些初始数据对应的变换矩阵的本征值谱与氨基酸残基序列情况无关,只与氨基酸的类别、数量性质有关,而其本征函数数据能够直接反映氨基酸残基的序列情况,利用有显著大小的本征值对应的本征函数作为描述参数,在进行蛋白质二级结构预测时,不但能够显著减少描述参数的个数,而且它体现了氨基酸顺序的变化,这将有效提高蛋白质二级结构预测研究效果.     

基于嵌套窗口的高光谱图像目标检测

针对经典RX检测算法所存在的窗口分析方式的不足,提出一种基于嵌套窗口分析的高光谱图像小目标检测算法,并将这种嵌套方式应用到线性RX、非线性核特征向量空间分解（KEST）算法之中,对不同窗口方式的检测算法以及非线性判别分析检测算法进行了详尽的对比分析．实验表明,在3层嵌套窗口下的文中算法能够获得更好的目标检测效果．     

近场声全息线阵传声器“扫描”测量方法及其误差研究

研究了近场平面声全息"扫描"测量实验方法、重构中窗函数、K空间滤波器对全息重构的影响.对单个音响做了三个平行面的全息"扫描"测量,然后用中间面的测量声压来全息重构其它两个面的声压,并与实际测量值进行比较,验证了声全息"扫描"测量的可靠性与全息重构的正确性.     

一种基于预裁剪的不确定数据流频繁项集挖掘算法

随着交通、网络流量监控等应用的涌现,不确定数据流频繁项集挖掘成为近年来的研究热点。通常在不确定数据流中,频繁项集所占的比例较小,导致挖掘中无效操作较多。基于这种情况,提出了一种基于预裁剪的不确定数据流频繁项集挖掘算法Prep-UF-Streaming;该算法,不仅能裁剪掉大部分非频繁项集,提高了算法的平均运行时间;而且能够检测到非频繁项集成为频繁项集的可能性,尽量不丢失频繁项集,从而尽可能地提高算法的性能。     

Parzen窗核密度估计的大规模数据模式分类隐私保护方法

 针对大规模数据集上的模式分类任务, 提出基于Parzen 窗核密度估计的模式分类隐私保护算法。利用Parzen 窗算法对原始大规模训练集服从的概率密度进行估计, 根据估计的概率密度函数构造la 个替换训练样本, 其中l 为原始样本的数目, a 通过10 折交叉验证方式确定。最后发布替换训练样本进行模式分类, 以实现原始数据上的隐私保护。在Adult 数据集上的仿真实验充分验证了算法的有效性。     

Kingfisher区块过断层地应力变化规律及井壁稳定性

 Kingfisher区块断层发育,钻穿断层时井壁坍塌、钻井液漏失等复杂情况频发。根据孔隙弹性理论及Mohr-Coulomb强度准则,分析了正断层对地应力的影响规律,结合断层对地层力学性质的影响建立过断层时井壁稳定预测模型。结果表明,过正断层后垂直断层迹线水平应力明显增加;断层附近发育断层破碎带,使地层强度降低、坍塌压力升高;过断层时的安全泥浆密度窗口大大减小,为防止断层破碎带发生漏失,应以最小水平主应力作为安全泥浆密度窗口的上限;合理的钻井液密度及优良的封堵性是保证安全钻井的关键。研究结果与Kingfisher区块实钻情况吻合,对Kingfisher区块过断层时的钻井安全具有指导意义。     

加权窗口Fourier变换

根据L2(R)空间上的加权Fourier变换fa(ξ)=1/(2π)~(1/2)∫-∞ +∞ f(t)e-iξθa(t)pa(t)dt,给出了加权窗口Fourier变换的定义,推出了它的反演公式及一部分定理,并对此中权窗口Fourier变换进行了简要分析.     

一种基于非下采样Contourlet变换的子带自适应阈值去噪方法

目的提出一种基于非下采样Contourlet变换的子带自适应阈值去噪方法。方法首先在贝叶斯估计的基础上,建立了系数萎缩处理阈值,它与尺度和方向相关,具有带自适应性,进而根据Contourlet的曲线特征,设计出一种弧形窗口,用于估计系数的信号方差。结果该方法可以有效消除图像中噪声且保护图像的边缘细节信息。结论与传统方法相比,可获得较高PSNR值且能保护图像的边缘等细节信息。     

基于CORDIC的滑窗最小二乘递推算法

针对最小二乘算法涉及对数据自相关矩阵求逆,若直接求逆则计算量比较大,且求逆过程对误差比较敏感,有限字长效应明显的问题,提出一种基于Givens旋转的滑窗RLS实现方法,并且给出了CORDIC实现的方法,提高了基于QR分解的最小二乘算法实现的计算效率和数据吞吐率,使其适应于需要极高采样率的应用,并且该算法能够以滑窗形式的样本作为输入,比传统的Givens算法能够适应更多的应用环境。仿真结果验证了该方法的有效性。     

在线挖掘数据流混合窗口中闭频繁项集

在数据流挖掘中,界标窗体考虑了历史模式对当前挖掘的影响,但没考虑到随时间的推移模式衰减的问题。滑动窗口能记录最新、最有用的模式,但窗口的最佳大小无法准确确定。针对一些仿真系统中具有数据流特点的数据,提出了一种挖掘混合窗口中闭频繁项集的方法T-Moment。该方法能在单遍扫描数据流的条件下完整地记录模式信息。同时,T-Moment提出的减枝方法能很好地降低滑动窗口树F-tree的空间复杂度与闭频繁模式树T-tree的维护代价。此外,该方法提出的时间衰减机制能区分历史和最新模式。大量仿真实验结果表明,T-Moment有很好的效率和准确性。

Abstract：

In data mining,boundary window considers the influence of history pattern to the current mining result,but do not think over mode decaying as time passed. Sliding window can record the latest and most useful patterns,but the best size can not be accurately determined. To aim at data with the characteristics of data flow in some simulation systems,a method for mining the closed frequent patterns in the mixed window of data stream was proposed. The pattern of data stream could be completely recorded by scanning the stream only once. And the pruning method of T-Moment could reduce the space complexity of sliding window tree and the maintenance cost of the closed frequent patterns tree. To differentiate the historical and the latest patterns,a time decaying model was applied. The experimental results show that the algorithm has good efficiency and accuracy.