基于复合金字塔模型的蛋白质二级结构预测系统

利用预测系统方法, 对蛋白质二级结构预测提出了一种逐步求精、多层递阶的预测系统模型, 即复合金字塔模型. 这种模型由4个独立协同的层面组成, 通过智能接口有机融合了SAC, AAC, KDD*等源于KDTICM理论的模型和方法. 模型整体贯穿物化属性与结构序列, 采用因果细胞自动机选择有效物化属性, 构造纯度较高的结构数据库作为训练数据源, 利用领域知识与背景知识进行优化. 本模型在数据集RS126及CB513分别取得83.06%与80.49%的Q₃准确度, 在对偏α/β型蛋白质的预测实验中, 取得了93.12%的Q₃准确度, 并存在着进一步提高准确度的优化空间.     

一种改进的人工免疫网络优化算法及其性能分析

基于人工免疫网络算法(aiNet),借鉴禁忌搜索算法的机制,提出一种禁忌人工免疫网络算法(TS-aiNet).在算法中引入禁忌表,禁忌那些在网络迭代中亲和度不再增加的细胞,并通过特赦准则赦免一些被禁忌的优良状态;增加一个记忆表,用于保存成熟的记忆细胞;重新定义了Gauss变异方式,保证多样化的有效搜索.利用Markov链证明了算法全局收敛性,分析了算法的复杂度,通过对多个典型系统仿真分析该方法的性能,并与克隆选择算法和aiNet算法进行比较研究.结果表明,该算法在多模态搜索空间中具有更好的全局收敛性、稳定性和寻找极值点能力,能够克服早熟现象,是一种有效的全局优化搜索方法.     

一种改进的人工免疫网络优化算法及其性能分析

基于人工免疫网络算法（aiNet）,借鉴禁忌搜索算法的机制,提出一种禁忌人工免疫网络算法（TS—aiNet）．在算法中引入禁忌表,禁忌那些在网络迭代中亲和度不再增加的细胞,并通过特赦准则赦免一些被禁忌的优良状态;增加一个记忆表,用于保存成熟的记忆细胞;重新定义了Gauss变异方式,保证多样化的有效搜索．利用Markov链证明了算法全局收敛性,分析了算法的复杂度,通过对多个典型系统仿真分析该方法的性能,并与克隆选择算法和aiNet算法进行比较研究．结果表明,该算法在多模态搜索空间中具有更好的全局收敛性、稳定性和寻找极值点能力,能够克服早熟现象,是一种有效的全局优化搜索方法．     

一种基于滑动窗口的多关系模式频度更新算法

面向多个相关数据流的挖掘算法研究尚处于起步阶段。作为多数据流挖掘算法的基础,模式频度更新算法仍然存在计数不准确、性能较低等问题,难以以此构造有效的挖掘算法。通过引入多关系挖掘概念以及目标关系定义,进而限定计数对象,提出了一种基于滑动窗口的多关系模式频度更新算法MRPFU。该算法监视各数据流窗口的更新情况,采用计数传播策略,减少了时间与空间复杂度。理论分析及实验结果证明了所提算法的有效性且具有较高性能。     

基于蛋白质二级序列的关联多分类算法

蛋白质二级结构预测是公认的生物信息学领域的国际性难题。以基于内在认知机理的知识发现理论(knowledge discovery theory based on inner cognitive mechanism, KDTICM)理论的扩展性研究与数据库中的知识发现（knowledge discovery in database*, KDD*)模型为基础,提出一种基于结构序列的多分类算法--SAC(structural association classification),可以有效地解决蛋白质二级结构预测问题。该算法借助设定支持度阈值的精化知识库的方法,其预测准确率能够超过85%。以该算法为核心，构建了一个蛋白质二级预测模型--复合金字塔模型。实验证明,在RS126、CB513、ILP数据集上的预测准确率均超过80%,超过目前已知的国际主流水平。